Deep Learning Approaches for Plant Disease Detection: A Review of Convolutional Neural Networks and Emerging Techniques
NUHU ABDULLAHI
综述深度学习在植物病害检测中的应用，涵盖CNN、混合Transformer、注意力机制与生成式数据增
综述CNN、CNN-Transformer混合模型、注意力机制及GAN数据增强在
深度学习检测精度高，但仍受数据集多样性、环境变异、可解释性和移动部署算力限制。
可探索轻量化可解释模型、多作物多病害检测及与精准农业系统集成，解决田间部署难题。
系统综述深度学习植物病害检测的方法进展与挑战，学术价值较高但偏理论，对产业落地有参考意义。
植物病害对全球粮食安全、作物产量和农业可持续性构成重大威胁。传统的病害诊断方法依赖专家视觉检查和实验室分析，往往耗时、费力且成本高昂，限制了其可扩展性。人工智能，特别是深度学习的最新进展，为植物病害检测提供了自动化且准确的解决方案。本文综述了基于深度学习方法的最新研究，重点关注卷积神经网络（CNN）、CNN-Transformer混合模型、注意力机制和生成式数据增强技术。CNN在从叶片图像中提取层次化特征方面展现出强大能力，能够捕捉病变形状、颜色变化和纹理等复杂模式，从而优于传统机器学习和基于规则的方法。混合架构和基于Transformer的模型增强了特征提取能力，尤其针对细微或视觉上相似的病害症状。数据增强策略，包括生成对抗网络（GAN），有助于解决类别不平衡问题并提高模型泛化能力。尽管已有研究报告了较高的准确率，但仍存在诸多挑战，包括数据集多样性有限、环境变异性、过拟合、缺乏可解释的人工智能以及移动端部署的计算约束。未来研究应优先关注可解释模型、多作物和多病害检测、适用于田间应用的轻量级架构以及与精准农业系统的集成。总体而言，基于深度学习的植物病害检测为早期诊断、及时干预和可持续农业实践提供了一种变革性方法，具有减少作物损失、提高生产力并促进全球粮食安全的潜力。