Sustainable Plant Disease Management: Current Advances, Challenges, and Future Directions
综述植物病害可持续管理的多学科前沿进展、挑战与未来方向。
← 主题
#植物病害
[预印本]植物病害数据集的数据中心综述:分类、关键分析、环境变异性与精准农业启示(A Data-Centric Review of Plant Disease Datasets: Taxonomy, Critical Analysis, Environmental Variability, and Implications for Precision Agriculture)
综述植物病害数据集分类与不平衡问题，提出融合环境参数的方向。
Climate change and the rising threat of Macrophomina phaseolina: implications for food security, food safety, and sustainable crop health management
综述气候变化下干旱高温盐胁迫加剧菜豆壳球孢菌病害的机制与可持续防控策略。
AI and remote sensing for fungal and oomycete disease surveillance: current landscape and biological integration
综述AI与遥感在真菌及卵菌病害监测中的现状，强调生物信息整合。
Explainable AI for Precision Agriculture: Fine-Grained Plant Pathology Localization Using ConvNeXt-Tiny and Residual Spatial Attention Module Palvi Sharma
提出结合ConvNeXt-Tiny与残差空间注意力模块的框架，实现多作物病害细粒度分类与可解释定位。
RAVA: a robust recurrent active vision agent for plant disease diagnosis under severe environmental noise
提出RAVA，一种循环主动视觉智能体，通过主动观察应对环境噪声，提升植物病害诊断鲁棒性。
Invisible Threats, Relentless Hunters: Biosurveillance of Airborne Plant Pathogens
综述空气传播植物病原体的生物监测技术及其在病害预警中的应用。
Diagnosis and management of bacterial stripe in maize: Current limitations and perspectives for the control of Acidovorax avenae subsp. avenae
综述玉米细菌性条纹病的生物学、诊断与管理，指出当前局限并展望未来防控策略。
Quantifying Visual Symptom Severity in Plants Using Deep Learning(MDPI Remote Sens. 2026-08-17)
利用深度学习量化植物视觉症状严重程度。提出基于二元分类器训练(仅使用无症状和严重症状图像)的症状严重程度量化方法。利用具有相似症状严重程度的图像组的分类准确率和类概率估计视觉症状严重程度。标签平滑可缓解中等症状的双峰类概率分布,提高方法对单个图像的适用性。与基于特征空间距离的方法不同,本方法无需额外特征提取或距离计算。该研究为远程感知领域提供了一种简单视觉性状量化方法,可降低标注成本。
A TinyMLOps Pipeline for Coarse-Grained Plant Disease Classification in Precision Agriculture
本文提出TinyMLOps管道,涵盖模型设计、优化、量化及跨多种边缘设备部署,在受控实验室条件下评估。基于PlantVillage基准推导的数据集,将39个细粒度类别聚合成3个超类(健康叶、不健康叶、无叶),系统执行植物健康状态分类和背景过滤功能,而不是诊断特定疾病。训练基于MobileNet的卷积神经网络,联合优化分类精度和计算效率;选择5个模型(Pareto前沿4个+最大HPO模型)转换为LiteRT和ONNX,在Raspberry Pi Zero 2 W和STM32H743ZI微控制器上以float32和后训练int8精度评估。在float32下,LiteRT比ONNX Runtime快1.87-2.65倍;int8 LiteRT模型比float32小2.83-3.67倍,快21.3-31.2%,F1-score损失仅0.0010-0.0068;在微控制器上,两个最小模型int8变体比float32快4.3倍,MCU闪存占用小3.85倍。