使用机器学习和深度学习方法检测植物疾病的审查

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 数据科学数据科学数据科学

背景情况:

• 准确的植物疾病检测对于粮食安全和精准农业至关重要.
• 手动识别疾病是劳动密集型的,容易出错.
• 人工智能,特别是机器学习 (ML) 和深度学习 (DL),提供了自动化解决方案,但面临着有限的概括性和数据问题等挑战.

研究的目的:

• 批判性地评估人工智能模型在实验室和实时现场条件下检测植物疾病的性能.
• 强调模型的稳定性,通用性和适合农业边缘部署的适用性.
• 将最近的AI架构与准确性,速度和硬件效率进行比较.

主要方法:

• 对人工智能用于植物疾病检测的现有文献进行审查和批判分析.
• 评估模型性能指标,包括准确性,推断速度和硬件效率.
• 讨论多式联络和自我监督的学习技术.

主要成果:

• 最近的AI架构,如GreenViT,混合ViT-CNNs和基于YOLO的探测器,显示出有希望的结果.
• 挑战包括有限的概括性,小型/不平衡的数据集,以及对环境噪音的敏感性.
• 模型的性能在实验室和现实世界的现场条件之间有很大的差异.

结论:

• 需要强大的,可泛化的人工智能模型,适合在精准农业的边缘部署.
• 未来的研究应该专注于轻量级架构,多样化的数据集,以及与深度卷积生成对抗网络 (DCGANs) 等技术的集成.
• 解决过度装配和环境敏感性等局限性是现实应用的关键.