植物疾病检测的最新进展:挑战和机遇

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:

• 全球因植物疾病造成的年度农业损失超过2200亿美元.
• 自动化植物疾病检测系统对于减轻这些经济影响至关重要.
• 深度学习的进步为准确和高效的检测提供了新的可能性.

研究的目的:

• 系统地审查使用RGB和高光谱成像检测植物疾病的深度学习方法.
• 在实验室和现场条件下评估各种模型的性能.
• 确定部署约束,并为实际农业应用提出指导方针.

主要方法:

• 对用于检测植物疾病的深度学习模型进行系统审查.
• 对11个基准数据集的模型评估,比较实验室和现场性能.
• 对部署约束的分析,包括环境变化,成本和可解释性.

主要成果:

• 在实验室 (95-99%准确度) 和现场 (70-85%准确度) 条件之间存在显著的性能差距.
• 基于变压器的架构,如SWIN (88%的场准确度),优于传统的CNN (53%的场准确度).
• 关键的限制包括环境敏感性,高频谱系统的高成本,以及需要农民友好的解释性.

结论:

• 优先考虑部署可行性而不是实验室优化对于实际应用至关重要.
• 未来的研究应该专注于轻量级模型,跨地理概括和可解释的AI.
• 开发强大,易于使用的植物疾病检测工具可以显著提高全球粮食安全.