COMPAG | 深度学习在植物病害中的利用

2025年3月，新西兰奥塔哥大学、斯里兰卡佩拉德尼亚大学等多所外洋大学在Computers and Electronics in Agriculture集合发表题为Past, present and future of deep plant leaf disease recognition: A survey的著述。该著述全面梳理了植物病害识别畛域的132篇高质料论文，久了分析了植物病害识别技巧在数据集质料、模子泛化与田间适用性方面的重要瓶颈，并研究显著主流模子的性能与局限，为精确农业智能监测提供了才略学基准与本质途径图。

征询系统比拟了8种以上深度学习架构的性能，并初度春联邦学习与量子计较在该畛域的利用后劲进行了前瞻性评估。这一系列责任灵验弥补了现存综述在系统性、数据粉饰广度与才略前沿性方面的空缺。

图1.植物叶部病虫害识别发展历史

图2.植物生物与非生物威胁

征询对PlantVillage、BRACOL等18个主流数据集进行比拟分析，指出田间积蓄数据在模子泛化才气上权贵优于实验室数据。分析败露，确凿环境数据集在跨品种识别任务中平均准确率更高，但其无数存在的类别不屈衡问题，导致少数病害类别的识别率较着着落。征询进一步提议，理念念数据集应涵盖至少5000张图像、粉饰8种以上病害类别、收受3种以上拍摄确立积蓄，并在作物不同滋长阶段进行取样，此类有筹商可灵验晋升模子的鲁棒性与实质适用性。

图3.实验室与田间叶片样本对比

著述系统梳理了从预解决(包括编订、去噪与数据增强)到深度特征索求与分类的重要技巧历程。征询标明，收受灵验的配景去除技巧可使模子准确率晋升3–5%，而数据增强与归一化解决大概缓解因类别不屈衡导致的识别率着落问题。相较于传统机器学习才略，基于卷积神经网罗的端到端磨真金不怕火机制在已矣特征索求与分类同步进行的同期，将磨真金不怕火时辰裁减约60%，并在病害分类任务中无数得到杰出98%的准确率。此外，将援救向量机(SVM)分类器与深度学习架构(如CNN)配对，能灵验应付因数据不屈衡导致的准确率着落挑战。

图4.植物叶部病害识别通用历程

著述详确评估了ResNet、EfficientNet及MobileNet等CNN架构在不同数据集上的性能。戒指标明：轻量级模子(如MobileNet)在准确率与计较戒指间已矣了最优均衡，尤其符合移动端部署；移动学习的利用可将小样本数据集的模子拘谨速率晋升约70%；而引入CBAM等瞩眼力机制，则能在复杂配景数据集上将不实率驳斥4.3%。此外，联邦学习技巧在已矣跨地区数据协同磨真金不怕火时，不仅能保握99%的识别准确率，还可将数据传输本钱减少90%。

图5.基于CANet的配景去除与病害检测网罗架构

尽管得到阐扬，现存模子仍濒临适用性差、数据不均与计较本钱高的挑战。征询建议收受角落计较可驳斥移动端能耗75%，通过主动学习减少数据积蓄本钱40%，并推动跨机构数据分享。实质利用中，轻量级移动利用在田野握续运转6小时以上仍保握87%的准确率；无东谈主机监测系统将病害早期检出率晋升至92%，预警时辰提前3–5天。这评释在实质农业场景中，模子的泛化与部署才气比统统准确率更为重要。

图6.数据集与深度学习模子关系

征询明确列出现时才略在数据质料、模子泛化、计较资源等方面的中枢局限。为此，提议昔时应聚焦：构建高质料田间数据集、开辟轻量化可评释注解模子、交融物联网与无东谈主机技巧、鼓舞联邦学习与量子深度学习利用。这些标的将推动植物病害识别从实验室走向确凿农业场景，已矣智能农业的范围化落地。