人工智能在番茄潜叶蛾(Tuta absoluta)诱导的叶片病害早期检测与管理中的应用：系统性综述

本研究针对全球番茄产业面临的毁灭性害虫Tuta absoluta（番茄潜叶蛾）威胁，系统评估了人工智能(AI)在早期检测与防控中的潜力。研究人员通过检索ScienceDirect、Scopus等四大数据库的178篇文献，筛选115项研究进行综合分析，揭示了深度学习(CNN)、机器视觉(YOLO)等技术在实现实时、规模化虫害监测中的优势，提出将AI驱动方案整合到精准农业的实践框架，为减少杀虫剂滥用、保障粮食安全提供创新解决方案。

　　

气候变化加剧的病虫害威胁正使全球番茄产业面临严峻挑战。原产于南美的番茄潜叶蛾(Tuta absoluta)已扩散至60多个国家，可造成100%的产量损失。传统依赖化学农药的防治方式不仅导致每年数十亿美元经济损失，更引发农药抗性、环境污染等连锁问题。面对这一"红色警报"，研究人员通过系统性文献综述，探索如何利用人工智能(AI)技术构建更高效、可持续的虫害监测体系。

研究团队采用PRISMA指南对ScienceDirect等四大数据库的178篇文献进行筛选，最终纳入115项研究。通过定量与定性相结合的方法，重点分析了卷积神经网络(CNN)、YOLO等计算机视觉技术在虫害识别中的应用效果。关键技术路径包括：基于ImageNet预训练模型的迁移学习、多光谱图像分析、以及移动端部署的轻量化网络设计（如MobileNetV3）。

2.7.1 生物学特性与生命周期
研究表明，Tuta absoluta在30°C、相对湿度32-72%环境下繁殖力最强，年繁殖可达10-12代。其幼虫通过潜食叶肉造成特征性"窗斑"，成虫借助风力扩散至新区域。这种生物学特性使得早期视觉检测尤为关键。

2.8.3 深度学习技术突破
与传统机器学习相比，深度卷积网络(CNN)在特征提取方面展现出显著优势。采用ResNet架构的研究在PlantVillage数据集上实现99.9%识别准确率，而轻量化YOLOv5模型通过注意力机制改进，在田间检测中达到93.5%的平均精度(mAP)。

2.9.2 实际应用效能
土耳其团队开发的决策树(DT)模型对Tuta absoluta的识别准确率达98.7%，但泛化能力受限。相比之下，坦桑尼亚研究者基于VGG16构建的系统虽准确率稍低(91.9%)，但更适合资源受限地区的移动端部署。

2.10.1 数据集瓶颈
现有PlantVillage等基准数据集主要包含实验室环境图像，新开发的TomatoEbola数据集补充了尼日利亚田间实景数据。研究表明，模型在实验室数据上的性能通常比田间测试高10-15%，凸显数据多样性的重要性。

这项发表于《European Journal of Agronomy》的研究证实，AI技术可显著提升虫害检测效率，最优模型的响应速度比人工巡查快200倍。但同时也指出，当前大多数系统在低收入国家的适用性仍受限于计算资源、网络覆盖和本土化数据集缺乏等挑战。研究者建议未来开发应聚焦：1) 边缘计算设备集成；2) 多模态数据融合；3) 建立覆盖全球主要产区的标准化图像库。这些发现为农业4.0时代的智能植保提供了重要技术路线图。