综述：从传统方法到人工智能技术在蔬菜作物叶部病害症状检测中的转型：全面综述

（编辑推荐）本综述系统梳理了人工智能（AI）技术在蔬菜叶部病害检测中的应用进展，重点对比了传统方法（如血清学检测）与AI技术（包括机器学习ML、计算机视觉CV和深度学习DL）的优劣，强调早期检测、精准量化和靶向干预对作物健康管理的价值，为农业可持续发展提供新思路。

　　

传统诊断技术的瓶颈与突破

传统叶部病害诊断依赖视觉观察、显微镜检、血清学（ELISA）和分子检测（PCR），但这些方法存在耗时、主观性强、专业门槛高等缺陷。例如，视觉检查易受经验影响，而分子检测需复杂实验室条件。

AI技术的多维应用场景

人工智能通过机器学习（ML）算法分析叶片图像特征，卷积神经网络（CNN）可识别霜霉病病斑的边际不规则性；计算机视觉（CV）结合高光谱成像，能捕捉肉眼不可见的叶面反射率变化（如525nm处叶绿素吸收峰衰减）。研究显示，ResNet50模型对番茄早疫病的检测准确率达96.7%，显著优于传统方法。

数据驱动的技术挑战

高质量数据集构建是AI应用的核心难点：

• •

  需标注超过10⁴张叶片图像建立基准库

• •

  环境干扰（如光照角度）会导致VGG16模型特异性下降12%

• •

  迁移学习可缓解小样本问题，Inception-v3在跨作物迁移时mAP值提升23%

性能优化与农业实践

比较性研究指出：

1. 1.

   轻量化MobileNetV3适合田间移动端部署，推理速度达47FPS

2. 2.

   三维卷积网络（3D-CNN）处理多时相数据，可量化病斑扩展速率（mm²/day）

3. 3.

   集成学习策略（如XGBoost+U-Net）将假阳性率控制在5%以下

未来发展方向

亟待解决传感器融合（多光谱+热成像）和边缘计算设备的成本问题。最新尝试将Transformer架构用于病斑分割，在辣椒炭疽病检测中IoU指标突破0.89，预示下一代农业AI系统的潜力。