摘要
基于计算机视觉的叶片病害检测已成为智慧农业和农业检测服务中的重要技术手段。近年来，人工智能和深度学习技术的进步为自动化叶片病害监测提供了有效解决方案，而基于"你只需看一眼"（YOLO）的检测器因其在检测精度与推理速度之间取得良好平衡而备受关注。然而，叶片病害检测仍面临诸多挑战，因为病斑通常占据极小的区域，视觉特征不明显，边界模糊，且背景复杂，在实际田间条件下还存在较大变异。为解决这些挑战，许多研究对轻量级骨干网络、特征融合机制、注意力模块、检测头、损失函数及训练策略进行了改进。本批判性叙事综述回顾了基于YOLO的叶片病害检测研究，按任务特点整理已报道的适应性改进方法，并结合数据集、标注信息及评估条件对其成果进行解读。代表性研究报告了检测性能、模型紧凑度或实测推理速度方面的提升，同时也存在取决于具体任务与配置的权衡取舍。然而，仍面临若干挑战，包括数据集多样性不足、跨作物和跨环境泛化能力不够、对标注不确定性考虑欠缺、仅基于参数量减少而导致的轻量级模型评估偏差，以及基准性能与实际部署之间的差距。未来研究应聚焦于任务导向优化、鲁棒的视觉感知、提升模型泛化能力以及高效部署，以推动智能农业监测系统的发展。
