综述：作物病害检测中先进机器学习与深度学习模型的批判性分析：挑战、创新与未来方向

《Franklin Open》：Critical Analysis of Advanced Machine Learning and Deep Learning Models for Crop Disease Detection: Challenges, Innovations, and Future Directions

　　

机器学习（ML）与深度学习（DL）技术的快速发展为作物病害检测领域带来了显著变革。本综述重点分析应用于农作物的各类ML与DL模型，聚焦检测精度、模型效率及跨病害类型的适应性。研究人员针对动态农业环境中实现实时、可扩展且鲁棒模型的核心挑战展开了批判性审视，深入探讨了数据不平衡、罕见病害数据匮乏、技术壁垒、模型可扩展性与泛化挑战等关键问题。此外，综述研究了集成物联网（IoT）、大数据分析、边缘计算等先进技术如何支撑实时部署，提升现实农业场景中人工智能驱动病害检测系统的响应能力。尽管现有DL模型展现出巨大潜力，但其在泛化能力与田间可扩展性方面的局限凸显了进一步创新的必要性。研究人员提出了开发高效、自适应且适配多样农业生态环境的整体性人工智能框架的未来方向。总体而言，本综述全面整合了该领域的当前格局、技术赋能路径与持续存在的空白，为基于人工智能的作物病害管理提供了系统性参考。

作物病害检测中先进机器学习与深度学习模型的批判性分析：挑战、创新与未来方向

1. 1.
   引言
   传统农业系统往往难以提供实时数据更新、安全的数据存储与透明的溯源追踪，导致资源浪费与农产品质量下降。现代农业面临气候变化、粮食短缺与供应链低效等重大挑战，亟需更智能的解决方案。根据世界卫生组织2022-2030年食品安全战略，充足且营养安全的食品是促进全民健康与维持生命的关键。农作物受各类病害影响会造成严重产量损失与经济冲击，因此病害防控至关重要。为实现可持续作物生产模式，需要创新性、高产且赋能型技术支撑。智慧农业有助于实现作物病害的早期精准预测，因此亟需结合现代技术构建自动化农业病害分类与识别系统。早期检测植物病害对减少作物损失、提升农业生产至关重要。已有研究基于Plant Village数据集对35种预测框架展开对比，覆盖5类作物的7种ML技术，结果显示随机森林（RF）技术准确率最高，达91.8%，AUC值96.2%，F1值91.4%。将ML与物联网设备、遥感技术结合可进一步强化实时病害监测系统。另有研究设计了基于混合深度学习的三层框架用于作物病害精准分类识别，包含数据采集、预处理、分割与特征提取四大模块：分割阶段采用全卷积网络（FCN）分离植物叶片与背景，预处理阶段通过高斯双边滤波与直方图均衡化去噪与去模糊以提升图像质量，该框架最终将效率与准确率提升至98.93%。还有研究开发了基于ResNet50的多作物病害物联网检测系统，准确率达99.8%。也有研究采用阈值分割提取病叶区域特征，结合支持向量机（SVM）进行分类，平均检测准确率98.43%、分类准确率99.9%，并通过Things Peak物联网平台实现农田远程监测。针对果树病害，研究人员系统分析了卷积神经网络（CNN）框架的性能，对比了DenseNet、VGGNet、InceptionNet、ResNet等主流架构在准确率、灵敏度与特异性上的表现，证实CNN框架在果树病害检测中具有优异性能。针对现有模型成本高的问题，研究人员提出轻量级混合框架Tinny-LeViT，基于Transformer与CNN架构，通过在Transformer注意力层引入关键头减少组件数量、模型体积与浮点运算量（FLOPs），在5个主流数据集上实现了理想的图像处理速度与更高帧率、F1值。针对黄瓜、生菜、番茄、马铃薯等蔬菜病害，对比CNN、MobileNet、VGG16模型的分类表现，结果显示MobileNet在番茄病害中准确率84.49%、黄瓜病害97.65%、马铃薯病害97%，优于其余两类模型，研究人员建议后续可结合Bagging算法、SVM、RF等模型优化蔬菜数据集分析。针对水稻、小麦、玉米的5类病害，研究人员提出融合8种微调深度学习模型的MRW-CNN架构，证实MobileNet与Xception表现更优，未来需关注气候变化对不同发病期叶片图像采集的影响。针对玉米叶片病害，研究人员开发了结合深度学习多模型与物联网的早期检测框架，基于CNN架构设计多模型融合网络（MMF-Net），融入多上下文特征的PL块1&2与RL块，融合后模型在玉米叶片数据集上准确率达99.23%，优于未融合特征版本，该框架可通过先进算法拓展至多样化数据集。另有综述全面梳理了人工智能（AI）与计算机视觉方法在病害检测中的应用，涵盖DL、ML、软计算、少样本学习（FSL）与图像处理技术，并探索了高光谱成像提升病害识别精度与鲁棒性的潜力。还有研究提出基于堆叠集成的方法，结合RFC、KNN、SVM三类基学习器与改进ResNet152元学习器，在云端传输叶片特征后准确率达99%，优于单一模型。新型节能CNN架构在Plant Village数据集上准确率达95.17%，在水稻数据集上达99.8%，推理速度较Inception V3提升5倍、较VGG19提升2倍。AgriDet框架通过INC-VGGN特征提取与Kohonen深度学习层实现病害识别与严重程度分级，采用预训练权重与Dropout层缓解过拟合，利用Kohonen多层网络提取纹理、颜色、形状、尺寸等精细特征，在PlantVillage与PlantDoc数据集上验证了有效性，但该框架存在无标注图像、无法识别单张图像中多种病害的局限。针对水稻褐斑病，研究人员结合CNN与VGG19的迁移学习模型，在UCI ML数据集的40张病叶图像上实现93.0%的准确率，优于现有模型。还有研究从理论层面分析了结合ML、DL、云平台、物联网与嵌入式系统的智慧农业病害检测体系，指出云计算平台对实时农业海量数据的存储与管理至关重要，嵌入式物联网系统可实现传感器与田间设备的无缝互联，提升数据采集粒度与即时性，支撑精准农业的高级分析与决策，同时明确了植物病害检测的五大核心挑战。本系统性综述纳入80篇2021-2025年的研究文献，来源涵盖IEEE Xplore、Science Direct、Springer、Scopus、Google Scholar，检索关键词包括植物病害检测、机器学习、深度学习、智慧农业，围绕四个研究问题展开分析：其一，探究深度学习模型实现实时、可扩展、鲁棒作物病害检测的核心挑战；其二，对比CNN、混合模型等不同深度学习架构在检测精度、模型效率、跨作物跨病害泛化性上的差异；其三，分析Plant Village等公开数据集的训练局限与权衡，提出缓解策略；其四，评估物联网、大数据、边缘计算的集成如何提升模型在现实农业场景中的部署效能。
2. 2.
   作物病害检测的机器学习与深度学习方法
   2.1 机器学习技术
   机器学习在农作物病害识别中发挥关键作用，助力农户实现早期检测与快速干预。研究人员通过性能指标评估模型任务效能，且性能随模型训练迭代不断提升。模型训练完成后，可基于习得知识完成分类、预测或聚类任务。传统机器学习方法依赖人工提取图像或传感器特征，流程包括预处理、特征提取与统计/机器学习模型分类，主流算法包括支持向量机（SVM）、决策树（DT）、随机森林（RF）。其中SVM是基于超平面的二分类算法，支持向量决定分类边界，可用于分类、回归与聚类任务，可与深度迁移学习结合用于作物病害检测；DT是适用于回归与分类的监督学习算法，以树形结构实现属性到类别标签的映射；RF通过构建多棵决策树提升分类与回归稳定性，在植物病害预测中表现有效。性能对比显示：SVM在柑橘病害检测中准确率达87%，番茄病害88%，番石榴病害78%，植物病害图像78.61%，叶片图像90%，番茄病害97.10%，石榴病害98.43%；RF在玉米、苹果、葡萄、番茄、甜椒五类作物上准确率达91.8%，F1值91.4%，其他场景下可达96.13%、98.02%（番茄）、80.68%（玉米）；DT在番茄病害检测中准确率为85.86%。

2.2 深度学习技术

近十年深度学习呈指数级增长，重塑了多领域数据分析与模式识别范式。“深度”指神经网络的多隐藏层结构，可自主提取特征，无需传统特征工程，通过多层网络逐步从简单输入构建复杂特征，提升图像分类与目标检测性能，其中卷积神经网络（CNN）是作物病害检测最主流的方法。CNN架构由卷积层、池化层、全连接层组成：卷积层通过滤波器提取输入关键特征，池化层降维并保留核心模式，全连接层完成最终分类或预测。常用预训练CNN架构包括：VGGNet，以深层结构与卷积层-全连接层组合为特征，在柑橘病害检测中表现优异；ResNet，通过跳跃连接缓解梯度消失问题，支持152层深度，在有限训练数据场景下病害检测效率高；MobileNet，以轻量化设计适配移动端目标检测与图像分类，采用深度可分离卷积平衡计算效率与性能；InceptionNet（GoogleNet），通过多尺度并行卷积核的Inception模块提升特征提取能力，在柑橘病害检测中取得良好效果；DenseNet，通过密集层间连接实现特征复用，降低网络复杂度，在马铃薯与番茄叶片病害检测中准确率领先。除单一CNN外，深度学习与其他技术的混合模型成为趋势。结合物联网的架构可通过五层（物理层、网络层、中间件层、处理层、应用层）设计提升决策效率、优化资源利用，例如CROPCARE系统整合物联网云计算与移动视觉技术，基于Plant Village数据集为农户提供早期病害检测工具；结合生成对抗网络（GAN）可提升特征提取能力、分类准确率与数据集增强效果，例如GAN增强的CNN模型准确率达97%，条件GAN生成的合成番茄叶片图像可训练DenseNet121实现10类病害分类；结合无人机（UAV）与遥感技术可通过多光谱成像、传感器与AI算法实现大田尺度精准监测，支撑全自动农业生态管理；结合边缘/云计算可在资源受限设备上部署轻量级模型，兼顾高精度与计算效率，克服手动检测与传统ML的局限。对比来看，纯CNN模型适合仅含视觉输入的简单至中等复杂度分类任务，准确率通常在85%-99%；混合模型可融合图像与时序、环境等多模态数据，泛化性更强，在复杂现实场景中准确率更高，但架构复杂度与计算开销更大。

2.3 模型效率的批判性分析

模型性能与计算需求的差异源于架构设计、数据集复杂度、训练策略与硬件配置的不同。早期VGG-16等CNN架构参数量大、计算密集，内存消耗高，在资源受限系统中效率较低，准确率相对有限。近年研究转向轻量化优化架构，例如MobileNet系列在保持高精度的同时显著降低计算复杂度，SRCNN结合MobileNet-V2与物联网的方案仅需中等GPU资源即可实现96.72%的准确率，验证了模型优化与边缘部署策略的有效性。结合数据增强与生成模型的混合框架（如CycleGAN增强的MobileNetV2）通过解决数据集不平衡与