用于水稻叶病检测的人工智能：基准测试、偏差问题、优化方法及部署准备情况

《ARTIFICIAL INTELLIGENCE REVIEW》：Ai for rice leaf disease detection: benchmarks, bias, optimization, and deployment readiness

　　

摘要

水稻叶部病害会威胁到集约化种植和小型农户生产体系中的产量、谷物质量以及田间管理决策。虽然视觉巡查仍然不可或缺，但它劳动强度大、主观性强，且在光照条件、品种、生长阶段及病害压力不同的情况下难以大规模应用。本文分析了通过2026年1月1日至3月31日期间按照PRISMA-ScR标准进行的搜索所找到的111项基于图像的水稻叶部病害研究，相关参考文献仅限于2026年3月31日或之前发表的成果。该综述涵盖了病害症状、搜索方法、数据集来源、预处理方法、传统机器学习技术、深度学习技术、变换器及混合架构、受生物启发的优化方法、可解释性分析、病害严重程度评估以及模型部署可行性等内容。本文的核心贡献在于通过分析数据来源、划分方式、数据泄露风险、类别不平衡问题、外部验证情况、计算成本以及农业实用性等因素，将纯粹的基准测试结果与实际田间应用相关的证据区分开来。分析表明，在经过筛选的三类或四类数据集中，模型往往具有较高的内部准确率，而跨数据集验证、防止数据泄露的划分方式、按类别统计的结果、病害严重程度的精准定位、设备层面的效率指标以及经专家验证的解释结果等方面仍存在不一致性。本文提出了一种标准化的基准测试框架、一种无权重的研究质量与解释风险评估体系、一种考虑数据泄露问题的数据集解读方法，以及一份针对注重优化的水稻病害模型的标准化报告清单。在这一领域的进展应以其能否形成可重复、覆盖不同地域、能够考虑病害严重程度、具备可解释性且适合在边缘设备上运行的系统来衡量，而不能仅仅以在理想条件下取得的微小提升作为标准。