综述：用于水果和叶片病害检测的深度学习架构：方法、指标、挑战及未来研究方向的深入分析

《Applied Fruit Science》：Deep Learning Architectures for Fruit and Leaf Disease Detection: A Critical Analysis of Methods, Metrics, Challenges, and Future Research Directions

　　

摘要

利用深度学习检测和分类果树疾病，已成为提升农业生产力与粮食安全的重要研究领域。本综述总结了2020年至2026年间发表的77篇经过同行评审的文章，这些文章涉及七种最常见的果树：苹果、香蕉、葡萄、芒果、柑橘、木瓜和石榴。尽管最先进的深度学习模型在实验室环境中的准确率可达95–99%，但由于数据集的同质性、硬件限制，以及可用于训练的早期疾病症状极为有限，其在实际应用中的性能会下降18–25%。本文提出了一种全面的评估框架，不仅考虑传统的基于准确率的指标，还涵盖了置信度校准、时间一致性分析，以及对外部数据分布的鲁棒性和对抗稳定性等方面的评估。元分析显示，模型复杂度与部署成功率之间存在显著的负相关关系（r?=??0.73），而数据集的多样性则与田间应用效果呈显著正相关关系（r?=?0.81），这凸显了以PlantVillage为代表的基准数据集所存在的挑战。此外，硬件限制也影响了小农户对这些技术的采用，而在所研究的模型中，仅有不到10%的模型能够在实验室外实现长期稳定应用。文中还指出了多病共存问题、在症状出现前检测疾病的问题，以及缺乏通用化田间验证协议等关键问题。未来，研究应着眼于轻量级、可直接部署的架构、多样化的田间数据集、多标签学习方法以及标准化的评估流程，从而提升这些技术在大规模农业中的应用效果和影响力。