Artificial Intelligence in Plant Disease Detection: An Introduction to Intelligent and Automated Crop Health Monitoring
Jamuna Ratcha
综述AI在植物病害检测中的应用，涵盖图像采集到模型评估全流程及未来趋势。
综述CNN、迁移学习、图像分割与目标检测在叶片病害识别中的应用。
AI可高精度识别病害，但受限于数据集不足、环境变化与模型泛化能力。
可探索多模态数据融合与可解释AI，提升复杂田间环境下病害检测的泛化能力。
系统综述AI在植物病害检测中的应用，内容全面但属教科书式介绍，方法新颖性与数据规模有限，可作为智慧农业主题聚合素材。
植物病害是现代农业面临的一项重大挑战，因为它们会显著降低作物产量、作物品质和经济生产力。传统的植物病害检测方法主要依赖视觉检查和专家知识，这种方式耗时、主观性强，且难以在大规模农田中应用。人工智能（AI）的快速发展，尤其是机器学习（ML）、深度学习（DL）和计算机视觉，为自动化、高效的作物病害检测和作物健康监测创造了新的机遇。基于AI的植物病害检测系统可以分析植物和叶片图像，以识别与病害相关的特征，如叶片变色、斑点、病斑、纹理变化和异常生长模式。包括卷积神经网络（CNN）、迁移学习、图像处理、图像分割和目标检测在内的先进技术，可用于植物病害分类和受影响区域的高精度识别。本章介绍了基于AI的植物病害检测的基本概念，涵盖图像采集、图像预处理、特征提取、模型开发、病害分类和性能评估。本章还探讨了AI在精准农业、智慧农业、基于移动端的植物病害诊断、无人机辅助作物监测、物联网（IoT）赋能农业和边缘农业系统中的应用。此外，本章讨论了重要挑战，如数据集有限且不平衡、环境变化、相似病害症状、模型泛化、计算需求，以及农业应用中可解释AI的需求。最后，讨论了新兴趋势和未来机遇，重点强调将AI与物联网、遥感、农业机器人和多模态农业数据相结合。本章为理解人工智能用于植物病害检测如何支持早期病害识别、减少作物损失、优化农业资源，并促进可持续和智能农业实践提供了基础。