Bayesian neural network for plant disease detection: A role of prior knowledge in data-scarce agricultural systems

方法

综述贝叶斯神经网络在植物病害检测中的先验知识类型与应用。

发现

贝叶斯神经网络在低数据场景下优于确定性模型，并提供校准的不确定性估计。

机会点

可探索面向小农户边缘设备的轻量化贝叶斯模型与病理先验自动构建方法。

植物病害是全球粮食安全的主要威胁，每年造成约2200亿美元的经济损失。尽管深度学习模型在基于图像的病害检测方面表现出色，但其对大量带标签图像的需求以及定量预测不确定性的要求，在现实农业应用中可能存在问题。贝叶斯神经网络（Bayesian neural networks, BNNs）通过在概率学习框架中融入植物病理学、症状形态学和环境因素的先验知识，克服了这些局限。该方法不仅提高了预测精度，还能在每次预测的同时给出经过校准的不确定性估计。本综述综合了近年来关于BNNs的研究，重点关注面向植物病害检测的领域知识先验、数据驱动先验和函数先验。所综述研究获得的证据表明，BNNs始终优于确定性模型，尤其是在低数据条件下，而这正是小农农业可能面临的情形——其环境异质性强、标注资源有限。本综述还强调了计算复杂性、先验选择和边缘部署方面的挑战，同时展望了构建稳健农业人工智能（AI）系统的未来研究方向。