Computer vision and edge AI for crop health monitoring: a critical review of field validation and deployment evidence

方法

定向检索并提取10篇文献，比较任务、数据集与验证设置的异质性。

发现

受控到田间的性能损失显著，模拟资源估计与实测设备推理存在差距。

机会点

亟需建立田间部署就绪与感知可负担性的证据标准，并验证多模态与不确定性估计在分布偏移下的表现。

摘要 计算机视觉的应用包括植物病害诊断、病虫害与杂草检测以及非生物胁迫评估。尽管基准测试中的高性能并不必然转化为可靠的田间表现，本批判性综述仍围绕任务构建、验证、设备级实现、鲁棒性和干预效果五个问题评估相关证据。通过定向检索更新了现有知识基础，并依据提取方案对10篇选定论文进行了综述。由于任务、数据集和验证设置的异质性，结果以描述和比较的方式呈现。经审核的证据表明，从受控条件到田间的性能损失可能相当显著，基于智能手机的诊断对图像采集条件具有敏感性，且模拟资源估计与实测设备推理之间存在区别。多模态增益、不确定性估计和视觉解释需要在缺失数据、分布偏移和农艺使用的条件下进行单独验证。我们提出了关于感知可负担性和部署就绪性的明确证据要求，并将这些建议与已验证的研究发现加以区分。在所审核的示例中，经济效益和长期干预结果仍缺乏充分确立。本综述支持经过本地验证的诊断辅助工具和受监督的操作原型，同时明确了更广泛部署主张所需的证据。其定向选择并不构成详尽的系统综述或完整的PRISMA合规数据库检索。