基于深度学习的植物病害诊断存在多种影响因素，全面地考虑这些因素有助于建立一个准确且稳健的植物病害管理系统。在过去十年里，深度学习被广泛地应用在精细农业的方方面面。然而，尽管相关研究的应用场景较广，但是仍旧与实际的植物病害管理存在一定的距离。因此，本研究以现有基于深度学习的植物病害诊断研究的分析为基础，建立了相关应用知识库，分析并明确了当前领域发展的挑战与机遇以便促进满足农民实际需求的有效工具的开发。

　　该研究全面概述了与深度学习应用相关的70项研究以及与它们在农业疾病诊断和管理中的应用趋势。相关论文主要来源于4个研究搜索引擎，包括Scopus、IEEE Xplore、Science Direct和Google Scholar。11个索引关键词主要包含了植物病害、精准农业、无人机系统、图像数据集、图像处理、机器学习、深度学习、迁移学习、图像分类、目标检测和语义分割。研究在七个不同的方面展开了综述，为开发基于深度学习的植物病害诊断工具提供了详细依据。

　　在数据集方面，PlantVillage数据集是用于基于深度学习的植物病害诊断研究的最常用公共数据集。当然依旧有大部分研究采用非公共的定制数据集。在植物病害图像采集传感器和数据采集平台方面，RGB传感器、多光谱和高光谱传感器以及荧光和热红外传感器均能捕捉植物病害特征。数据采集平台主要包括网络公开资源、手持数据采集平台以及无人机数据采集平台等。在具体的深度学习算法方面，针对图像分类、目标识别和图像分割分别存在各具特色的算法，比如DenseNet、YOLO和Mask R-CNN。在研究方法的泛化能力方面，深度学习模型通常能够很好地归纳同一数据集的数据，但面对数据特征差异较大的情况时，模型预测能力存在下降。在植物病害严重程度估计方面，该综述发现多数研究均采用自定义的估计方法，亟需一种标准化的病害严重程度评定方法以增加研究方法的通用性。在深度学习与人类的比较方面，研究指出深度学习算法虽然在某些植物病害诊断上超越人类，但较差的泛化能力是深度学习的主要缺陷。在具体研究的展望方面，本综述认为开发适用于多种环境和病害的深度学习植物病害诊断方法是主要趋势。该研究为如何实现有效的植物病害诊断以及开发端到端的植物病害自动化管理系统提供了全面依据。

　　图1植物病害诊断研究时间线

　　图2 采用公开和非公开的数据集的研究数量

　　来源：Ahmad A, Saraswat D, El Gamal A. A Survey on Using Deep Learning Techniques for Plant Disease Diagnosis and Recommendations for Development of Appropriate Tools[J]. Smart Agricultural Technology, 2022: 100083.

　　编辑：张金诺