综述：革新小麦植物病害检测技术：成像、人工智能及创新方法的综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Revolutionizing Wheat Plant Disease Detection: A Review of Imaging, AI, and Innovations

AI技术推动小麦病害自动化识别，涵盖图像预处理、分割（Mask R-CNN、U-Net、DeepLab V3+）及分类（CNN、混合模型），集成移动/IoT实现实时监测。现存数据不足、泛化难等问题，未来聚焦联邦学习、多模态融合及可扩展方案，以增强粮食安全。

　　

摘要

小麦植物病害持续对全球粮食安全构成严重威胁，导致每年巨大的产量损失和经济损失。人工智能（AI）、机器学习（ML）和深度学习（DL）的最新进展通过实现快速、准确且可扩展的诊断方案，彻底改变了传统的病害识别方法。借助先进的成像技术、光谱分析和计算智能，基于AI的方法能够提高病害的早期检测能力，减少对劳动密集型人工检测的依赖，并支持及时干预以尽量减少作物损害。本综述全面介绍了用于自动化小麦病害识别的前沿图像处理流程，包括预处理、分割和分类技术。特别强调了诸如Mask R-CNN、U-Net和DeepLab V3+等最先进的分割框架，以及基于CNN和混合深度学习架构的高性能分类器。此外，还强调了这些模型与移动设备、边缘计算设备和物联网（IoT）系统的日益融合，以实现实时田间应用。尽管技术进步迅速，但仍存在一些挑战，如数据集多样性不足、模型在异质环境条件下的泛化能力有限，以及大规模田间应用的限制。该调查总结了当前的技术进展，指出了存在的瓶颈，并探讨了未来的研究方向，如联邦学习、多模态数据融合、鲁棒的实时推理和可扩展的智能农业解决方案。这些发现旨在帮助研究人员和实践者推进小麦病害检测技术的发展，从而加强可持续的小麦生产，确保全球粮食安全。