[论文解读] A comprehensive review on Plant Leaf Disease detection using Deep learning

Sumaya Mustofa, Md Mehedi Hasan Munna+3 more|arXiv (Cornell University)|Aug 27, 2023

Smart Agriculture and AI被引用 15

一句话总结

本文对植物叶部疾病检测中的深度学习模型进行了系统性综述，比较了如 ViT、DCNN/CNN、RSNSR-LDD、DDN 和 YOLO 等架构，在公共数据集上使用常见指标进行评估。

ABSTRACT

Leaf disease is a common fatal disease for plants. Early diagnosis and detection is necessary in order to improve the prognosis of leaf diseases affecting plant. For predicting leaf disease, several automated systems have already been developed using different plant pathology imaging modalities. This paper provides a systematic review of the literature on leaf disease-based models for the diagnosis of various plant leaf diseases via deep learning. The advantages and limitations of different deep learning models including Vision Transformer (ViT), Deep convolutional neural network (DCNN), Convolutional neural network (CNN), Residual Skip Network-based Super-Resolution for Leaf Disease Detection (RSNSR-LDD), Disease Detection Network (DDN), and YOLO (You only look once) are described in this review. The review also shows that the studies related to leaf disease detection applied different deep learning models to a number of publicly available datasets. For comparing the performance of the models, different metrics such as accuracy, precision, recall, etc. were used in the existing studies.

研究动机与目标

• 调查用于植物叶部疾病检测的深度学习模型现状。
• 总结不同架构在叶部疾病任务中的优点与局限。
• 讨论叶部疾病研究中使用的数据集与评估指标。
• 突出该领域的空白与未来发展方向。

提出的方法

• 使用深度学习的叶部疾病检测研究的系统性文献综述。
• 分析的分类与目标检测体系结构（ViT、CNN、RSNSR-LDD、DDN、YOLO）。
• 基于在公共数据集上报告的指标（如准确率、精确度和召回率）进行比较。

实验结果

研究问题

• RQ1 哪些深度学习架构已被应用于植物叶部疾病检测？
• RQ2 这些研究中报道的性能指标和所使用的数据集是什么？
• RQ3 每种模型类型在叶部疾病任务中的主要优点与局限性是什么？
• RQ4 当前叶部疾病检测研究存在哪些空白，并如何解决？

主要发现

• 多种深度学习模型已被应用于叶部疾病检测，包括 ViT、CNN 基于网络、RSNSR-LDD、DDN 和 YOLO。
• 研究报告在不同的公共数据集上使用常见指标（如准确率、精确度和召回率）来评估性能。
• 综述在叶部疾病检测的背景下讨论了各模型类别的优点和局限性。
• 数据集和评估协议的变异性表明需要标准化基准。