تشخیص بیماریهای گیاهی با هوش مصنوعی: مروری تحلیلی بر دیتاست ها و معماری شبکه های یادگیری عمیق

تشخیص سریع و دقیق بیماری های گیاهان یکی از پیش نیازهای کشاورزی مدرن، کاهش مصرف سموم و کودها و افزایش پایداری تولید است. در دهه اخیر یادگیری عمیق به ویژه شبکه های عصبی پیچشی، ترنسفورمرهای بینایی و معماری های هیبریدی به ابزار اصلی تشخیص خودکار بیماری های گیاهی از روی تصویر برگ، ساقه یا میوه تبدیل شده اند. با وجود گزارش دقت های بسیار بالا روی دیتاست های کنترل شده انتقال این عملکرد به شرایط واقعی یک مزرعه همچنان با چالش هایی مانند تغییر نور پس زمینه، پیچیدگی نامتوازنی داده، شباهت علائم و کمبود برچسب های دقیق روبرو است. در این مقاله با رویکرد مروری و تحلیلی مطالعات شاخص سال های ۲۰۱۸ تا ۲۰۲۵ درباره تشخیص بیماری های گیاهی با یادگیری عمیق بررسی می شود. ابتدا دیتاست های عمومی پرکاربرد مانند PlantVillage، PlantDoc، Cassava، Plant Pathology، RoCoLe و PlantWild از نظر مقیاس، تنوع کلاس، نوع تصویر و قابلیت استفاده عملی مقایسه می شوند سپس معماری های CNN، Vision Transformer، مدل های هیبریدی CNN و شبکه های قطعه بندی مانند U-Net و DeepLab مرور می شوند. همچنین سنجه های ارزیابی، چالش های کلیدی و روندهای نوظهور شامل یادگیری خود نظارتی، انطباق دامنه، یادگیری فدرال، سامانه های سبک وزن و داده های چندوجهی تحلیل می گردد. نتیجه این مرور نشان می دهد مسیر آینده این حوزه در توسعه مدل های قابل استقرار، توضیح پذیر و مقاوم در برابر تغییر دامنه نهفته است.

کلیدواژه ها:

بیماری های گیاهی ، یادگیری عمیق ، شبکه عصبی پیچشی ، ترنسفورمر بینایی ، قطعه بندی تصویر ، نقش IT در کشاورزی