Tiefe Sicht in der Landwirtschaft: Bewertung der Funktion von YOLO bei der Klassifizierung von Pflanzenblattkrankheiten (PLDs)

Pflanzenblattkrankheiten (PLDs) können weiterhin ein erhebliches Problem im Agrarsektor darstellen, was zu erheblichen Produktionsverlusten führt und die Ernährungssicherheit gefährdet. Eine frühzeitige Erkennung ist entscheidend, und jüngste Fortschritte im Bereich des Deep Learning (DL) haben automatisierte hochgenaue Lösungen möglich gemacht. Das beliebteste und am häufigsten verwendete Modell ist die You Only Look Once (YOLO)-Familie von Objekterkennungsmodellen, die vorgeschlagen wurden, um Pflanzenkrankheiten in Echtzeit zu erkennen. Diese Überprüfung präsentiert eine neue und umfassende Synthese von YOLO-basierten Methoden, einschließlich YOLOv1 bis YOLOv10 und den domänenspezifischen Varianten, einschließlich CTB-YOLO (Koriander), BED-YOLO (YOLOv10n) und RAG-augmentiertes YOLOv8 (Kaffee). Diese Arbeit vergleicht sich mit früheren Umfragen darin, dass (i) sie einen strukturierten Datensatzkatalog enthält, der Informationen zu Größe, Auflösung, Krankheitsklassen und Einschränkungen (wie Ungleichgewicht und Annotierungsprobleme) bereitstellt; (ii) sie eine vergleichende Benchmark-Analyse der Leistungskennzahlen (Genauigkeit, Präzision, Rückruf, F1-Score, mittlere Durchschnittsgenauigkeit und Bilder pro Sekunde) über die Versionen von YOLO bereitstellt, um Kompromisse zwischen Geschwindigkeit und Genauigkeit zu veranschaulichen; und (iii) sie eine zukunftsorientierte Diskussion darüber bietet, wie (ii) offene Herausforderungen und (iii) zukünftige Forschungsrichtungen, einschließlich leichtgewichtiger YOLO-Modelle, die auf mobilen Geräten betrieben werden sollen. Diese Überprüfung präsentiert ein summatives Referenzwerk und einen neuen Beitrag zum Fortschritt des YOLO-basierten PLD-Erkennungsansatzes für nachhaltige Landwirtschaft.