农业在许多方面对社会至关重要，它提供了粮食安全、就业机会、经济稳定，并有助于可持续发展和全球福祉。根据“2030年可持续发展议程”，一些可持续发展目标（SDGs）与农业和粮食安全直接相关。SDG-2（零饥饿）、SDG-3（良好健康与福祉）、SDG-8（体面工作与经济增长）、SDG-12（负责任的消费和生产）和SDG-15（陆地生命）这些可持续发展目标共同关注农业的各个方面及其需求[1]。全球人口的不断增长导致对农业生产的需求不断增加。预计到2050年，全球人口将达到约100亿，而2023年时仅为76亿。因此，粮食产量需要增加60%才能满足未来的需求[2],[3]。
将机器学习（ML）/深度学习（DL）与基于物联网（IoT）的植物疾病检测相结合的最大挑战之一是减少农药的过度使用。这是一个重大的环境和公共卫生问题。传统农业往往由于缺乏精确和及时的疾病监测，会在整个田地喷洒农药，从而造成土壤退化和水污染。相比之下，基于AI的监测系统可以让农民及早发现疾病或感染，并治疗受影响的区域，这不仅降低了成本，还提高了食品安全。
2022财年，农业及相关行业为印度GDP贡献了近19%[4]，中国为7.3%[5]，美国为5.5%。因此，农业在一个国家的经济发展中起着重要作用。根据联合国粮食及农业组织（FAO）2022年发布的统计分析，过去二十年里：(i) 全球农业价值增长了78%；(ii) 农业对世界国内生产总值（GDP）的贡献稳定在4%；(iii) 农药使用量增加了30%（达到270万吨）；(iv) 只有1.6%的农业用地采用有机方法进行耕作[6]。
图像处理、计算机视觉、物联网（IoT）、机器学习和深度学习是因具有高计算能力、低设备成本以及能够进行非破坏性评估而广泛应用于各个领域的技术[7],[8]。近年来，计算机视觉和机器学习算法在农业领域取得了显著进展[9]。机器人技术和无人驾驶飞机的使用提高了农业生产力和效率[10]。基于图像处理和人工智能的模型可用于识别和分类植物疾病，这引起了研究人员的极大兴趣。植物疾病的症状主要出现在叶子上，并通过果实或花朵上的病斑表现出来[11]。因此，本研究的主要焦点是识别和分类叶子上的植物疾病，因为叶子是植物可见的部分，能够直接反映植物的生长和健康状况。
植物疾病分为两类：
生物性疾病——由真菌、细菌和病毒等生物引起的疾病。叶枯病、疮痂病、叶锈病、溃疡病、萎蔫病、叶腐病、霉菌病、炭疽病、褐斑病、叶霉病、卷叶病和矮化病是常见的生物性疾病，会影响植物的生长和产量[12]。症状包括叶片变色、叶片萎蔫、可见的斑点和霉菌。
非生物性疾病——由高温、土壤pH值失衡、水分不足等环境变化引起的疾病[13],[14]。风、水、受污染的土壤和不断变化的环境条件是疾病传播的主要原因。图1展示了各种生物和非生物胁迫导致植物疾病的原因、症状、传播方式及其影响因素。表1列出了常见植物疾病及其对应的作物名称、症状、致病因子以及疾病发生的适宜条件。此外，新的植物疾病正在特定时间内迅速出现。这些新出现的植物疾病对粮食安全和人类健康造成严重影响，并带来严重的经济后果。爱尔兰大饥荒、孟加拉大饥荒、锡兰咖啡锈病和南方玉米叶枯病是一些由植物疾病引起的著名疫情例子[3],[15]。
大多数现有的综述文章仅关注疾病检测和分类，这不足以预防叶部疾病和减少农药使用。此外，许多综述工作仅强调了通过互联网连接的农民网络的重要性。因此，由于以农民为中心的系统的局限性，农民无法获得针对叶部疾病的治疗建议。然而，我们的工作重点是通过物联网设备、智能手机、无人机和边缘/云服务器将现场多模型数据与计算平台集成。
现有的综述文章主要局限于特定领域的应用，要么专注于机器学习，要么专注于深度学习，而没有考虑到物联网在感知和数据收集中的作用。许多基于卫星图像处理的作物监测系统无法及早检测植物疾病，也不具有成本效益。我们的综述强调了传感器驱动数据在实时获取可扩展和早期疾病诊断方面的价值，重点关注物联网与深度学习/机器学习算法的集成。文章讨论了在实时叶部疾病检测中实现端到端集成系统的重大困难，包括安全性和隐私问题、资源限制、数据规模和质量、连接性、设备灵活性、兼容性、可扩展性和功耗等问题。
本文的其余部分安排如下：第2节介绍了本调查分析的材料和方法；第3节介绍了人工智能和基本的机器学习算法；第4节展示了用于识别植物叶部疾病的ML/DL算法及其性能指标；第5节介绍了基于AI的物联网及其最新进展；第6节讨论了ML/DL和物联网在农业中的挑战和未来发展方向。最后是结论部分。
