Precision agriculture in the age of AI: A systematic review of machine learning methods for crop disease detection
Notice bibliographique
Résumé
Artificial Intelligence (AI) has become a critical tool in modern precision agriculture, particularly in the detection of plant diseases and pests. This study provides a comprehensive review of current AI methodologies applied to crop disease detection, with a focus on machine learning models, dataset availability, and performance metrics. Our findings indicate that Convolutional Neural Networks (CNNs) are the most widely used and cost-effective approach, while Vision Transformers (ViTs) exhibit superior accuracy but require significantly higher computational resources. We identify key research gaps, including the geographic bias in dataset origins, the trade-off between data quality and quantity, and the limited exploration of hybrid AI models. Additionally, challenges related to the scalability and real-time applicability of AI solutions in resource-constrained agricultural environments highlight the need for more efficient computational techniques. Cost-effectiveness remains a concern, as high-performance models often demand expensive infrastructure and expertise, limiting their adoption by smallholder farmers. Furthermore, cybersecurity risks in digital agriculture and disparities in research focus across different crops and disease types underscore the necessity for broader investigations. Unlike prior reviews, this study uniquely integrates methodological performance, dataset characteristics, and cybersecurity perspectives, offering a holistic synthesis that highlights not only technical advances but also practical barriers to large-scale adoption. Future work should prioritize model robustness, efficiency, and accessibility.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».