Abstract
Терең оқыту саласындағы соңғы жетістіктер кескіндер негізінде өсімдік ауруларын тану әдістерін айтарлықтай жетілдіруге мүмкіндік берді. Алайда мұндай жүйелердің көпшілігі әлі де зертханалық жағдайда жасалып, сыналуда, бұл оларды нақты ауыл шаруашылығында тікелей қолдануды қиындатады. Бұл шолуда 2020–2025 жылдары жарияланған 43 ғылыми жұмыс қарастырылып, онда өсімдік ауруларын тануға арналған DL әдістері қолданылған. Жалпылама шолулардан айырмашылығы, мұнда мақалалар міндеттерге (мысалы, классификация немесе сегментация) емес, нақты архитектураларға бағытталған тәсілмен талданады. YOLO, Faster R-CNN, UNet, CNN+ViT гибридтері, сондай-ақ жеңіл MobileNet және EfficientNet модельдері қарастырылады. Әрқайсысы құрылым, жылдамдық, дәлдік және далалық жағдайға жақын ортадағы жұмыс істеу қабілеті тұрғысынан бағаланды. Жұмыстың басты мақсаттарының бірі – тек дәлдігі жоғары ғана емес, сонымен қатар практикалық тұрғыдан қолайлы модельдерді айқындау: нақты уақыт режимінде, ресурстары шектеулі құрылғыларда және далада түсірілген кескіндермен жұмыс істей алу. Бұл шолу аграрлық жасанды интеллект жүйелерін әзірлейтін зерттеушілер мен инженерлер үшін пайдалы болып табылады.