有效的作物管理和处理依赖于对植物胁迫的早期检测。成像传感器为检测大型农田中的应力提供了一种非破坏性且常用的方法。利用机器学习和图像处理，已经开发了几种自动的植物应力检测方法。这项技术可以分析大量的植物图像，甚至可以识别出表明压力的最细微的光谱和形态特征。这有助于将植物分类为有压力的或没有压力的，对农民和农业管理者有重大影响。深度学习在视觉任务中显示出巨大的潜力，使其成为植物胁迫检测的理想候选者。这篇综合综述文章探讨了深度学习在使用各种成像技术检测生物和非生物植物胁迫中的应用。对Scopus数据库进行了系统的文献计量学审查，使用关键词入围并确定文献中的重要贡献。该综述还介绍了用于植物胁迫检测研究的公共和私人数据集的细节。从这项研究中获得的见解将大大有助于在植物胁迫研究中开发更深入的深度学习应用，从而建立更可持续的作物生产系统。此外，这项研究将帮助研究人员和植物学家开发能够抵御各种压力的植物类型。

图1  关键词分析可视化。

图2  使用深度学习的植物胁迫论文。

图3  利用深度学习进行植物胁迫检测。

图4  植物胁迫类型和子类型。

图5  数据集中的植物胁迫图像样本。