SAGE：面向作物病害诊断的可扩展智能体接地评估
多智能体系统
2026-05-12 v1
摘要
植物病害诊断对粮食安全至关重要，然而训练能够跨作物、病原体和田间条件泛化的病害识别模型仍具挑战性，因为与其他生物胁迫（如昆虫或杂草）的数据相比，带标注的病害图像远不够丰富且缺乏标准化。前沿视觉语言模型通过改进的视觉推理提供了新机遇，但由于缺乏结构化的、特定于作物的症状知识，它们在细粒度病害识别上仍存在困难。为填补这一空白，我们整理了迄今为止最大的植物病害图像-症状数据集，涵盖 335 种作物、1,251 个病害类别和约 839K 张图像，旨在支持无训练的智能体病害预测。一个可扩展的自动化流水线生成具有来源依据的症状描述，其中每项陈述均链接至逐字的网络引文；领域专家对抽样作物进行验证，并调和不同来源间的病害名称变体。作为基线，我们引入了一个自主视觉推理智能体，它能够识别解剖学上下文，利用症状知识缩小候选病害范围，顺序比较参考图像，并产生完全可解释的推理轨迹。在完整参考预算下，结合症状知识使准确率平均提高了 16.2 个百分点，在所有四个评估作物上均取得一致提升。由于该框架仅需特定于作物的参考图像和症状知识，因此无需重新训练即可扩展至新作物，同时智能体基线可直接受益于未来基础模型能力的提升。数据集和代码可在以下地址获取：https://sage-dataset.github.io/。
引用
@article{arxiv.2605.09768,
title = {SAGE: Scalable Agentic Grounded Evaluation for Crop Disease Diagnosis},
author = {Muhammad Arbab Arshad and Tirtho Roy and Yanben Shen and Dinakaran Elango and Shivani Chiranjeevi and Asheesh K. Singh and Baskar Ganapathysubramanian and Chinmay Hegde and Arti Singh and Soumik Sarkar},
journal= {arXiv preprint arXiv:2605.09768},
year = {2026}
}