Растения играют важнейшую роль в обеспечении продовольствием по всему миру. Различные факторы окружающей среды приводят к возникновению заболеваний растений, которые приводят к значительным потерям урожая. Однако ручное выявление болезней растений — это трудоемкий и подверженный ошибкам процесс. Это может быть ненадежным методом обнаружения и предотвращения распространения болезней растений. Внедрение передовых технологий, таких как машинное обучение (МО) и глубокое обучение (ГО), может помочь преодолеть эти проблемы, обеспечивая раннее выявление болезней растений. В статье рассматриваются последние достижения в использовании методов машинного обучения и глубокого обучения для обнаружения болезней растений. Исследование было сосредоточено на публикациях с 2012 по 2023 год, а также на практиках, обсуждаемых в этом исследовании, которые демонстрируют эффективность использования этих методов для повышения точности и эффективности обнаружения болезней растений. В этом исследовании также рассматриваются проблемы и ограничения, связанные с использованием МО и DL для обнаружения заболеваний растений, такие как проблемы, связанные с доступностью данных, качеством изображений и дифференциацией здоровых и больных растений. В ходе исследования мы предоставим ценную информацию, которая предоставит исследователям, а также специалистам в области обнаружения болезней растений решения этих проблем и ограничений, даст всестороннее понимание текущего состояния исследований в этой области, выделит преимущества и ограничения этих методологий, а также предоставит потенциальные решения для преодоления трудностей, возникающих при их внедрении. Неправильные метки возникают из-за неточностей, допущенных в процессе ручного аннотирования изображений растений. Помогает предотвратить ошибки, возникающие при диагностике заболеваний растений. Сверточная нейронная сеть (CNN) используется для классификации изображений на основе набора данных о растительности.