Недавние успехи в области глубокого обучения позволили значительно улучшить методы распознавания заболеваний растений на основе изображений. Однако многие из таких систем всё ещё разрабатываются и тестируются в лабораторных условиях, что затрудняет их прямое применение в настоящем сельском хозяйстве. В этом обзоре рассматривается 43 научных работ, опубликованных в 2020–2025 гг., в которых применяются методы DL для распознавания заболеваний растений. В отличие от обобщённых обзоров, где статьи делят по задачам (например, классификация или сегментация), здесь применяется подход, ориентированный на конкретные архитектуры. Рассматриваются такие методы, как YOLO, Faster R-CNN, UNet, гибриды CNN+ViT и лёгкие модели MobileNet и EfficientNet. Каждая из них оценивается с точки зрения структуры, скорости, точности и поведения в условиях, приближенных к полевым. Одна из целей работы — выделить те модели, которые не только точны, но и практичны: работают в реальном времени, на ограниченных устройствах и с изображениями из поля. Это делает обзор полезным для исследователей и инженеров, создающих аграрные ИИ-системы