Өсімдіктер бүкіл әлемде азық-түлікпен қамтамасыз етуде шешуші рөл атқарады. Қоршаған ортаның әртүрлі факторлары өсімдік ауруларына әкеліп соқтырады, соның салдарынан өнім айтарлықтай шығынға ұшырайды. Алайда өсімдік ауруларын қолмен анықтау уақытты қажет ететін және қателіктерге бейім процесс болып табылады. Бұл өсімдік ауруларының таралуын анықтаудың және алдын алудың сенімсіз әдісі болуы мүмкін. Машиналық оқыту (ML) және терең оқыту (DL) сияқты озық технологияларды қабылдау өсімдіктер ауруларын ерте анықтауға мүмкіндік беру арқылы осы мәселелерді еңсеруге көмектеседі. Бұл мақалада өсімдік ауруларын анықтау үшін машиналық оқыту мен терең оқыту әдістерін қолданудың соңғы жетістіктері зерттелген. Зерттеу барысында 2012-2023 жылдар аралығындағы басылымдарға баса назар аударылған және осы зерттеуде талқыланған тәжірибелер өсімдіктер ауруларын анықтаудың дәлдігі мен тиімділігін арттыру үшін осы әдістерді қолданудың тиімділігін көрсетеді. Бұл зерттеу сондай-ақ деректердің қолжетімділігіне, бейне сапасына, сондай-ақ дені сау және ауру өсімдіктер арасындағы дифференциацияға қатысты мәселелер сияқты өсімдіктер ауруларын анықтау үшін ML және DL пайдаланумен байланысты мәселелер мен шектеулерді шешеді. Зерттеу барысында зерттеушілерге, сондай-ақ өсімдіктер ауруларын анықтау саласының мамандарына осы мәселелер мен шектеулердің шешімін ұсына отырып, осы саладағы зерттеулердің қазіргі жай-күйін жан-жақты түсінуді, осы әдістемелердің артықшылықтары мен шектеулерін бөліп көрсетуді, сондай-ақ оларды іске асыру кезінде кездесетін міндеттерді еңсерудің әлеуетті шешімдерін ұсынатын құнды ақпараттар ұсынатын боламыз. Қате белгілер өсімдіктердің кескіндерін қолмен аннотациялау процесінде жасаған дәлсіздіктер нәтижесінде пайда болады. Өсімдік ауруын анықтау кезінде пайда болатын қателіктердің алдын алуға көмектеседі. Орамалы нейронды желі (CNN) өсімдіктердің деректері жинағында кескіндерді классификациялауды орындау үшін қолданылады.