Süvaõppe arvutinägemise rakenduste roll taimehaiguste varajases avastamises

Taimehaigused ohustavad vaikselt ülemaailmset toiduga kindlustatust, hävitades igal aastal 10–161 TP3 tonni saaki ja tekitades põllumajandussektorile 1 TP4–220 miljardi suuruse kahju. Traditsioonilised meetodid, nagu käsitsi kontrollid ja laborikatsed, on aeglased, kallid ja sageli ebausaldusväärsed.

Murranguline 2025. aasta uuring, “Süvaõpe ja arvutinägemine taimehaiguste tuvastamisel” (Upadhyay jt) näitab, kuidas tehisintellektil põhinev taimehaiguste tuvastamine ja arvutinägemisega põllumajandus muudavad põllumajandust.

Miks on taimehaiguste varajane avastamine oluline ülemaailmse toiduga kindlustatuse jaoks

Põllumajandus annab tööd 281 300 000 töötajale kogu maailmas, kusjuures sellised riigid nagu India, Hiina ja USA on põllukultuuride tootmises esikohal. Sellest hoolimata vähendavad seente, bakterite ja viiruste põhjustatud taimehaigused saagikust ja kurnavad majandust.

Näiteks vähendab riisi närbumishaigus saaki kahjustatud piirkondades 30–50% võrra, samas kui tsitruseliste roheliseks muutumine on alates 2005. aastast hävitanud 70% Florida apelsinisaludes. Varajane avastamine on kriitilise tähtsusega, kuid paljudel põllumeestel puudub juurdepääs täiustatud tööriistadele või oskusteabele.

Siin tuleb mängu tehisintellektil põhinev haiguste tuvastamine, pakkudes kiireid, taskukohaseid ja täpseid lahendusi, mis ületavad traditsioonilisi meetodeid.

Kuidas tehisintellekt ja arvutinägemine tuvastavad põllukultuuride haigusi

Uuringus analüüsiti 278 uurimistööd, et selgitada, kuidas tehisintellektil põhinevad taimehaiguste tuvastamise süsteemid toimivad. Esiteks jäädvustavad kaamerad või andurid põllukultuuride pilte. Seejärel töödeldakse neid pilte algoritmide abil, et tuvastada haigusnähte.

Näiteks, RGB-kaamerad tehke värvifotosid, et märgata nähtavaid sümptomeid, näiteks lehelaike, samas kui hüperspektraalkaamerad tuvastavad peidetud stressisignaale, analüüsides sadu valguse lainepikkusi.

Kui pildid on jäädvustatud, läbivad need eeltöötluse kvaliteedi parandamiseks. Sellised meetodid nagu läviväärtuste määramine eraldavad haiged piirkonnad värvi järgi ja servade tuvastamine kaardistab kahjustuste või värvimuutuste piire.

Järgmisena analüüsivad süvaõppe mudelid eeltöödeldud andmeid. Konvolutsioonilised närvivõrgud (CNN-id), põllumajanduses kõige levinumad tehisintellekti tööriistad, skannivad pilte kiht kihi haaval, et tuvastada mustreid, näiteks ebatavalisi tekstuure või värve.

2022. aasta kohtuprotsessil, ResNet50— populaarne CNN-mudel — saavutas tomatihaiguste diagnoosimisel täpsuse 99,07%.

Samal ajal, Nägemistrafod (ViT-d) jagage pildid laikudeks ja uurige nende seoseid, jäljendades seda, kuidas inimesed konteksti analüüsivad. See lähenemisviis aitas 2020. aasta uuringus tuvastada viinapuu soonte puhastamise viirust täpsusega 71%.

“Põllumajanduse tulevik ei seisne inimeste asendamises, vaid nende varustamises intelligentsete tööriistadega.”

Täiustatud andurite roll tänapäevases põllumajanduses

Erinevad andurid pakuvad täppispõllumajanduses ainulaadseid eeliseid. RGB-kaamerad, kuigi taskukohased ja hõlpsasti kasutatavad, on piiratud spektraalse detaili tõttu varajases staadiumis haigustega raskustes. Seevastu, hüperspektraalsed kaamerad jäädvustada andmeid sadade valguse lainepikkuste ulatuses, paljastades palja silmaga nähtamatuid stressisignaale.

Näiteks kasutasid teadlased 2022. aastal õunapuu vähktõve diagnoosimiseks hüperspektraalset pildistamist täpsusega 98%. Need kaamerad maksavad aga ... $10,000–$50 000, mis teeb need väikepõllumeestele liiga kalliks.

Termokaamerad pakkuda teistsugust vaatenurka, mõõtes nakkuste põhjustatud temperatuurimuutusi. 2019. aasta uuring näitas, et tsitruseliste roheliseks muutunud lehtedel on erinevad kuumusmustrid, mis võimaldab haigust varakult tuvastada.

Samal ajal, multispektraalsed kaamerad– kesktee variant – jälgida klorofülli taset taimede tervise hindamiseks.

Need sensorid kaardistasid nisu triibulise rooste 2014. aastal, aidates põllumeestel tõrjet tõhusamalt suunata. Vaatamata nende eelistele on sensorite maksumus ja keskkonnategurid, nagu tuul või ebaühtlane valgustus, endiselt probleemiks.

Avalikud andmekogumid: tehisintellekti põllumajanduse selgroog

Usaldusväärsete tehisintellekti mudelite treenimiseks on vaja tohutul hulgal märgistatud andmeid. PlantVillage'i andmestik, tasuta ressurss, mis sisaldab 87 000 pilti 14 põllukultuurist ja 26 haigusest, on saanud teadlaste jaoks kuldstandardiks.

Üle 90% artiklis viidatud uuringu kasutas seda andmestikku oma mudelite treenimiseks ja testimiseks. Teine oluline ressurss, Maniokihaiguse andmestik, sisaldab 11 670 pilti manioki mosaiikhaigusest ja saavutas CNN-mudelite abil täpsuse 96%.

Siiski esineb lünki. Haruldastel haigustel, näiteks männi nematoodil, on vähem kui 100 märgistatud pilti, mis piirab tehisintellekti võimet neid tuvastada. Lisaks sisaldab enamik andmestikke laboris jäädvustatud pilte, mis ei arvesta reaalse maailma muutujatega, nagu ilm või valgustus.

Selle probleemi lahendamiseks koguvad sellised projektid nagu AI4Ag põllumeestelt üle kogu maailma põllupilte rahvahulga kaudu, eesmärgiga luua usaldusväärsemaid ja realistlikumaid andmekogumeid.

Tehisintellekti jõudluse mõõtmine: täpsus, korrektsus ja kaugemalgi

Teadlased kasutavad tehisintellekti taimehaiguste tuvastamise süsteemide hindamiseks mitmeid mõõdikuid. Täpsus–õigete diagnooside protsent – jääb vahemikku 76.9% varajastes mudelites kuni 99.97% täiustatud süsteemides nagu EfficientNet-B5.

Siiski võib ainuüksi täpsus olla eksitav. Täpsus mõõdab, kui palju märgistatud haigusi on reaalsed (vältides valehäireid), samas kui tagasikutsumine jälgib, kui palju tegelikke nakkusi avastatakse.

Näiteks, Mask R-CNN, objektide tuvastamise mudel, saavutas maasika antraknoosi määrimisel 93,5% täpsuse, kuid puuvilla juuremädaniku tuvastamisel ainult 45% täpsuse.

See F1-skoor tasakaalustab täpsust ja meeldejäävust, pakkudes terviklikku tulemuslikkusvaadet. 2023. aasta uuringus, PlantViT—hübriidne tehisintellekti mudel — sai PlantVillage'i andmestikus tulemuseks 98,61% F1-skoori.

Objektide tuvastamiseks, keskmine keskmine täpsus (mAP) on kriitiline. Kiirem R-CNN, mis on populaarne mudel, saavutas õunapuude haiguste uuringutes 73,07% mAP, mis tähendab, et see lokaliseeris ja klassifitseeris nakkused enamikul juhtudel õigesti.

Põllumajanduses tehisintellekti takistavad väljakutsed

Vaatamata oma potentsiaalile seisab tehisintellektil põhinev haiguste tuvastamine silmitsi takistustega. Esiteks vaevab haruldasi või uusi haigusi andmete nappus.

• Näiteks oli 2021. aasta uuringu jaoks saadaval ainult 20 kurgi jahukaste pilti, mis piiras mudeli usaldusväärsust.
• Teiseks vähendavad keskkonnategurid, nagu tuul, varjud või varieeruvad valgustingimused, välimõõtmiste täpsust 20–30% võrra võrreldes laboritingimustega.
• Kolmandaks takistavad kõrged kulud kasutuselevõttu. Hüperspektraalkaamerad on küll võimsad, kuid väikepõllumeestele endiselt kättesaamatud ning tehisintellekti tööriistad vajavad nutitelefone või internetiühendust – see on maapiirkondades endiselt takistuseks.
• Lõpuks püsivad usaldusprobleemid. 2023. aasta uuring näitas, et 681% põllumeestest kõhklevad tehisintellekti kasutuselevõtul selle “musta kasti” olemuse tõttu – nad ei näe, kuidas otsuseid tehakse.

Selle ületamiseks töötavad teadlased välja tõlgendatavat tehisintellekti, mis selgitab diagnoose lihtsate sõnadega, näiteks nakatunud lehtede piirkondade esiletõstmise või sümptomite loetlemisega.

Põllumajanduse tulevik: 5 innovatsiooni, mida jälgida

1. Reaalajas analüüsi servaarvutusKerged tehisintellekti mudelid, näiteks MobileNetV2 (suurusega 7 MB), töötavad nutitelefonidel või droonidel, pakkudes haiguste reaalajas tuvastamist ilma internetiühenduseta. 2023. aastal saavutas see mudel kartulihaiguste klassifitseerimise täpsuse 99,42%, andes põllumeestele võimaluse teha koheseid otsuseid.

2. Õppimise ülekandmine kiiremaks kohanemiseksEelnevalt treenitud mudeleid, nagu PlantViT, saab uute põllukultuuride jaoks minimaalsete andmetega peenhäälestada. 2023. aasta uuringus kohandati PlantViT riisi närbumistõve tuvastamiseks, saavutades vaid 1000 pildi abil täpsuse 87,87%.

3. Nägemis-keele mudelid (VLM-id)Süsteemid nagu OpenAI CLIP võimaldavad põllumeestel tehisintellektilt päringuid teksti abil esitada (nt “Leia lehtedelt pruune laike”). See loomulik interaktsioon ühendab keeruka tehnoloogia ja igapäevase põllumajanduse.

4. Üldotstarbelise tehisintellekti alusmudelidSuured mudelid, näiteks GPT-4, võiksid simuleerida haiguste levikut või soovitada ravimeetodeid, toimides virtuaalsete agronoomidena.

5. Koostöös loodud globaalsed andmebaasidAvatud lähtekoodiga platvormid nagu PlantVillage ja AI4Ag koondavad andmeid põllumeestelt ja teadlastelt kogu maailmast, kiirendades innovatsiooni.

Juhtumiuuring: tehisintellektil põhinev mangokasvatus Indias

2024. aastal töötasid teadlased välja kerge DenseNeti mudeli, et võidelda mangohaiguste, näiteks antraknoosi ja jahukaste vastu. 12 332 välipildi põhjal treenitud mudel saavutas täpsuse 99,2% – see on kõrgem kui enamikul laboripõhistel süsteemidel.

Kuna 50%-l on vähem parameetreid, töötab see sujuvalt ka eelarvesõbralikes nutitelefonides. India põllumehed kasutavad nüüd sellel tehisintellektil põhinevat $10 rakendust lehtede skannimiseks ja kohese diagnoosi saamiseks, vähendades pestitsiidide kasutamist 30% abil ja säästes saaki.

Kokkuvõte

Tehisintellektil põhinev taimehaiguste avastamine ja täppispõllumajanduse tehnoloogia kujundavad põllumajandust ümber, pakkudes lootust toiduga kindlustamatuse vastu võitlemiseks. Varajase diagnoosimise võimaldamise, kemikaalide kasutamise vähendamise ja väikepõllumeeste mõjuvõimu suurendamise abil võiksid need vahendid suurendada ülemaailmset saagikust 20–301 TP3T võrra.

Selle potentsiaali realiseerimiseks peavad sidusrühmad tegelema andurite kuludega, parandama andmete mitmekesisust ja suurendama põllumajandustootjate usaldust hariduse kaudu.

ViideUpadhyay, A., Chandel, NS, Singh, KP jt. Süvaõpe ja arvutinägemine taimehaiguste avastamisel: põhjalik ülevaade täppispõllumajanduse tehnikatest, mudelitest ja suundumustest. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x