Uloga aplikacija računalnog vida dubokog učenja u ranom otkrivanju biljnih bolesti

Biljne bolesti tiho ugrožavaju globalnu sigurnost hrane, uništavajući 10–161 TP3T usjeva godišnje i koštajući poljoprivrednu industriju 1 TP4 220 milijardi gubitaka. Tradicionalne metode poput ručnih pregleda i laboratorijskih testova su spore, skupe i često nepouzdane.

Revolucionarna studija iz 2025. godine, “Duboko učenje i računalni vid u otkrivanju biljnih bolesti” (Upadhyay i sur.) otkriva kako otkrivanje biljnih bolesti pomoću umjetne inteligencije i računalni vid u poljoprivredi transformiraju poljoprivredu.

Zašto je rano otkrivanje biljnih bolesti važno za globalnu sigurnost hrane

Poljoprivreda zapošljava 28% globalne radne snage, a zemlje poput Indije, Kine i SAD-a vode u proizvodnji usjeva. Unatoč tome, biljne bolesti uzrokovane gljivicama, bakterijama i virusima smanjuju prinose i opterećuju gospodarstva.

Na primjer, bolest rižine pegavosti smanjuje urod za 30–50% u pogođenim regijama, dok je ozelenjavanje agruma uništilo 70% nasada naranči na Floridi od 2005. Rano otkrivanje je ključno, ali mnogi poljoprivrednici nemaju pristup naprednim alatima ili stručnosti.

Tu nastupa otkrivanje bolesti temeljeno na umjetnoj inteligenciji, nudeći brza, pristupačna i precizna rješenja koja nadmašuju tradicionalne metode.

Kako umjetna inteligencija i računalni vid otkrivaju bolesti usjeva

Studija je analizirala 278 istraživačkih radova kako bi objasnila kako funkcioniraju sustavi za otkrivanje biljnih bolesti pomoću umjetne inteligencije. Prvo, kamere ili senzori snimaju slike usjeva. Te se slike zatim obrađuju pomoću algoritama za identifikaciju znakova bolesti.

Na primjer, RGB kamere snimaju fotografije u boji kako bi uočili vidljive simptome poput pjega na lišću, dok hiperspektralne kamere otkrivaju skrivene signale stresa analizirajući stotine svjetlosnih valnih duljina.

Nakon što se slike snime, one prolaze predobradu radi poboljšanja kvalitete. Tehnike poput određivanja praga izoliraju oboljela područja bojom, a detekcija rubova mapira granice lezija ili promjene boje.

Zatim, modeli dubokog učenja analiziraju prethodno obrađene podatke. Konvolucijske neuronske mreže (CNN), najčešći alati umjetne inteligencije u poljoprivredi, skeniraju slike sloj po sloj kako bi identificirali uzorke poput neobičnih tekstura ili boja.

U suđenju iz 2022. godine, ResNet50—popularni CNN model — postigao je točnost od 99.07% u dijagnosticiranju bolesti rajčice.

U međuvremenu, Vision Transformers (ViT) podijeliti slike na dijelove i proučavati njihove odnose, oponašajući način na koji ljudi analiziraju kontekst. Ovaj pristup pomogao je u otkrivanju virusa čišćenja vena vinove loze s točnošću 71% u studiji iz 2020. godine.

“Budućnost poljoprivrede ne leži u zamjeni ljudi, već u opremanju inteligentnim alatima.”

Uloga naprednih senzora u modernoj poljoprivredi

Različiti senzori nude jedinstvene prednosti za preciznu poljoprivredu. RGB kamere, iako pristupačni i jednostavni za korištenje, imaju poteškoća s bolestima u ranoj fazi zbog ograničenih spektralnih detalja. Nasuprot tome, hiperspektralne kamere prikupljaju podatke kroz stotine svjetlosnih valnih duljina, otkrivajući signale stresa nevidljive golim okom.

Na primjer, istraživači su 2022. godine koristili hiperspektralno snimanje za dijagnosticiranje raka jabukove valse s točnošću od 98%. Međutim, ove kamere koštaju $10,000–$50.000, što ih čini preskupima za male poljoprivrednike.

Termalne kamere pružaju drugu perspektivu mjerenjem promjena temperature uzrokovanih infekcijama. Studija iz 2019. godine otkrila je da listovi zaraženi citrusnim zelenilom pokazuju različite obrasce topline, što omogućuje rano otkrivanje.

U međuvremenu, multispektralne kamere—srednja opcija — praćenje razine klorofila za procjenu zdravlja biljaka.

Ovi su senzori 2014. mapirali prugastu hrđu pšenice, pomažući poljoprivrednicima da učinkovitije ciljano tretiraju. Unatoč njihovim prednostima, troškovi senzora i čimbenici okoliša poput vjetra ili neujednačene rasvjete ostaju izazovi.

Javni skupovi podataka: Okosnica umjetne inteligencije u poljoprivredi

Treniranje pouzdanih AI modela zahtijeva ogromne količine označenih podataka. Skup podataka PlantVillagea, besplatni resurs s 87 000 slika 14 usjeva i 26 bolesti, postao je zlatni standard za istraživače.

Preko 90% studija citiranih u radu koristilo je ovaj skup podataka za obuku i testiranje svojih modela. Drugi ključni resurs, Skup podataka o bolesti manioke, uključuje 11.670 slika mozaične bolesti manioke i postigao je točnost od 96% s CNN modelima.

Međutim, praznine i dalje postoje. Rijetke bolesti poput borove nematode imaju manje od 100 označenih slika, što ograničava sposobnost umjetne inteligencije da ih otkrije. Osim toga, većina skupova podataka sadrži slike snimljene u laboratoriju, koje ne uzimaju u obzir varijable iz stvarnog svijeta poput vremena ili osvjetljenja.

Kako bi se riješio ovaj problem, projekti poput AI4Ag prikupljaju slike s polja od poljoprivrednika diljem svijeta, s ciljem izgradnje robusnijih i realističnijih skupova podataka.

Mjerenje performansi umjetne inteligencije: točnost, preciznost i više od toga

Istraživači koriste nekoliko metrika za procjenu sustava za otkrivanje biljnih bolesti pomoću umjetne inteligencije. Točnost—postotak točnih dijagnoza — kreće se od 76.9% u ranijim modelima na 99.97% u naprednim sustavima poput EfficientNet-B5.

Međutim, sama točnost može zavarati. Preciznost mjeri koliko je označenih bolesti stvarno (izbjegavajući lažne uzbune), dok opoziv prati koliko je stvarnih infekcija otkriveno.

Na primjer, Maska R-CNN, model za detekciju objekata, postigao je preciznost od 93,51 TP3T u uočavanju antraknoze jagode, ali samo 451 TP3T u detekciji truleži korijena pamuka.

The F1-rezultat uravnotežuje preciznost i prisjećanje, nudeći holistički pogled na performanse. U ispitivanju iz 2023. godine, PlantViT—hibridni AI model — postigao je 98.61% F1-Score na skupu podataka PlantVillage.

Za detekciju objekata, srednja prosječna preciznost (mAP) je kritično. Brži R-CNN, popularni model, postigao je 73.07% mAP u ispitivanjima bolesti jabuke, što znači da je u većini slučajeva ispravno locirao i klasificirao infekcije.

Izazovi koji koče umjetnu inteligenciju u poljoprivredi

Unatoč svom potencijalu, otkrivanje bolesti pomoću umjetne inteligencije suočava se s preprekama. Prvo, nedostatak podataka muči rijetke ili nove bolesti.

• Na primjer, za studiju iz 2021. bilo je dostupno samo 20 slika pepelnice krastavca, što je ograničavalo pouzdanost modela.
• Drugo, čimbenici okoline poput vjetra, sjena ili različitih svjetlosnih uvjeta smanjuju točnost terena za 20–30% u usporedbi s laboratorijskim postavkama.
• Treće, visoki troškovi ometaju prihvaćanje. Hiperspektralne kamere, iako moćne, ostaju nedostupne malim poljoprivrednicima, a alati umjetne inteligencije zahtijevaju pametne telefone ili pristup internetu - što je i dalje prepreka u ruralnim područjima.
• Konačno, problemi s povjerenjem i dalje postoje. Istraživanje iz 2023. pokazalo je da 68% poljoprivrednika oklijeva usvojiti umjetnu inteligenciju zbog njezine prirode “crne kutije” - ne mogu vidjeti kako se donose odluke.

Kako bi to prevladali, istraživači razvijaju interpretabilnu umjetnu inteligenciju koja objašnjava dijagnoze jednostavnim riječima, poput isticanja zaraženih područja lista ili nabrajanja simptoma.

Budućnost poljoprivrede: 5 inovacija koje treba pratiti

1. Rubno računalstvo za analizu u stvarnom vremenuLagani AI modeli poput MobileNetV2 (veličine 7 MB) rade na pametnim telefonima ili dronovima, nudeći otkrivanje bolesti u stvarnom vremenu bez interneta. U 2023. godini ovaj je model postigao točnost od 99.42% u klasifikaciji bolesti krumpira, osnažujući poljoprivrednike da donose trenutne odluke.

2. Transfer učenja za bržu prilagodbuPrethodno obučeni modeli poput PlantViT-a mogu se fino podesiti za nove usjeve s minimalnim podacima. Studija iz 2023. prilagodila je PlantViT za detekciju plamenjače riže, postižući točnost od 87.87% koristeći samo 1000 slika.

3. Modeli vizualnog jezika (VLM)Sustavi poput OpenAI-jevog CLIP-a omogućuju poljoprivrednicima da upitaju umjetnu inteligenciju pomoću teksta (npr. “Pronađi smeđe mrlje na lišću”). Ova prirodna interakcija premošćuje jaz između složene tehnologije i svakodnevne poljoprivrede.

4. Temeljni modeli za umjetnu inteligenciju opće namjeneVeliki modeli poput GPT-4 mogli bi simulirati širenje bolesti ili preporučiti tretmane, djelujući kao virtualni agronomi.

5. Kolaborativne globalne baze podatakaPlatforme otvorenog koda poput PlantVillagea i AI4Ag prikupljaju podatke od poljoprivrednika i istraživača diljem svijeta, ubrzavajući inovacije.

Studija slučaja: Uzgoj manga u Indiji uz pomoć umjetne inteligencije

Istraživači su 2024. godine razvili lagani DenseNet model za borbu protiv bolesti manga poput antraknoze i pepelnice. Obučen na 12 332 terenske slike, model je postigao točnost od 99,2% - veću od većine laboratorijskih sustava.

S manje parametara, 50% radi glatko na povoljnim pametnim telefonima. Indijski poljoprivrednici sada koriste aplikaciju $10 izgrađenu na ovoj umjetnoj inteligenciji za skeniranje lišća i primanje trenutnih dijagnoza, smanjujući upotrebu pesticida za 30% i spašavajući usjeve.

Zaključak

Otkrivanje biljnih bolesti pomoću umjetne inteligencije i tehnologija precizne poljoprivrede mijenjaju poljoprivredu, nudeći nadu protiv nesigurnosti opskrbe hranom. Omogućavanjem rane dijagnoze, smanjenjem upotrebe kemikalija i osnaživanjem malih poljoprivrednika, ovi alati mogli bi povećati globalne prinose usjeva za 20–30%.

Kako bi ostvarili ovaj potencijal, dionici moraju riješiti problem troškova senzora, poboljšati raznolikost podataka i izgraditi povjerenje poljoprivrednika putem edukacije.

ReferencaUpadhyay, A., Chandel, NS, Singh, KP i dr. Duboko učenje i računalni vid u otkrivanju biljnih bolesti: sveobuhvatan pregled tehnika, modela i trendova u preciznoj poljoprivredi. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x