Рубрика: Скауттық барлау

Қызанақ жапырағының ауруларын интеллектуалды түрде анықтау әлемдік ауыл шаруашылығын қайта құратын екі қуатты күштің тоғысында орналасқан: қызанақ дақылының өзінің экономикалық салмағы және компьютерлік көру технологиясының жылдам жетілуі. Қызанақ - әлемдегі ең көп өсірілетін көкөніс дақылы, оның өндірісі 170-тен астам елде 5 миллион гектардан астам жерге таралған.

Жапырақ ауруларынан болатын шығындардың өзі әр маусымда өнімнің айтарлықтай бөлігін жояды, ал ферма жұмысшыларының дәстүрлі визуалды тексеруі тым баяу, тым өзгермелі және масштабтау үшін тым қымбат. Жасанды интеллектпен жұмыс істейтін дәл ауыл шаруашылығы жақсырақ жол ұсынады. Бұл нұсқаулықта қызанақ жапырағының интеллектуалды ауруларын анықтаудың барлық ауқымы, негізгі биологиядан бастап заманауи архитектураларға дейін қамтылған.

Неліктен қызанақ өсіру және ауруларды анықтау маңызды

Қызанақ (Solanum lycopersicum) өсімдік патологиясында ең көп зерттелген көкөніс дақылы болып табылады және бұл бағыттың экономикалық негіздемесі айқын. Әлемдік қызанақ өндірісіне қол жеткізілді 2024 жылы 186 миллион метрикалық тонна, Қытайдың үлесімен 37% жалпы өнімнің.

Бұл дақыл барлық құрлықтардағы азық-түлік өңдеу өнеркәсібін, жаңа піскен базарларды және үй шаруашылығының бақшаларын азықтандырады. Ауыл шаруашылығы маркетингін зерттеу орталығының мәліметтері бойынша, тек Америка Құрама Штаттарында ғана жаңа піскен қызанақтардың 2023 жылғы өндірістік құны бірнеше миллиард доллардан асты.

Жапырақ аурулары қызанақ өнімділігіне негізгі қауіп төндіреді. Азық-түлік және ауыл шаруашылығы ұйымы (ФАО) өсімдік аурулары шамамен ... себеп болады деп есептейді Дүние жүзінде 40% өнім шығыны, бұл азық-түлік қауіпсіздігіне және экономикалық салдарға әкеледі.

Саңырауқұлақ ауруларының өзі жыл сайынғы шығынға әкеледі Дүние жүзінде $60 миллиард. Әсіресе, қызанақтар үшін қолайлы ауру жағдайларында бактериялық дақ өнімділікті төмендетуі мүмкін 90% дейін, бұл анықтау және жауап беру уақытын маңызды етеді.

Ауруды ерте және дәл анықтау - бұл тиімділік нүктесі. Алғашқы зақымдану кезеңінде ерте фитодерма анықтаған фермер оны мақсатты фунгицидпен емдеу арқылы тоқтата алады. Көрінетін жапырақтар түсіп кеткенше оны байқамаған фермер ешқандай араласу толығымен қалпына келтіре алмайтын шығындарға тап болады. Міне, осы жерде жасанды интеллект, атап айтқанда, терең оқытуға негізделген ақылды қызанақ жапырағы ауруын анықтау теңдеуді өзгертеді.

Кеңірек контекст бұл өзгерісті қолдайды. Дәл ауыл шаруашылығы нарығындағы жаһандық жасанды интеллект бағаланды 2024 жылы $3,1 млрд. және жетеді деп болжануда 2034 жылға қарай $12,7 млрд. кезінде CAGR көрсеткіші 15.1% (Market.us, 2024). Ауыл шаруашылығы дақылдарының ауруларын интеллектуалды бақылау осы кеңею аясындағы ең жылдам дамып келе жатқан сегменттердің бірі болып табылады.

Қызанақ жапырағы аурулары: анықтау жұмыстарына шолу

Кез келген анықтау жүйесі жұмыс істей бастамас бұрын, одан не табу сұралып жатқанын нақты түсінуіңіз керек. Қызанақ жапырақтарына әртүрлі патогендік микроорганизмдер әсер етеді, олардың әрқайсысы айқын, бірақ кейде бір-біріне сәйкес келетін визуалды белгілер қалдырады.

1. Қызанақ жапырағының жиі кездесетін аурулары және олардың қоздырғыштары

Ерте күйдіру, саңырауқұлақ тудыратын Альтернария соланиі, ескі жапырақтарда қою қоңыр концентрлі сақиналы зақымданулар тудырады. Сақиналар нысана үлгісіне ұқсайды, ал тіндер өлген сайын сарғаю әрбір зақымдануды қоршайды.

Кешкі фитофтороз, оомицет тудырады Phytophthora infestans — Ирландиялық картоп аштығының артында тұрған сол организм — жылы, ылғалды жағдайларда тез қоңыр түске айналатын суға малынған, сұрғылт-жасыл дақтар шығарады. Ол өте тез таралады және бірнеше күн ішінде бүкіл егістікті жойып жіберуі мүмкін.

Септория жапырақ дақтары Қара қоңыр жиектері және ашық қоңыр түсті орталықтары бар кішкентай, дөңгелек дақтар түрінде көрінеді. Әдетте төменгі жапырақтардан басталып, саңырауқұлақ тудыратын жоғары қарай өршиді. Septoria lycopersici.

Бактериялық дақ, салдарынан Xanthomonas vesicatoria, қоңыр және бұрышты болып көрінетін, көбінесе сары галолармен қоршалған кішкентай, суға малынған дақтар пайда етеді. Саңырауқұлақ дақтарынан айырмашылығы, бактериялық зақымданулар фунгицидтік емдеуге жауап бермейді.

Жапырақ көгеруі, салдарынан Пассалора фулва, жоғарғы жапырақ беттерінде бозғылт жасыл немесе сары дақтар түрінде пайда болады, астында зәйтүн жасылынан сұрғылт-күлгінге дейін көгерген дақтар өседі. Ол ылғалды жылыжай ортасында жақсы өседі.

Қызанақ мозаикасының вирусы (ToMV) жапырақтарда ашық және қою жасыл түсті дақтарды түзеді, көбінесе жапырақтары бұралып, көпіршіктенеді. Түстердің біркелкі емес таралуы оны қоректік заттардың жетіспеушілігінен ажыратады.

Қызанақтың сары жапырақтарының бұйралану вирусы (TYLCV), ақ шыбын арқылы беріледі Бемисиа табаки, жапырақ шеттерінің жоғары қарай бұралуына, тамыраралық сарғаюға және өсудің күрт тежелуіне әкеледі. Бұл әлемдегі жылы қызанақ өсіретін аймақтарда экономикалық тұрғыдан ең зиянды вирустық аурулардың бірі.

2. Ауру белгілері және негізгі анықтау қиындығы

Көрнекі түрде анықтау қиындығы тіпті білікті агрономдар үшін де маңызды. Әртүрлі аурулардың ерте сатысындағы белгілері смартфон фотосуретінде бірдей көрінуі мүмкін. Септория жапырақ дақтары мен бактериялық дақтардың екеуі де кішкентай, дөңгелек зақымданулар тудырады. Ерте фитофтороз және кеш фитофтороз қоңыр тіндердің өліміне әкеледі. Азот жетіспеушілігі, суық стресс және спрейдің фитоуыттылығы сияқты қоршаған орта факторлары вирустық белгілерді қайталауы мүмкін.

• Суретке түсіру кезіндегі жарықтандыру жағдайлары зақымданудың түсі мен құрылымының қалай көрінетінін күрт өзгертеді, шамадан тыс жарықтандырылған фотосуреттер сақина үлгілерін жояды, бұл ерте фитофторозды анықтау үшін маңызды.
• Бір жапырақта бірнеше ауру бір уақытта пайда болуы мүмкін, бір патогеннің белгілері екіншісінің белгілерімен визуалды түрде қабаттасады — бұл сценарий адами сарапшыларға да, жасанды интеллект модельдеріне де қиындық тудырады.
• Аурудың өршуі уақыт өте келе сыртқы түрін өзгертеді, яғни тек дамыған сатыдағы зақымдануларға үйретілген модель көбінесе инфекцияның ең ерте және ең емделетін сатыларын өткізіп жібереді.
• Далалық суреттердегі фонның күрделілігі — топырақ, басқа жапырақтар, жемістер және суару жабдықтары — нақты әлемдегі және зертханалық жағдайларда жіктеу дәлдігін төмендететін визуалды шуыл қосады.

Бұл тек академиялық қиындықтар ғана емес. Олар анықтау деректер жиынтығын қалай құру керектігін, модельдерді қалай оқыту керектігін және анықтау жүйелерін орналастырмас бұрын қалай тексеру керектігін тікелей анықтайды.

Егістік шаруашылығындағы ауруларды ерте анықтаудың маңызды рөлі

Ерте анықтау тек тезірек әрекет ету мәселесі емес. Бұл әрекет әлі де тиімді болған кезде әрекет ету мәселесі. Ерте фитодерма зақымдануының алғашқы белгілерінде қолданылатын фунгицидтер спора түзілуіне және бүйірлік таралуына жол бермейді. 30% шатыр жапырағын жапқаннан кейін қолданылатын сол фунгицидтердің экономикалық тиімділігі аз.

• Егін өнімділігі қорғау - ең тікелей пайдасы: ауру симптомдардың басталуының алғашқы 10-14 күнінде анықталған алқаптар, анықтау екі немесе одан да көп аптаға кешіктірілген алқаптарға қарағанда өнімділіктің айтарлықтай аз жоғалуын көрсетеді.
• Пестицидтерді қолдану Фунгицидтерді күнтізбеге негізделген кесте бойынша қолданудың орнына, ерте анықтау мүмкіндігі бар фермерлер оларды тек шекті инфекция деңгейі расталған кезде ғана қолдана алады, бұл химиялық заттардың енгізілуін 40-50% дейін азайтады.
• Шығындарды үнемдеу өсу кезеңінде тез жиналады. Бүрку өткізгіштігінің аз болуы еңбек, отын және химиялық заттардың аз шығынын білдіреді. 50+ гектар жерді басқаратын орташа көлемді қызанақ шаруашылығы үшін бұл үнемдеу айтарлықтай.
• Тұрақты ауыл шаруашылығы мақсаттары тікелей қолдау көрсетіледі. Пестицидтерді қолдануды азайту су жүйелеріне ағынды суды азайтады және төзімді патогендік штаммдарды іріктеу қысымын төмендетеді.
• Аурудың таралуының алдын алу тек жеке егістіктерді ғана емес, сонымен қатар бүкіл ауыл шаруашылығы аудандарын қорғайды. Мысалы, фитофтороз желмен таралатын спораларды шығарады, олар спора түзілгеннен кейін бірнеше сағат ішінде көршілес шаруашылықтарды жұқтыруы мүмкін.

Экономикалық және агрономиялық логика өте тартымды: ерте анықтау технологиясына инвестиция салыңыз, сонда ауруларды басқарудың кейінгі шығындары күрт төмендейді.

Санчес-Санчес және т.б. (2024) вирустық аурулардың өзі әлемдік қызанақ өндірісінің құнын төмендететінін есептеді Жылына 2-ден 5%-ге дейін, бұл көрсеткіш дақылдың әлемдік нарықтық ауқымын ескере отырып, миллиардтаған АҚШ доллары көлемінде шығынға әкеледі.

Тіпті жасанды интеллектті ерте анықтау арқылы ауруға байланысты шығындарды аздап азайту ірі көлемді қызанақ өндірушілері үшін бір өсіру маусымында технологиялық инвестициялардан қайтарымдылық әкелуі мүмкін.

Дәл ауыл шаруашылығы және ақылды ауруларды бақылау жүйелері

Дәл егіншілік - бұл ферманы біркелкі егістік емес, әртүрлі аймақтардың мозаикасы ретінде қарастыру тәжірибесі. Әрбір шаршы метрге бірдей тұқым мөлшерін, су көлемін немесе фунгицид мөлшерін қолданудың орнына, дәлдік жүйелері әрбір жердегі нақты жағдайларға негізделген кірістерді өзгерту үшін нақты уақыт режиміндегі деректерді пайдаланады.

1. Дәл егіншіліктің негізгі тұжырымдамалары

Деректерге негізделген фермерлік шаруашылық үздіксіз циклге негізделген: сенсорлар мен бейнелеу жүйелері далалық деректерді жинайды, бағдарламалық жасақтама сол деректерді өңдейді және түсіндіреді, ал шешім қабылдауды қолдау құралдары түсіндірмені іс-қимыл ұсыныстарына айналдырады. Жүйе құндылық беруі үшін сол тізбектегі әрбір буын дәл болуы керек.

Ақылды дақылдарды басқару бұл логиканы биологиялық қауіптерге де кеңейтеді. Ауру белгілерінің айқын болуын күтудің немесе апта сайынғы барлау серуендеріне сүйенудің орнына, ақылды бақылау жүйесі ауруды алғашқы көрінетін немесе спектрлік белгіде анықтайды және инфекцияның орналасқан жерін, сәйкестігін және ықтимал ауырлығын көрсететін дабыл береді.

2. Заманауи дәл егіншіліктегі ауруларды бақылау технологиялары

Сандық бейнелеу көптеген ақылды ауруларды анықтау жүйелері үшін негізгі деректер көзін құрайды. RGB камералары адамдар көретін көрінетін түс туралы ақпаратты түсіреді. Көп спектрлі камералар көрінетін жарықтан тыс толқын ұзындықтарын, соның ішінде жақын инфрақызыл сәулелерді түсіреді, бұл хлорофилл стрессін көзге көрінбес бұрын ашады.

Гиперспектрлік камералар жүздеген тар толқын ұзындығы диапазондарын түсіреді және молекулалық деңгейде биохимиялық өзгерістерді анықтай алады, дегенмен олар көптеген фермаларды орналастыру үшін қымбат болып қала береді.

Жердегі сенсорлар мен Заттар интернеті (IoT) желілері бейнелеуді толықтырады. Егін шатырларына орналастырылған температура мен ылғалдылық сенсорлары ауруға қолайлы жағдайлардың пайда болғанын көрсететін микроклимат деректерін береді.

18-22°C аралығындағы температурамен бірге 10 сағаттан астам жапырақтың ұзақ уақыт бойы ылғалды болуы фитофтороздың белгілі триггерлік сигналы болып табылады — IoT жүйесі кез келген зақымдану пайда болғанға дейін ауру қаупі туралы ескерту бере алады.

Дрондар мен пилотсыз ұшу аппараттары (ПҰА) ауруларды бақылауға жердегі бейнелеу арқылы қамтамасыз ете алмайтын кеңістіктік өлшем қосады. Мультиспектральды камерамен жабдықталған ПҰА 10 гектарлық қызанақ алқабын 30 минуттан аз уақыт ішінде зерттей алады, бұл қай қатарлар мен аймақтарда ерте стресс белгілері бар екенін көрсететін географиялық сілтеме жасалған ауру қаупі картасын жасайды.

Бұл бүкіл далалық қолданбалардың орнына жоғары қауіпті аймақтарды мақсатты түрде өңдеуге мүмкіндік береді. IoT қолдайтын егіншілік жүйелері осы деректер ағындарының барлығын бірыңғай платформаға біріктіреді, далалық деңгейдегі бақылауларды бұлтқа негізделген аналитикаға немесе ауруларды жіктеу алгоритмдері нақты уақыт режимінде жұмыс істейтін шеткі есептеу түйіндеріне береді.

Қызанақ жапырағы ауруын анықтауға арналған терең оқыту

Терең оқыту - бұл алгоритмдер математикалық түрлендірулердің иерархиялық қабаттары арқылы шикі деректерден - бұл жағдайда кескіндерден - тікелей үлгілерді алуды үйренетін машиналық оқытудың бір саласы.

Классикалық машиналық оқытудан басты артықшылығы - терең оқыту адам маманының ауру жапырақ кескінінде қандай ерекшеліктерді (пішіндер, текстуралар, түс градиенттері) іздеу керектігін қолмен анықтауын талап етпейді. Алгоритм бұл ерекшеліктерді оқыту мысалдарынан үйренеді.

1. Кескіндерді жіктеу үшін терең оқытудың негіздері

Ан Жасанды нейрондық желі (ЖНЖ) (биологиялық нейрондардан шабыттанған есептеу жүйесі) кіріс деректерін өзара байланысты түйіндер қабаттары арқылы өңдейді.

Әрбір қосылымның бір түйіннің белсендірілуі келесі түйінге қаншалықты күшті әсер ететінін анықтайтын сандық салмағы бар. Желіні оқыту дегеніміз - желінің шығыс болжамдары дұрыс белгілерге минималды қателікпен сәйкес келгенше белгіленген мысалдарды пайдаланып, сол салмақтарды реттеу.

A Конволюциялық нейрондық желі (CNN) (кескін деректеріне арналған мамандандырылған нейрондық желі архитектурасы) кескін бойынша орамалдар деп аталатын математикалық операцияларды қолданады. Орамалдар кескін бойынша кішкентай сүзгі терезесін — әдетте 3×3 немесе 5×5 пиксельді — сырғытады және әрбір позицияда салмақталған қосындыны есептейді, бұл жиектер, текстуралар және түс градиенттері сияқты жергілікті үлгілерді түсіретін мүмкіндік картасын жасайды.

Бірнеше конволюциялық қабаттарды бір-біріне орналастыру желіге біртіндеп абстрактілі ерекшеліктерді үйренуге мүмкіндік береді: ерте қабаттардағы жиектер, ортаңғы қабаттардағы пішіндер және терең қабаттардағы ауруға тән үлгілер.

Бұл иерархиялық ерекшеліктерді оқыту CNN-дерді қызанақ ауруын анықтауда тиімді етеді. Зақымданудың дөңгелек шекарасы, оның ішкі құрылым градиенті, оны қоршаған сарғыш гало — мұның бәрі желі қабаттары бойынша үйренуге болатын ерекшеліктер комбинацияларына айналады.

2. Неліктен терең оқыту дәстүрлі әдістерден асып түседі

Өсімдік ауруларын анықтауға арналған дәстүрлі машиналық оқыту сала мамандарынан мүмкіндіктерді қолмен жасауды талап етті: түсті гистограммаларды алу, текстуралық сипаттамаларды есептеу немесе жапырақ кескіндерінен пішін параметрлерін өлшеу, содан кейін бұл сандарды қолдау векторлық машиналары (SVM) сияқты жіктеуіштерге енгізу. Бұл құбыр көп еңбекті қажет ететін, сараптамаға тәуелді және аурудың көрінісі оқыту жағдайларынан өзгеше болған кезде нәзік болды.

• Терең оқыту мүмкіндіктерді автоматты түрде алуды жүзеге асырады, қолмен мүмкіндіктерді жобалаусыз пиксельдік деректерден тікелей үйренеді — сарапшылар анықтаған дескрипторлардың кедергісін жояды.
• Терең оқыту кезіндегі жіктеу дәлдігі әдетте 95%-ден асады және көбінесе эталондық деректер жиынтықтарында 99%+ деңгейіне жетеді, ал сол деректер бойынша дәстүрлі SVM негізіндегі тәсілдер үшін 80-88% дәлдігімен салыстырғанда.
• Терең оқыту модельдері үлкен деректер жиынтығына тиімді түрде масштабталады. Аурулардың көбірек белгіленген суреттері қосылған сайын, модельдің өнімділігі жақсарады, ал дәстүрлі әдістер мүмкіндіктер жиынтығы бекітілген кезде тұрақты болып қалады.

Лобна және т.б. (2024) кең ауқымды деректер жиынтығында капсулалық нейрондық желіні оқытты 70 834 қызанақ жапырағының суреті және жіктеу дәлдігіне қол жеткізді 96.39% бірнеше ауру санаттары бойынша, сол деректер бойынша стандартты CNN базалық көрсеткіштерінен асып түседі.

Оңтайландырылған архитектуралармен біріктірілген үлкен, әртүрлі деректер жиынтығы дәстүрлі компьютерлік көру құбырларымен қол жеткізуге болатын дәлдік деңгейлерінен үнемі асып түседі.

Нақты егістіктерде ауруларды анықтауда геопард егіншілігін пайдалану

Geopard Agriculture дәл осы деңгейді құрады. Оның дәлдікпен барлау платформасы далалық бақылауды, ауруларды анықтауды және шешім қабылдауды қолдауды кез келген агроном немесе өсіруші смартфоннан басқара алатын бірыңғай жұмыс процесіне біріктіреді.

Geopard қызанақ ауруларын басқару үшін не ұсынады

Geopard компаниясының ақылды барлау жүйесі әрбір қатарды біркелкі қамтуды талап етудің орнына, мақсатты тексеру үшін егістігіңіздің ең құнды аймақтарын анықтайды. Ол дақылдардың өсуіндегі ауытқуларды автоматты түрде белгілейді және барлау жұмыстарын ауру қысымы немесе стресстің дамуы ықтимал аймақтарға бағыттайды.

Бұл ірі шаруашылықтарда қолмен барлау бағдарламаларын шектейтін далалық қамту мәселесін тікелей шешеді. Платформа қызанақ өндірісіне қатысты барлық негізгі далалық қауіп санаттарын анықтауды және тіркеуді қолдайды:

• Ерте фитофторозды, кеш фитофторозды, септория жапырақ дағын және жапырақ көгеруін қамтитын саңырауқұлақ ауруларын анықтау - анықтау уақыты араласудың сәтті болуын тікелей анықтайтын аурулар.
• Бактериялық және вирустық ауруларды, соның ішінде бактериялық дақтарды және мозаикалық вирус белгілерін анықтау, дәл далалық картаға түсіру үшін GPS координаттарына байланған фотоқұжаттама.
• Суару және тыңайтқыштармен байланысты мәселелерді анықтау, бұл барлау топтарына қызанақ жапқыштарындағы ауру белгілерін имитациялайтын немесе күшейтетін абиотикалық стресс белгілерін белгілеуге мүмкіндік береді.
• Арамшөптер мен жәндіктерді анықтау ауруларды барлаумен қатар жүзеге асырылады, сондықтан бір ғана далалық серуендеу бөлек бағдарламалардан алынған оқшауланған есептер емес, толық қауіп көрінісін жасайды.
• Жапырақтың зақымдануы мен тіндердің сынама алуын қолдау, бұл физикалық зертханалық сынама алуды сандық барлау жұмыс процесіне біріктіруге мүмкіндік береді.

Аймақтық жоспарлау барлауға дайындық кезеңіне енгізілген. Geopard шикі далалық сенсор мен спутниктік деректерді далалық гетерогенділікті көрсететін үздіксіз градиенттік беттік карталарға түрлендіреді, бұл агрономдарға барлау басталғанға дейін басқару аймақтарын анықтауға мүмкіндік береді. Офлайн аймақтық карталар мен топырақ деректеріне қосылымсыз қол жеткізуге болады, бұл ұялы байланыспен қамту тұрақсыз фермаларда маңызды.

Мобильді орындау, есеп беру және төтенше жағдайлар туралы ескертулер

Барлық далалық бақылаулар Geopard мобильді қосымшасы арқылы түсіріледі. Скауттар жазбаларды, фотосуреттерді және географиялық сілтемелер бойынша бақылауларды нақты уақыт режимінде жазып алады, ал толтырылған скаут жазбалары платформаның есеп беру басқару тақтасына тікелей енгізіледі.

Далалық менеджерлер қағаз нысандардан немесе бөлек қолданбалардан деректерді біріктірмей-ақ, қандай қауіптер анықталғанын, олар қайдан табылғанын, қандай шаралар қолданылғанын және қай аймақтар бақылауда екенін көре алады.

Төтенше жағдай туралы ескерту жүйесі платформа желісі бойынша аурудың таралу үлгілерін бақылайды және сіздің аймағыңызда ауру қысымы артқан кезде хабарландырулар жібереді. Бұл ерте ескерту функциясы тиімді анықтау мерзімін кез келген жеке ферманың ішкі барлауы қол жеткізе алатыннан да кеңейтеді, бұл өсірушілерге ауру өз егістіктеріне жеткенге дейін алдын алу шараларын дайындауға уақыт береді.

Geopard тәсілі дәл ауыл шаруашылығы зерттеушілері теория жүзінде сипаттайтын практикалық интеграция жолын көрсетеді: скауттық басымдықты анықтауға көмектесетін спутниктік және сенсорлық деректер, нақты уақыт режимінде бақылауды түсіруге мүмкіндік беретін мобильді құралдар және ферма деңгейінде жылдам және мақсатты шешім қабылдауды қолдайтын жасанды интеллект көмегімен қауіпті анықтау.

Анықтау моделінің негізіне арналған деректер жиынтығын дайындау

Терең оқыту моделі тек ол оқытылған деректер сияқты сенімді. Қызанақ жапырағы ауруын анықтауға арналған деректер жиынтығын дайындау - кез келген модельдің нақты әлемдегі өнімділігінің шегін анықтайтын көп сатылы процесс.

1. Кескін алу көздері

Нақты ауылшаруашылық жағдайларында — әртүрлі жарықтандырумен, жартылай окклюзиямен, су тамшыларымен және топырақ фонымен — түсірілген далалық суреттер, бақыланатын ортадағы суреттерге қарағанда жинау қиынырақ және қымбатырақ болса да, деректер жиынтығының әртүрлілігінің алтын стандартын білдіреді.

Фермерлер күнделікті барлау кезінде түсірген смартфон суреттері зертханалық жағдайлар мен нақты орналастыру сценарийлері арасындағы алшақтықты жоятын практикалық деректер көзін қалыптастырады.

Ашық деректер жиынтығы зерттеулерді айтарлықтай жеделдетті. PlantVillage деректер жиынтығы, Пенн мемлекеттік университеті әзірлеген, құрамында 54 000 сурет 26 түрдегі, соның ішінде қызанақ ауруының 10 санатындағы сау және ауру өсімдік жапырақтарының саны.

Ол жүздеген жарияланған қызанақ ауруларын анықтау модельдері үшін оқыту негізі болды және осы салада ең кеңінен қолданылатын эталондық деректер жиынтығы болып қала береді.

2. Деректерді алдын ала өңдеу қадамдары

Әртүрлі көздерден жиналған шикі кескіндерде шу, сәйкес келмейтін өлшемдер және түс калибрлеу айырмашылықтары бар, бұл модельді оқытуға жалған үлгілерді енгізуі мүмкін. Алдын ала өңдеу деректер модельге жеткенге дейін стандартталады.

1. Кескін өлшемін өзгерту барлық кескіндерді біркелкі ажыратымдылыққа дейін масштабтайды — әдетте CNN архитектуралары үшін 224 × 224 немесе 256 × 256 пиксель — бұл желі ішіндегі кеңістіктік операциялардың барлық оқыту мысалдарында біркелкі қолданылуын қамтамасыз етеді.
2. Шуды кетіру сенсорлық шу мен текстураға сезімтал конволюциялық қабаттарды адастыруы мүмкін JPEG сығымдау артефактілерін азайту үшін Гаусс бұлыңғырлығы сияқты тегістеу сүзгілерін қолданады.
3. Деректерді кеңейту кездейсоқ көлденең аударылуларды, айналуларды, түс дірілдерін, жарықтықты реттеулерді және кездейсоқ қиюды бар кескіндерге қолдану арқылы жаттығу жиынтығын жасанды түрде кеңейтеді. Бұл модельге жапырақтың бағытына, жарықтандыру бұрышына немесе кескін құрамына қарамастан ауру үлгілерін тануды үйретеді.
4. Нормализация пиксель мәндерін бастапқы 0-255 диапазонынан кішірек диапазонға, әдетте 0-1 немесе нөлдік орташа, бірлік дисперсиясына қайта масштабтайды. Бұл градиентке негізделген оқытуды сандық тұрғыдан тұрақтырақ және конвергенцияны жылдамдатады.

3. Деректер жиынтығының аннотациясы және белгілеуі

Бақыланатын оқу деректер жинағындағы әрбір суретте шындық белгісі болуы керек: ол қай ауру санатына жатады немесе жапырақ сау ма. Бұл белгілеуді тек ауылшаруашылық мамандары ғана емес, өсімдік патологоанатомдары орындауы немесе тексеруі керек, себебі аурулар арасындағы көрнекі қабаттасу әуесқойлық аннотацияны сенімсіз етеді.

Ауруларды жіктеуге арналған сынып деңгейіндегі аннотация салыстырмалы түрде қарапайым, бірақ нысанды анықтау модельдеріне арналған шекаралық аннотация — зақымданудың кескінде қай жерде пайда болатынын дәл белгілеу — әр кескін үшін айтарлықтай көп уақыт пен біліктілікті қажет етеді.

Қызанақ ауруларын анықтау үшін қолданылатын терең оқыту архитектуралары

Зерттеу қауымдастығы қызанақ жапырағы ауруын жіктеу үшін ондаған архитектураны бағалады. Қандай архитектуралардың басым екенін және неліктен екенін түсіну мамандарға осы жүйелерді орналастырған кезде ақпараттандырылған шешімдер қабылдауға көмектеседі.

1. Стандартты конволюциялық нейрондық желілер

Ауруларды жіктеуге арналған негізгі CNN модельдері стандартты үлгіні ұстанады: ерекшеліктерді бөліп алуға арналған конволюциялық қабаттар, басым ерекшеліктерді сақтай отырып, кеңістіктік өлшемдерді азайтатын біріктіру қабаттары және алынған ерекшеліктерді ауру класының ықтималдықтарымен салыстыратын соңында толығымен байланысты қабаттар.

PlantVillage деректер жинағы бойынша алғашқы жұмыстар тіпті 5-7 қабатты қарапайым CNN-дердің де зертханалық жолмен алынған таза кескіндерде 90%-ден астам дәлдікке қол жеткізе алатынын көрсетті.

2. Алдын ала дайындалған архитектуралармен трансферттік оқыту

Трансферттік оқыту (үлкен жалпы деректер жиынтығында алдын ала дайындалған модельден бастап, оны доменге тән деректер жиынтығында дәл баптау тәжірибесі) жоғары дәлдіктегі модельдерді салыстырмалы түрде шағын ауылшаруашылық деректер жиынтығымен оқытуға мүмкіндік беру арқылы қызанақ ауруларын анықтау зерттеулерін түбегейлі өзгертті.

1. VGG16 және VGG19, Оксфордтағы Visual Geometry Group әзірлеген, біркелкі 3×3 иірімдері бар 16 немесе 19 салмақ қабаттарын пайдаланады. Олар қызанақ ауруларын жіктеу үшін сенімді негіз болып қала береді, әдетте ауру деректер жиынтығын дәл баптағаннан кейін 94-97% дәлдігіне жетеді.

2. ResNet (Residual Network) градиенттердің қабаттар арқылы тікелей өтуіне мүмкіндік беретін секіру қосылымдарын енгізді, бұл бұрын оқыту тереңдігін шектеген градиенттің жоғалу мәселесін шешті. Жақында жүргізілген зерттеулерде ResNet50 қызанақ ауруы туралы деректерді үнемі реттеп, 96-98% дәлдігіне жетті.

3. ТенсеНет әрбір қабатты тығыз блоктағы әрбір келесі қабатқа қосу арқылы өткізіп жіберу қосылымы тұжырымдамасын кеңейтеді, мүмкіндіктерді қайта пайдалануды барынша арттырады және жоғары жіктеу өнімділігі бар ықшам модельдер шығарады.

4. Тиімділік желісі, Google Brain әзірлеген, желі енін, тереңдігін және ажыратымдылығын құрама коэффициентті пайдаланып бір уақытта масштабтайды. Назар аудару модулімен EfficientNetB0-ге қол жеткізілді 99.39% дәлдігі Гонсалес-Брионес және т.б. (2025) жариялаған зерттеулердегі өсімдік ауруларының жіктелуі бойынша, шеткі құрылғыларды орналастыруға сәйкес өнімділікпен.

5. MobileNet, Ресурстары шектеулі құрылғылар үшін арнайы жасалған, дәлдікті сақтай отырып, есептеулерді айтарлықтай азайту үшін тереңдік бойынша бөлінетін иірімдерді пайдаланады, бұл оны смартфондар мен шеткі жасанды интеллектті дәл ауыл шаруашылығында орналастырудың артықшылықты архитектурасына айналдырады.

3. Гибридті және озық модельдер

Соңғы зерттеулер стандартты CNN-дерден тыс жапырақ кескіндеріндегі ұзақ қашықтықтағы кеңістіктік қатынастарды түсіре алатын архитектураларға көшті.

Көру трансформаторлары (ViT) (бастапқыда табиғи тілді өңдеу үшін жасалған Трансформердің назар аудару механизмін кескін патчтарына қолданатын нейрондық желілер) жеткілікті оқыту деректері болған кезде өсімдік ауруларын анықтауда жақсы нәтижелер көрсетті.

Жергілікті кескін аймақтарын орамдар арқылы өңдейтін CNN-дерден айырмашылығы, ViT-лер барлық кескін патчтары арасындағы қатынастарды бір уақытта үйренеді, бұл оларға бүкіл жапырақ бойынша кеңістіктік таралған үлгілерді анықтауға мүмкіндік береді.

Назар аударуға негізделген CNN гибридтері иірімдердің жергілікті ерекшеліктерді алу күшін модельге өңдеу ресурстарын ауруға ең қатысты кескін аймақтарына шоғырландыруға мүмкіндік беретін назар аудару механизмдерімен біріктіріңіз.

Қызанақ ауруын анықтауға арналған сиамдық желіге негізделген жеңіл құрылым жасалды Plant Village қызанақ жиынындағы 96.97% дәлдігі шамамен 2,96 миллион параметрмен (Frontiers in Plant Science, 2025), бұл жоғары дәлдік пен аппараттық тиімділік өзара ерекше мақсаттар емес екенін көрсетеді.

Ансамбльдік оқыту модельдері бірнеше тәуелсіз дайындалған архитектуралардан болжамдарды біріктіріп, олардың орташа мәнін есептеп немесе дауыс беріп, кез келген жеке модельге қарағанда сенімдірек соңғы болжам жасау. Ву және т.б. (2024) осы тәсіл арқылы жіктеу өнімділігін жақсарту үшін ResNet50 функциясын мүмкіндіктерді арттыру әдістерімен қолданды.

Абдулла және т.б. (Агрономия, 2024) ауру қызанақ жапырақтарын анықтау үшін YOLOv8s, YOLOv5 және Faster R-CNN салыстырды және YOLOv8s орташа орташа дәлдікке (mAP) қол жеткізгенін анықтады. 92.5%, 89.1% кезінде YOLOv5 және 77.5% кезінде Faster R-CNN-ден асып түседі, сонымен қатар жылдамырақ қорытынды шығару жылдамдығын және модельдің кішірек ізін көрсетеді.

Далалық нақты уақыт режимінде анықтау қолданбалары үшін YOLOv8 класты модельдер дәлдік пен өңдеу жылдамдығының ең жақсы тепе-теңдігін ұсынады, бұл оларды дрондарға немесе шеткі құрылғыларға орналастыруға өте қолайлы етеді.

Ауруларды анықтаудың интеллектуалды жүйесі

Орналастырылатын интеллектуалды ауруларды анықтау жүйесі тек дайындалған модельден ғана артық. Бұл шикі кескіндерді түсіруден бастап ауруларды басқару бойынша іс жүзінде қолдануға болатын ұсыныстарға дейінгі кешенді құбыр.

1. Жүйелік архитектура

Негізгі құбыр бес тізбекті кезеңнен тұрады, олардың әрқайсысы деректерді келесі кезеңге бермес бұрын түрлендіреді.

1. Кескін енгізу кез келген түсіру көзінен — далалық смартфоннан, ұшқышсыз ұшу аппаратына орнатылған камерадан немесе жылыжайдағы бекітілген шатыр камерасынан шикі жапырақ кескіндерін қабылдайды. Енгізуді өңдеу модульдері кескін ажыратымдылығын тексереді және өңдеу құбырына кірмес бұрын бұлыңғыр немесе пайдалануға жарамсыз түсірілімдерді белгілейді.

2. Алдын ала өңдеу кезеңі 6.2-бөлімде сипатталған қалыпқа келтіру, өлшемін өзгерту және сапаны жақсарту қадамдарын қолданады, бұл кірістің оқытылған модель күткен форматқа сәйкес келуін қамтамасыз етеді.

3. Белгілерді алу алдын ала өңделген кескінді оқытылған терең оқыту моделінің конволюциялық қабаттары арқылы іске қосады. Бұл кезеңде модель шикі пиксель деректерін жапырақтың ауруға қатысты визуалды сипаттамаларын кодтайтын ықшам сандық көрініске (белгі векторына) айналдырады.

4. Ауруларды жіктеу толық байланысты қабаттарды және softmax шығыс функциясын ерекшелік векторына қолданады, әрбір ауру санаты үшін ықтималдық ұпайын есептейді. Ең жоғары ықтималдығы бар санат болжамды диагнозға айналады.

5. Шешім қабылдауды қолдау нәтижесі жіктеу нәтижесін практикалық ұсынысқа айналдырады: анықталған аурудың атауы, сенімділік деңгейі, ұсынылған басқару шаралары (мақсатты фунгицид, биобақылау агенті, зақымдалған өсімдіктерді жою) және егер кескін GPS жабдықталған құрылғымен түсірілген болса, геореференцияланған орналасқан жер деректері.

2. Тәжірибедегі толық анықтау жүйесінің жұмыс процесі

Нақты орналастыруда фермер мобильді қосымшаны ашып, зақымдалған жапырақты суретке түсіреді. Кескін анықтау моделін іске қосатын бұлттық серверге жіберіледі немесе құрылғыда сығылған жиек моделі арқылы жергілікті түрде өңделеді.

Бірнеше секунд ішінде қолданба диагнозды қайтарады: “Ерте күйдіру — 94% сенімділігі. Ұсынылатын әрекет: Зақымдалған аймаққа манкозеб негізіндегі фунгицидті 1,5 кг/га мөлшерінде жағыңыз.

”Келесі 5 күн ішінде көршілес өсімдіктерді бақылаңыз». Географиялық сілтеме жасалған нәтиже ферманың сандық денсаулық картасына жазылады, ал егер бірдей ауру бірнеше аймақта пайда болса, жүйе бүкіл егістік учаскесі үшін жоғары қауіп туралы ескертуді белгілейді.

Демили (2024), шолу 161 басылым терең оқытуға негізделген өсімдік ауруларын анықтау бойынша, қызанақ барлық зерттеулерде ең көп зерттелген дақыл екені анықталды, бұл ... Барлық басылымдардың 39% саны — екінші ең көп зерттелген дақылдың (16% күріш) қамту көлемі екі еседен астам, бұл дақылдың экономикалық маңыздылығы мен ауруларға осалдығының ерекше қиылысуын растайды.

Қызанақ ауруларын анықтау бойынша зерттеулердің жетілгендігі мамандардың нөлден бастап құрудың орнына кең ауқымды тексерілген архитектуралар мен алдын ала дайындалған модельдерге қол жеткізе алатындығын білдіреді.

Өнімділікті бағалау көрсеткіштері

Дұрыс бағалау метрикасын таңдау, әсіресе жалған теріс нәтижелер (шынайы ауруды жіберіп алу) жалған оң нәтижелерден (сау жапырақты ауру деп қате анықтау) өзгеше шығындарды тудыратын ауруларды анықтау үшін дұрыс архитектураны таңдау сияқты маңызды.

Дәлдік барлық дұрыс болжамдардың үлесін өлшейді. Бұл ең көп хабарланған метрика, бірақ ауру кластары теңгерімсіз болған кезде адастыруы мүмкін — 90% сау кескіндері бар деректер жиынында әрқашан “сау” деп болжайтын модель ауруды анықтау үшін мүлдем пайдасыз болғанымен, 90% дәлдігіне жетеді.

Дәлдік ауруды анықтаудың қандай бөлігі шынайы оң нәтиже беретінін өлшейді, жалған дабылдар жиілігін тіркейді. Жоғары дәлдік модель қажетсіз емдеу ұсыныстарын сирек іске қосады дегенді білдіреді.

Еске түсіру (сезімталдық) нақты ауру өсімдіктердің қандай бөлігі дұрыс белгіленгенін өлшейді. Жоғары еске түсіру модельдің нақты инфекцияларды сирек жіберіп алатынын білдіреді — бұл ауруларды басқару үшін маңыздырақ көрсеткіш.

F1-балл дәлдік пен еске түсірудің гармоникалық орташа мәні болып табылады, бірін екіншісі үшін құрбан ететін модельдерді жазалайтын бірыңғай теңгерімді өлшемді қамтамасыз етеді. Бұл жалған оң және жалған теріс мәндер маңызды шығындарды тудырған кездегі артықшылықты метрика.

Нақтылық модель шынымен сау жапырақтарды сау деп қаншалықты дәл анықтайтынын өлшейді, бұл аурусыз дақылдарға пестицидтерді қажетсіз қолданудың алдын алу үшін маңызды.

Оның Шатасу матрицасы барлық сыныптар бойынша болжамдардың толық бөлінуін көрсетеді, қай ауру жұптары жиі шатастырылатынын анықтайды — оқу деректерін немесе модель архитектурасын нақтылау үшін маңызды ақпарат.

Оның ROC-AUC (Қабылдағыштың жұмыс сипаттамасы — қисық астындағы аумақ) барлық жіктеу шектері бойынша модельдің жалпы дискриминациялануын өлшейді, 1.0 мәні мінсіз дискриминацияны, ал 0.5 мәні мүмкіндік деңгейіндегі өнімділікті білдіреді.

Нақты уақыттағы қызанақ ауруын анықтау: Орналастыру

Жоғары дәлдіктегі модельді зерттеу дәптерінен жұмыс фермасы жүйесіне ауыстыру модельді оқытудан басқа мәселелер жиынтығын шешуді талап етеді. Орналастыру орталарында архитектура мен инфрақұрылымды таңдауды қалыптастыратын аппараттық шектеулер, қосылым шектеулері және кідіріс талаптары бар.

1. Мобильді ауруларды диагностикалауға арналған смартфонға негізделген қосымшалар

Смартфон қосымшалары шағын және орта фермерлер үшін ең қолжетімді орналастыру жолын білдіреді. MobileNet немесе EfficientNet-Lite модельдеріне негізделген қосымшалар толығымен құрылғыда жұмыс істейді, түсіру кезінде интернет байланысын қажет етпейді.

Ең жоғары дәлдіктегі модель, егер ол фермердің қалтасында бар құрылғыда жұмыс істей алмаса, дәл ауыл шаруашылығында пайдасыз.

Бұл ауылдық немесе байланысы төмен аймақтардағы шаруашылықтар үшін өте маңызды. Фермер күдікті жапырақты суретке түсіреді, 1-3 секунд ішінде ауру туралы болжам алады және нәтижесін өсу кезеңіндегі шаруашылық бойынша денсаулық сақтау деректерін жинақтайтын дерекқорға тіркейді.

2. Шеткі жасанды интеллектті орналастыру: құрылғыдағы қорытынды

Edge AI (деректерді қашықтағы серверге жіберудің орнына деректерді жинау нүктесінде орналасқан жабдықта тікелей жасанды интеллект туралы қорытындыны іске қосу) бұлтқа негізделген анықтаудың кідірісі мен қосылым мәселелерін шешеді. NVIDIA Jetson сериясы немесе Google-дың Coral TPU үдеткіштері сияқты арнайы шеткі құрылғылар сығылған CNN модельдерін секундына 30+ кадр жылдамдығымен іске қоса алады, бұл жылыжай рельстеріне немесе егістік суару құрылымдарына орнатылған бекітілген камералардан үздіксіз нақты уақыт режимінде жапырақтарды бақылауға мүмкіндік береді.

Модельді сығымдау әдістері — кванттау (модель салмағының сандық дәлдігін төмендету), кесу (маңыздылығы төмен желілік қосылымдарды жою) және білімді дистилляциялау (кіші модельді үлкен модельді имитациялауға үйрету) — мұны қолайлы дәлдіктен айырылмай мүмкін етеді.

3. Ірі көлемді фермаларды бақылауға арналған дронға негізделген мониторинг жүйелері

20-30 гектардан асатын шаруашылықтар үшін жер деңгейіндегі тексеру аурудың таралуына дейін оны анықтау үшін қажетті кеңістікті қамтуды қамтамасыз ете алмайды. Мультиспектралды камералармен жабдықталған пилотсыз ұшу аппараттары аурулардың стресс белгілерін бүкіл егістік деңгейінде түсіреді.

Түсірілген кескіндер борттық шеткі процессорға беріледі немесе жердегі станцияға жіберіледі, онда анықтау моделі жұқтырған аймақтарды анықтайды және ферманың сандық учаске жазбаларының үстіне орналастырылған геореференцияланған картаны жасайды.

Бұл ауруды басқаруды реактивтіден (симптомдар айқын болғаннан кейін жауап беру) кеңістіктік проактивтіге (ерте стресс анықталған нақты өріс координаттарына жауап беру) ауыстырады.

Терең оқытуға негізделген ауруларды анықтаудағы қиындықтар

Бұл салада айтарлықтай жетістіктерге қол жеткізілді, бірақ қалған қиындықтарды шынайы бағалау орналастыру шешімдеріне шамадан тыс сенімділіктің алдын алады.

Шектеулі өріс деректер жиынтықтары ең кең таралған мәселе болып қала береді. Жоғары дәлдіктегі модельдердің көпшілігі PlantVillage бағдарламасында оқытылады және бағаланады, ол таза фонда басқарылатын жарықтандыруды, бір жапырақты кескіндерді пайдаланады. Бірдей модельдер әртүрлі жарықтандыру жағдайларында түсірілген күрделі, көп элементті кескіндерге тап болған кезде нақты өріс өнімділігі айтарлықтай төмендейді.

Жарықтандыру жағдайларының ауытқулары — жапырақ беттерінде айна тәрізді шағылысуды тудыратын тікелей күн сәулесі, бұлтты шашыраңқы жарықтың тегіс құрылым белгілері немесе дақыл жамылғысынан көлеңкелену — зақымданулардың көрінетін түсі мен құрылымын бақыланатын жағдайлармен салыстырғанда 5-15 пайыздық пунктке төмендетуі мүмкін жолдармен өзгертеді.

Фондық күрделілік далалық суреттерде маңызды емес визуалды ақпарат енгізіледі. Топырақ, мульча, суару тамшылатып суару сызықтары, жемістер және басқа да жапырақтар ауру жапырақпен бір кескін шеңберінде көрінуі мүмкін, ал күрделі фонда арнайы оқытылмаған модельдер көбінесе фондық элементтерді аурудың ерекшеліктерімен шатастырады.

Бірнеше аурулар Бір жапырақта көптеген бір таңбалы модельдер шешуге арналмаған жіктеу мәселесін тудырады. Бактериялық дақ пен ерте күйікті бір мезгілде білдіретін жапырақ көп таңбалы жіктеу мүмкіндігін қажет етеді, бұл оқытудың күрделілігін және деректер жиынтығын аннотациялау талаптарын арттырады.

Таптық теңгерімсіздік Оқу деректер жиынтығында — мозаикалық вирус сияқты сирек кездесетін ауруларға қарағанда ерте фитофтороз сияқты кең таралған аурулардың суреттері әлдеқайда көп — модельдердің жиі өткізілетін сабақтарға тым сенімді болуына және аз ұсынылған сабақтар үшін сенімсіз болуына әкеледі.

Модельді түсіндіру мүмкіндігі ферма деңгейіндегі сенімге айтарлықтай кедергі болып табылады. Модель жапырақты 97% сенімділігімен ауру деп жіктегенде, көптеген фермерлер мен агрономдар ұсыныс бойынша әрекет етпес бұрын, қандай визуалды ерекшеліктер сол шешімге себеп болғанын түсінгісі келеді.

Ауруларды интеллектуалды түрде анықтаудағы соңғы жетістіктер

Зерттеу шебі жоғарыда көрсетілген мәселенің әртүрлі бөліктерін шеше отырып, бір уақытта бірнеше бағытта қозғалуда.

1. Түсіндірмелі жасанды интеллект (XAI) құралдар, әсіресе шешім қабылдау кезінде модель жапырақ кескінінің қай аймақтарына назар аударғанын көрсететін жылу картасы қабаттарын жасайтын Grad-CAM (градиентпен өлшенген сыныпты белсендіру картаға түсіру), түсіндіру мәселесін тікелей шешеді.

Модельдің назарын қара зақымдану сақинасына шоғырландыратын Grad-CAM визуализациясы агрономдар бағалай және сене алатын негіздеме түрін ұсынады.

2. Көру трансформаторлары (ViT) Алдын ала дайындық стратегиялары жақсарған сайын және ViT дәлдеуіне арналған деректерге қойылатын талаптар азайған сайын, қызанақ ауруын анықтауға деген қызығушылық артып келеді.

Олардың тек жергілікті ерекшеліктерді емес, жаһандық жапырақ деңгейіндегі үлгілерді анықтау қабілеті оларды жергілікті зақымдануларды тудырудың орнына бүкіл жапырақ бетінің таралуына әсер ететін вирустық ауруларды анықтауда ерекше перспективалы етеді.

3. Федеративті оқыту далалық деректер жиынтығы мәселесін шешу үшін, модельдерді бірнеше фермаларда бірлесіп оқытуға мүмкіндік береді, бұл құпия деректерді орталықтандырмайды.

Әрбір ферма жергілікті модельді өз суреттерінде оқытады және орталық жаһандық модельді жақсарту үшін тек модель параметрлерінің жаңартулары (суреттердің өздері емес) ортақ пайдаланылады. Бұл фермерлер деректерінің құпиялылығын сақтайды, сонымен бірге оқыту деректерінің әртүрлілігін айтарлықтай кеңейтеді.

Ауруларды дәл басқару бір ғана модельдің дәлдігімен анықталмайды - ол анықтауды, шешім қабылдауды және әрекетті байланыстыратын жүйенің интеллектімен анықталады.

4. Өзін-өзі бақылау арқылы оқу жалпы визуалды көріністерді үйрену үшін таңбаланбаған өсімдік кескіндерінің үлкен коллекцияларындағы модельдерді алдын ала оқытады, содан кейін таңбаланған аурулардың шағын деректер жиынтығын дәлдейді. Бұл аннотация жүктемесін азайтады және таңбаланған мысалдар сирек кездесетін аурулар санаттары үшін жоғары сапалы модельдерді жасауға мүмкіндік береді.

5. Ауруларды мультимодальды түрде анықтау жапырақ кескінінің деректерін спектрлік сенсор көрсеткіштерімен, метеостанция деректерімен және тарихи аурулар жазбаларымен бірыңғай модельдік кіріске біріктіреді. Көрнекі және қоршаған орта деректерін біріктіру анықтау өнімділігін тек кескін деректері қолдайтыннан да асып түсуі мүмкін, әсіресе көрнекі белгілері спектрлік қолтаңбаларда анықталатын биохимиялық өзгерістерден бұрын болатын аурулар үшін.

Болашақ зерттеу бағыттары: салаға әлі де не қажет

Жоғары дәлдіктегі зерттеу модельдерінен тұрақты сенімді ферма деңгейіндегі орналастыруға көшу бірнеше бағытта бағытталған жұмысты талап етеді.

Нақты әлемдегі орналастыруды тексеру Бақыланатын жағдай мен дала жағдайын анықтау арасындағы өнімділік алшақтығын шынайы сипаттау үшін тек PlantVillage эталондары ғана емес, әртүрлі географиялық аймақтар мен егіншілік жүйелері қажет.

Өріс деңгейіндегі сенімді анықтау бірнеше елдерде бірнеше өсу маусымдары бойынша жиналған, суретке түсіру кезіндегі ауа райы жағдайларын жүйелі түрде құжаттайтын арнайы жасалған далалық деректер жиынтығын қажет етеді.

IoT және ақылды фермерлік инфрақұрылыммен интеграция — ауруларды анықтау туралы ескертулерді автоматтандырылған суару және тыңайтқыш жүйелеріне, дронмен бүрку платформаларына және фермаларды басқару бағдарламалық жасақтамасына тікелей қосу — анықтау мен әрекет ету арасындағы ілмекті жабады.

Ауруды болжау, Ауруды анықтаудың ағымдағы деректерін ауа райын болжау модельдерімен және аурудың таралуының тарихи үлгілерімен біріктіру парадигманы реактивті анықтаудан алдын ала басқаруға ауыстырады: симптомдар пайда болғанға дейін алдын алу шараларын ұсыну.

Автономды ауылшаруашылық жүйелері — Үздіксіз далалық бақылау жүргізетін, ауру аймақтарын белгілейтін және адамның араласуынсыз автоматтандырылған бүріккіш қондырғылармен үйлестіретін пилотсыз ұшу аппараттары паркі қазіргі дәл ауыл шаруашылығы технологиясы дамып келе жатқан көкжиекті білдіреді.

Қорытынды

Терең оқытуды қолдана отырып, қызанақ жапырағының ауруларын интеллектуалды түрде анықтау енді эксперименттік технология емес. Бұл жұмыс істейтін фермерлер үшін қолжетімді бағамен және дәл қызанақ ауруларын дәл анықтау мүмкіндігін растайтын сараптамалық дәлелдердің көбеюімен жетілген, жақсы тексерілген қолданба. PlantVillage деректер жинағында оқытылған негізгі CNN модельдерінен бастап, 99%+ дәлдігіне қол жеткізетін назар аударатын гибридті архитектураларға дейін, техникалық мүмкіндіктер қазір көптеген ауылшаруашылық операциялары үшін қолжетімді орналастыру инфрақұрылымынан асып түседі.

Алға жылжу жолы айқын. Кескінге негізделген ауруларды анықтауды IoT сенсорлық желілерімен, ұшқышсыз ұшу аппараттарын бақылаумен және ауа райын болжау модельдерімен біріктіретін дәл ауыл шаруашылығы жүйелері осы онжылдықта бәсекеге қабілетті қызанақ өндірісін анықтайды. Дәл ауыл шаруашылығы нарығындағы жасанды интеллект өсіп келеді. CAGR көрсеткіші 15.1% қарай 2034 жылға қарай $12,7 млрд. бұл инвестицияның қазірдің өзінде ауқымды түрде жүргізіліп жатқанын көрсетеді.