Өсімдік ауруларын ерте анықтауда терең оқытуға негізделген компьютерлік көру қолданбаларының рөлі

Өсімдік аурулары жаһандық азық-түлік қауіпсіздігіне үнсіз қауіп төндіріп, жыл сайын өнімнің 10–16%-ын жойып, ауыл шаруашылығы саласына $220 миллиард шығын әкеледі. Қолмен тексеру мен зертханалық сынақтар сияқты дәстүрлі әдістер баяу, қымбат әрі жиі сенімсіз.

2025 жылғы жол ашатын зерттеу, “Өсімдік ауруларын анықтауда терең оқыту және компьютерлік көру” (Upadhyay және т.б.), AI арқылы өсімдік ауруларын анықтау мен компьютерлік көру негізіндегі ауыл шаруашылығы қалайша егіншілікті өзгертіп жатқанын көрсетеді.

Өсімдік ауруларын ерте анықтаудың жаһандық азық-түлік қауіпсіздігі үшін маңызы

Ауыл шаруашылығы жаһандық еңбек күшінің 28% бөлігін жұмыспен қамтады, ал егін өнімін өндіруде Үндістан, Қытай және АҚШ сияқты елдер алда тұр. Дегенмен саңырауқұлақтар, бактериялар және вирустар тудыратын өсімдік аурулары өнімділікті төмендетіп, экономикаға ауыр салмақ салады.

Мысалы, күріш blast ауруы зақымдалған аймақтарда өнімді 30–50 %-ға азайтады, ал цитрус жасылдандыруы 2005 жылдан бері Флоридадағы апельсин бақтарының 70 %-ын жойды. Ерте анықтау өте маңызды, бірақ көптеген фермерлерде озық құралдар мен маманданған біліктілікке қол жеткізу мүмкіндігі жоқ.

Міне осы жерде жасанды интеллект негізіндегі ауруларды анықтау жүйесі іске қосылып, дәстүрлі әдістерден артық жылдам, қолжетімді және дәл шешімдер ұсынады.

Жасанды интеллект пен компьютерлік көру дақыл ауруларын қалай анықтайды

Зерттеу жасанды интеллект негізіндегі өсімдік ауруларын анықтайтын жүйелердің қалай жұмыс істейтінін түсіндіру үшін 278 ғылыми мақаланы талдады. Алдымен камералар немесе сенсорлар дақылдардың кескіндерін түсіреді. Содан кейін бұл кескіндер ауру белгілерін анықтау үшін алгоритмдер арқылы өңделеді.

Мысалы, RGB камералары Түсті фотосуреттер жапырақ дақтары сияқты көрінетін белгілерді анықтауға мүмкіндік берсе, гиперспектралды камералар жүздеген жарық толқын ұзындықтарын талдау арқылы жасырын стресс сигналдарын анықтайды.

Суреттер түсірілгеннен кейін сапаны арттыру үшін алдын ала өңдеуден өтеді. Мысалы, шектілеу әдісі ауру ошақтарын түс бойынша бөліп көрсетеді, ал жиекті анықтау зақымданулар мен түссіздену шекараларын картаға түсіреді.

Келесіде терең оқыту модельдері алдын ала өңделген деректерді талдайды. Конволюциялық нейрондық желілер (CNN-дер), Ауыл шаруашылығындағы ең көп тараған жасанды интеллект құралдары кескінді қабат-қабат сканерлеп, ерекше текстуралар мен түстер сияқты үлгілерді анықтайды.

2022 жылғы сот процесінде, ResNet50—CNN-нің танымал моделі — қызанақ ауруларын диагностикалау кезінде 99,07% дәлдікке қол жеткізді.

Осы арада, Вижн Трансформерлер (ViTs) Суреттерді бөліктерге бөліп, олардың арасындағы байланысты зерттеп, адамдардың контексті талдау тәсілін модельдейді. Бұл тәсіл 2020 жылғы зерттеуде жүзім тамырларын тазалайтын вирусты 71% дәлдікпен анықтауға көмектесті.

“Ауыл шаруашылығының болашағы адамдарды алмастыруда емес, оларды ақылды құралдармен қамтамасыз етуде.”

Қазіргі заманғы ауыл шаруашылығындағы озық сенсорлардың рөлі

Әртүрлі сенсорлар дәл ауыл шаруашылығы үшін бірегей артықшылықтарды ұсынады. RGB камералары, қолжетімді және пайдалануға оңай болғанымен, спектрлік егжей-тегжейдің шектеулі болуына байланысты ерте кезеңдегі аурулармен күресте қиындықтарға тап болады. Ал керісінше, Гиперспектралды камералар Жүздеген жарық толқын ұзындықтарында деректерді жинап, адам көзіне көрінбейтін кернеу сигналдарын анықтайды.

Мысалы, 2022 жылы зерттеушілер гиперспектралды бейнелеуді пайдаланып, алманың Вальса қатерлі дағын 98% дәлдікпен диагностикалады. Алайда, бұл камералардың бағасы $10,000–$50 000, бұл шағын фермерлер үшін тым қымбат.

Термокамералар Инфекциялардың тудырған температура өзгерістерін өлшеу арқылы қосымша көзқарас ұсынуға болады. 2019 жылғы зерттеу цитрус жасылдандыру ауруына шалдыққан жапырақтардың ерекше жылу үлгілерін көрсететінін анықтап, ерте анықтауға мүмкіндік береді.

Осы арада, Көпспектрлі камералар—орташа нұсқа—өсімдіктің денсаулығын бағалау үшін хлорофилл деңгейін бақылау.

Бұл сенсорлар 2014 жылы бидайдың жолақты тот ауруын картаға түсіріп, фермерлерге өңдеу шараларын тиімдірек бағыттауға көмектесті. Олардың артықшылықтарына қарамастан, сенсорлардың құны мен жел немесе біркелкі емес жарықтандыру сияқты қоршаған орта факторлары әлі де қиындықтар тудырады.

Қоғамдық деректер жиынтықтары: жасанды интеллектті ауыл шаруашылығының тірегі

Сенімді жасанды интеллект модельдерін оқыту үшін үлкен көлемдегі белгіленген деректер қажет. PlantVillage деректер жиынтығы, 14 дақыл мен 26 аурудың 87 000 суреті бар тегін ресурс зерттеушілер үшін алтын стандартқа айналды.

Мақалада сілтеме жасалған зерттеулердің 90%-ден астамы өз модельдерін оқыту және сынау үшін осы деректер жиынтығын пайдаланды. Тағы бір маңызды ресурс, Кассава ауруларының деректер жиынтығы, кассава мозаика ауруының 11 670 суретін қамтиды және CNN модельдерімен 96% дәлдігіне қол жеткізді.

Дегенмен олқылықтар әлі де бар. Шырша нематоды сияқты сирек кездесетін аурулардың 100-ден аз белгіленген суреті бар, бұл оларды анықтауға жасанды интеллекттің мүмкіндігін шектейді. Сонымен қатар, деректер жиынтықтарының көпшілігі зертханада түсірілген суреттерден тұрады, олар ауа райы мен жарықтандыру сияқты нақты әлемдегі өзгергіштерді ескермейді.

Осы мәселені шешу үшін AI4Ag сияқты жобалар әлемнің түкпір-түкпіріндегі фермерлерден дала суреттерін жинап, сенімді әрі шынайы деректер жиынтығын құруды мақсат етеді.

ЖИ өнімділігін өлшеу: дәлдік, нақтылық және одан әрі

Зерттеушілер өсімдік ауруларын анықтайтын жасанды интеллект жүйелерін бағалау үшін бірнеше көрсеткішті қолданады. Дәлдік—дұрыс диагноздардың пайыздық үлесі—аралығында Ерте модельдерде 76.9% ке EfficientNet-B5 сияқты жетілдірілген жүйелерде 99.97%.

Дегенмен, дәлдіктің өзі адастыруы мүмкін. Прецизия жалған дабылдардан аулақ болып, белгіленген аурулардың қаншасы шынында бар екенін өлшейді, ал recall қанша нақты инфекция анықталғанын көрсетеді.

Мысалы, Mask R-CNN, Объектілерді анықтау моделі құлпынай антракнозын анықтауда 93,51 TP3T қайталанымдылыққа қол жеткізді, бірақ мақта тамыр шірігенін анықтауда тек 451 TP3T дәлдік көрсетті.

Оның F1-балл дәлдік пен recall-ды теңестіріп, көрсеткіштің жан-жақты көрінісін ұсынады. 2023 жылғы сынақта, PlantViT—гибридті жасанды интеллект моделі—PlantVillage деректер жиынында 98,61% F1-Score көрсеткішін көрсетті.

Объектілерді анықтау үшін, Орташа дәлдік (mAP) критикалық. Жылдам R-CNN, танымал модель, алма аурулары бойынша сынақтарда 73,07% mAP көрсеткішіне жетті, яғни инфекцияларды көп жағдайда дұрыс анықтап, жіктеді.

Ауыл шаруашылығындағы жасанды интеллектінің дамуына кедергі келтіретін қиындықтар

Өз әлеуетіне қарамастан, жасанды интеллект негізіндегі ауруларды анықтау бірқатар кедергілерге тап болады. Біріншіден, сирек кездесетін немесе жаңа пайда болған аурулар бойынша деректер тапшылығы байқалады.

• Мысалы, 2021 жылғы зерттеу үшін қияр ұнтақты көгеруінің тек 20 суреті ғана қолжетімді болды, бұл модельдің сенімділігін шектеді.
• Екіншіден, жел, көлеңке немесе жарық жағдайларының өзгеруі сияқты қоршаған орта факторлары далалық дәлдікті зертханалық жағдайларға қарағанда 20–30 %-ға төмендетеді.
• Үшіншіден, жоғары шығындар енгізуге кедергі келтіреді. Гиперспектралды камералар қуатты болғанымен, шағын фермерлер үшін әлі де қолжетімсіз, ал жасанды интеллект құралдары смартфон немесе интернетке қосылуды талап етеді, бұл ауылдық жерлерде әлі де кедергі болып табылады.
• Соңында сенім мәселелері әлі де сақталуда. 2023 жылғы сауалнама көрсеткендей, фермерлердің 68,1 %-ы AI-ды енгізуге оның “қара қорап” сипатына байланысты күмәнмен қарайды — олар шешімдер қалай қабылданатынын көре алмайды.

Осы мәселені шешу үшін зерттеушілер диагноздарды қарапайым тілмен түсіндіретін, мысалы жұқтырылған жапырақ аймақтарын белгілеу немесе симптомдарды тізімдеу арқылы түсіндіретін түсіндірілетін жасанды интеллектті әзірлеуде.

Ауыл шаруашылығының болашағы: назар аударуға тұрарлық 5 инновация

1. Нақты уақыттағы талдау үшін шеттік есептеуЖеңіл AI модельдері, мысалы MobileNetV2 (7 МБ көлемінде), смартфондарда немесе дрондарда жұмыс істеп, интернетсіз нақты уақытта ауруларды анықтайды. 2023 жылы бұл модель картоп ауруларын жіктеуде 99,42% дәлдікке қол жеткізіп, фермерлерге жедел шешім қабылдауға мүмкіндік берді.

2. Жылдам бейімделу үшін тасымалдауды оқытуPlantViT сияқты алдын ала оқытылған модельдерді аз ғана деректермен жаңа дақылдарға ұсақтап оқытуға болады. 2023 жылғы зерттеуде PlantViT-ті күріш blast ауруын анықтауға бейімдеп, небәрі 1 000 сурет пайдаланып 87,871 TP3T дәлдікке қол жеткізді.

3. Көру-тіл модельдері (VLMs)OpenAI-дың CLIP жүйесі сияқты жүйелер фермерлерге мәтін арқылы (мысалы, “Жапырақтардағы қоңыр дақтарды тауып көрсет”) жасанды интеллектке сұрау жіберуге мүмкіндік береді. Бұл табиғи өзара әрекеттесу күрделі технология мен күнделікті егіншілік арасындағы алшақтықты жояды.

4. Жалпы мақсаттағы жасанды интеллект үшін негізгі модельдерGPT-4 сияқты ірі модельдер аурулардың таралуын модельдей алады немесе емдеу әдістерін ұсына отырып, виртуалды агрономдар ретінде қызмет ете алады.

5. Бірлескен жаһандық дерекқорларPlantVillage және AI4Ag сияқты ашық бастапқы кодты платформалар әлемнің түкпір-түкпіріндегі фермерлер мен зерттеушілердің деректерін біріктіріп, инновацияны жеделдетеді.

Оқиғаға негізделген зерттеу: Үндістанда жасанды интеллект негізіндегі манго өсіру

2024 жылы зерттеушілер манго ауруларымен, мысалы антракноз бен ұнтақты көгерумен күресу үшін жеңіл DenseNet моделін әзірледі. 12 332 дала суретінде оқытылған модель 99,21 TP3T дәлдікке жетті — бұл көптеген зертханалық жүйелерден жоғары.

50% параметрлері аз болғандықтан, ол бюджеттік смартфондарда бірқалыпты жұмыс істейді. Үнді фермерлері қазір осы жасанды интеллект негізінде жасалған $10 қосымшасын қолданып, жапырақтарды сканерлеп, лезде диагноз алып, пестицидтерді 30%-ға азайтып, егінді сақтап қалады.

Қорытынды

Жасанды интеллект негізіндегі өсімдік ауруларын анықтау және дәл ауылшаруашылық технологиялары ауыл шаруашылығын түбегейлі өзгертіп, азық-түлік қауіпсіздігіне үміт сыйлайды. Ерте диагностика жүргізуге, химикаттарды азайтуға және шағын фермерлердің мүмкіндіктерін кеңейтуге мүмкіндік бере отырып, бұл құралдар әлемдік егін өнімділігін 20–30%-ға арттыруы мүмкін.

Осы әлеуетті жүзеге асыру үшін мүдделі тараптар сенсорлардың құнын шешуі, деректердің алуан түрлілігін арттыруы және білім беру арқылы фермерлердің сенімін нығайтуы тиіс.

ДереккөзУпадхьяй А., Чандел Н.С., Сингх К.П. және т.б. Өсімдік ауруларын анықтауда терең оқыту және компьютерлік көру: дәл ауыл шаруашылығындағы әдістер, модельдер және тенденциялар бойынша жан-жақты шолу. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x