Giliojo mokymosi kompiuterinės vizijos taikomųjų programų vaidmuo ankstyvajai augalų ligų stadijai aptikti

Augalų ligos tyliai kelia grėsmę pasauliniam aprūpinimui maistu, kasmet sunaikindamos 10–161 TP3 t pasėlių ir padarydamos žemės ūkio pramonei 1 TP4 220 mlrd. nuostolių. Tradiciniai metodai, tokie kaip rankiniai patikrinimai ir laboratoriniai tyrimai, yra lėti, brangūs ir dažnai nepatikimi.

Novatoriškas 2025 m. tyrimas, “Gilusis mokymasis ir kompiuterinė rega augalų ligų aptikime” (Upadhyay ir kt.) atskleidžia, kaip dirbtinio intelekto augalų ligų aptikimas ir kompiuterinio matymo žemės ūkis keičia ūkininkavimą.

Kodėl ankstyvas augalų ligų nustatymas yra svarbus pasauliniam maisto saugumui

Žemės ūkyje dirba 281 t³ t pasaulio darbo jėgos, o tokios šalys kaip Indija, Kinija ir JAV pirmauja pagal pasėlių gamybą. Nepaisant to, grybelių, bakterijų ir virusų sukeltos augalų ligos mažina derlių ir apsunkina ekonomiką.

Pavyzdžiui, ryžių blastinė liga paveiktuose regionuose sumažina derlių 30–50%, o citrusinių vaisių žalėjimas nuo 2005 m. sunaikino 70% Floridos apelsinų giraičių. Ankstyvas aptikimas yra labai svarbus, tačiau daugelis ūkininkų neturi prieigos prie pažangių įrankių ar patirties.

Čia į pagalbą ateina dirbtiniu intelektu pagrįstas ligų aptikimas, siūlantis greitus, prieinamus ir tikslius sprendimus, kurie pranoksta tradicinius metodus.

Kaip dirbtinis intelektas ir kompiuterinė rega aptinka pasėlių ligas

Tyrime buvo analizuojami 278 moksliniai straipsniai, siekiant paaiškinti, kaip veikia dirbtinio intelekto augalų ligų aptikimo sistemos. Pirmiausia kameros arba jutikliai užfiksuoja pasėlių vaizdus. Šie vaizdai apdorojami naudojant algoritmus, skirtus ligos požymiams nustatyti.

Pavyzdžiui, RGB kameros darykite spalvotas nuotraukas, kad pastebėtumėte matomus simptomus, tokius kaip lapų dėmės, o hiperspektrinės kameros aptinka paslėptus streso signalus analizuodamos šimtus šviesos bangos ilgių.

Užfiksavus vaizdus, jie apdorojami iš anksto, siekiant pagerinti jų kokybę. Tokie metodai kaip slenksčių nustatymas išskiria pažeistas sritis pagal spalvą, o kraštų aptikimas padeda nustatyti pažeidimų ar spalvos pakitimų ribas.

Toliau gilaus mokymosi modeliai analizuoja iš anksto apdorotus duomenis. Konvoliuciniai neuroniniai tinklai (CNN), labiausiai paplitę dirbtinio intelekto įrankiai žemės ūkyje, nuskaito vaizdus sluoksnis po sluoksnio, kad nustatytų tokius modelius kaip neįprastos tekstūros ar spalvos.

2022 m. vykusiame teismo procese, ResNet50– populiarus CNN modelis – diagnozuojant pomidorų ligas pasiekė 99,07% tikslumą.

Tuo tarpu, Regėjimo transformatoriai (ViT) padalinti vaizdus į fragmentus ir ištirti jų ryšius, imituojant, kaip žmonės analizuoja kontekstą. Šis metodas padėjo 2020 m. atliktame tyrime aptikti vynuogių gyslų valymo virusą 71% tikslumu.

“Ūkininkavimo ateitis slypi ne žmonių pakeitime, o jų aprūpinime išmaniaisiais įrankiais.”

Pažangių jutiklių vaidmuo šiuolaikiniame ūkininkavime

Skirtingi jutikliai suteikia unikalių pranašumų tiksliajam ūkininkavimui. RGB kameros, nors ir įperkamos ir lengvai naudojamos, sunkiai diagnozuojamos ankstyvos stadijos ligos dėl riboto spektrinio detalumo. Priešingai, hiperspektrinės kameros fiksuoti duomenis per šimtus šviesos bangos ilgių, atskleidžiant plika akimi nematomus streso signalus.

Pavyzdžiui, 2022 m. tyrėjai naudojo hiperspektrinį vaizdavimą, kad diagnozuotų obuolių vėgį 98% tikslumu. Tačiau šios kameros kainuoja $10,000–$50 000, todėl smulkiesiems ūkininkams jie yra per brangūs.

Terminės kameros suteikti kitą požiūrį matuojant infekcijų sukeltus temperatūros pokyčius. 2019 m. atliktame tyrime nustatyta, kad citrusinių vaisių žalumomis užkrėsti lapai pasižymi skirtingais karščio modeliais, todėl tai galima anksti aptikti.

Tuo tarpu, daugiaspektrinės kameros– tarpinis variantas – stebėti chlorofilo kiekį augalų sveikatai įvertinti.

Šie jutikliai 2014 m. užfiksavo kviečių dryžuotąsias rūdis, padėdami ūkininkams veiksmingiau taikyti priemones. Nepaisant jų privalumų, jutiklių kaina ir aplinkos veiksniai, tokie kaip vėjas ar netolygus apšvietimas, išlieka iššūkiais.

Viešieji duomenų rinkiniai: dirbtinio intelekto žemės ūkio pagrindas

Patikimų dirbtinio intelekto modelių mokymui reikia didžiulių kiekių paženklintų duomenų. „PlantVillage“ duomenų rinkinys, nemokamas šaltinis, kuriame yra 87 000 14 pasėlių ir 26 ligų vaizdų, tapo auksiniu standartu tyrėjams.

Daugiau nei 90% straipsnyje cituotų tyrimų naudojo šį duomenų rinkinį savo modeliams apmokyti ir išbandyti. Kitas svarbus šaltinis – Kasavos ligos duomenų rinkinys, apima 11 670 kasavos mozaikos ligos vaizdų ir pasiekė 96% tikslumą su CNN modeliais.

Tačiau spragų vis dar yra. Retos ligos, tokios kaip pušinė nematoda, turi mažiau nei 100 paženklintų vaizdų, todėl dirbtinis intelektas negali jų aptikti. Be to, daugumoje duomenų rinkinių pateikiami laboratorijoje užfiksuoti vaizdai, kuriuose neatsižvelgiama į realaus pasaulio kintamuosius, tokius kaip oras ar apšvietimas.

Siekiant tai spręsti, tokie projektai kaip „AI4Ag“ naudoja ūkininkų iš viso pasaulio lauko vaizdų rinkimo priemones, siekdami sukurti patikimesnius ir realistiškesnius duomenų rinkinius.

Dirbtinio intelekto našumo matavimas: tikslumas, preciziškumas ir daugiau

Tyrėjai naudoja kelis rodiklius, kad įvertintų dirbtinio intelekto augalų ligų aptikimo sistemas. Tikslumas– teisingų diagnozių procentas – svyruoja nuo 76.9% ankstyvuosiuose modeliuose į 99.97% pažangiose sistemose, tokiose kaip „EfficientNet-B5“.

Tačiau vien tikslumas gali būti klaidinantis. Tikslumas matuoja, kiek pažymėtų ligų yra tikros (išvengiant klaidingų aliarmų), o atkūrimas seka, kiek tikrų infekcijų aptinkama.

Pavyzdžiui, Kaukė R-CNN, objektų aptikimo modelis, braškių antraknozės aptikimo tikslumu pasiekė 93,5%, tačiau medvilnės šaknų puvinio aptikimo tikslumu – tik 45%.

Svetainė F1 balas subalansuoja tikslumą ir įsiminimą, pateikdamas holistinį našumo vaizdą. 2023 m. atliktame bandyme, PlantViT— hibridinis dirbtinio intelekto modelis — „PlantVillage“ duomenų rinkinyje surinko 98,61% F1 balą.

Objektų aptikimui, vidutinis vidutinis tikslumas (mAP) yra kritinis. Greitesnis R-CNN, populiarus modelis, obelų ligų tyrimuose pasiekė 73,07% mAP, o tai reiškia, kad daugeliu atvejų jis teisingai nustatė ir klasifikavo infekcijas.

Iššūkiai, stabdantys dirbtinį intelektą žemės ūkyje

Nepaisant potencialo, dirbtiniu intelektu pagrįstas ligų aptikimas susiduria su kliūtimis. Pirma, duomenų trūkumas kamuoja retas arba naujai atsirandančias ligas.

• Pavyzdžiui, 2021 m. tyrimui buvo prieinami tik 20 agurkų miltligės vaizdų, todėl modelio patikimumas buvo ribotas.
• Antra, aplinkos veiksniai, tokie kaip vėjas, šešėliai ar skirtingos apšvietimo sąlygos, sumažina lauko matavimų tikslumą 20–30%, palyginti su laboratoriniais nustatymais.
• Trečia, didelės išlaidos trukdo diegti šias technologijas. Hiperspektrinės kameros, nors ir galingos, vis dar neįperkamos smulkiesiems ūkininkams, o dirbtinio intelekto įrankiams reikalingi išmanieji telefonai arba interneto prieiga – tai vis dar kliūtis kaimo vietovėse.
• Galiausiai, pasitikėjimo problemos išlieka. 2023 m. atlikta apklausa parodė, kad 681 300 ūkininkų dvejoja diegti dirbtinį intelektą dėl jo “juodosios dėžės” pobūdžio – jie nemato, kaip priimami sprendimai.

Siekdami tai įveikti, tyrėjai kuria interpretuojamą dirbtinį intelektą, kuris diagnozes paaiškina paprastais terminais, pavyzdžiui, paryškina užkrėstus lapų plotus arba išvardija simptomus.

Ūkininkavimo ateitis: 5 inovacijos, į kurias verta atkreipti dėmesį

1. Kraštinių kompiuterių naudojimas realiuoju laiku atliekamai analizeiLengvi dirbtinio intelekto modeliai, tokie kaip „MobileNetV2“ (7 MB dydžio), veikia išmaniuosiuose telefonuose arba dronuose ir siūlo ligų aptikimą realiuoju laiku be interneto. 2023 m. šis modelis pasiekė 99,42% tikslumą bulvių ligų klasifikavimo srityje, suteikdamas ūkininkams galimybę priimti momentinius sprendimus.

2. Mokymosi perkėlimas greitesnei adaptacijaiIš anksto apmokyti modeliai, tokie kaip „PlantViT“, gali būti tiksliai suderinti su naujais pasėliais turint minimalius duomenis. 2023 m. atliktame tyrime „PlantViT“ buvo pritaikytas ryžių blastų aptikimui, pasiekus 87,87% tikslumą naudojant vos 1000 vaizdų.

3. Regėjimo ir kalbos modeliai (VLM)Tokios sistemos kaip “OpenAI” CLIP leidžia ūkininkams pateikti DI užklausas naudojant tekstą (pvz., „Rasti rudas dėmes ant lapų“). Ši natūrali sąveika panaikina atotrūkį tarp sudėtingų technologijų ir kasdienio ūkininkavimo.

4. Bendrosios paskirties dirbtinio intelekto pagrindiniai modeliaiDideli modeliai, tokie kaip GPT-4, galėtų imituoti ligų plitimą arba rekomenduoti gydymą, veikdami kaip virtualūs agronomai.

5. Bendradarbiaujančios pasaulinės duomenų bazėsAtvirojo kodo platformos, tokios kaip „PlantVillage“ ir „AI4Ag“, kaupia ūkininkų ir tyrėjų duomenis iš viso pasaulio, taip spartindamos inovacijas.

Atvejo analizė: dirbtinio intelekto valdomas mangų auginimas Indijoje

2024 m. tyrėjai sukūrė lengvą „DenseNet“ modelį, skirtą kovoti su mangų ligomis, tokiomis kaip antraknozė ir miltligė. Modelis, apmokytas naudojant 12 332 lauko vaizdus, pasiekė 99,2% tikslumą – didesnį nei dauguma laboratorinių sistemų.

Turėdamas mažiau parametrų, 50% sklandžiai veikia ir biudžetiniuose išmaniuosiuose telefonuose. Indijos ūkininkai dabar naudoja šiuo dirbtiniu intelektu sukurtą $10 programėlę, skirtą lapams nuskaityti ir momentinėms diagnozėms gauti, taip sumažindami pesticidų naudojimą ir išsaugodami derlių.

Išvada

Dirbtinis augalų ligų aptikimas ir tiksliosios žemdirbystės technologijos keičia ūkininkavimą, suteikdamos vilties kovoti su maisto trūkumu. Sudarydamos sąlygas ankstyvai diagnostikai, sumažindamos cheminių medžiagų naudojimą ir suteikdamos galių smulkiesiems ūkininkams, šios priemonės galėtų padidinti pasaulinį pasėlių derlių 20–301 TP3 T.

Kad realizuotų šį potencialą, suinteresuotosios šalys turi spręsti jutiklių išlaidų klausimus, didinti duomenų įvairovę ir didinti ūkininkų pasitikėjimą per švietimą.

NuorodaUpadhyay, A., Chandel, NS, Singh, KP ir kt. Gilusis mokymasis ir kompiuterinė rega augalų ligų nustatyme: išsami tiksliosios žemdirbystės metodų, modelių ir tendencijų apžvalga. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x