Pažangus pomidorų lapų ligų aptikimas tiksliojoje žemdirbystėje

Pažangus pomidorų lapų ligų aptikimas yra dviejų galingų jėgų, keičiančių pasaulinį žemės ūkį, sankirta: paties pomidorų derliaus ekonominė svarba ir spartus kompiuterinio matymo technologijos brendimas. Pomidorai yra plačiausiai pasaulyje auginama daržovė, kurios gamyba apima daugiau nei 5 milijonus hektarų daugiau nei 170 šalių.

Vien nuostoliai dėl lapų ligų kiekvieną sezoną sunaikina didelę šio derliaus dalį, o įprastinė vizualinė ūkio darbuotojų apžiūra yra per lėta, pernelyg kintama ir per brangi, kad būtų galima ją išplėsti. Tikslioji žemdirbystė, paremta dirbtiniu intelektu, siūlo geresnį kelią. Šis vadovas apima visą intelektualaus pomidorų lapų ligų aptikimo sritį – nuo pagrindinės biologijos iki pažangiausių architektūrų.

Kodėl svarbu auginti pomidorus ir nustatyti ligas

Pomidoras (Solanum lycopersicum) yra labiausiai tiriamas daržovių augalas augalų patologijos srityje, ir ekonominis šio dėmesio pagrindimas yra aiškus. Pasaulinė pomidorų gamyba pasiekė 186 milijonai metrinių tonų 2024 m., prie to prisideda Kinija 37% visos produkcijos.

Šis derlius naudojamas maisto perdirbimo pramonės šakoms, šviežių produktų rinkoms ir namų ūkio sodams visuose žemynuose. Vien Jungtinėse Valstijose 2023 m. šviežių pomidorų produkcijos vertė viršijo kelis milijardus dolerių, teigia Žemės ūkio rinkodaros tyrimų centras.

Lapų ligos yra pagrindinė grėsmė pomidorų produktyvumui. Maisto ir žemės ūkio organizacija (FAO) apskaičiavo, kad augalų ligos sudaro maždaug 401 TP3 t derliaus nuostolių visame pasaulyje, o tai reiškia milžiniškas maisto saugumo ir ekonomines pasekmes.

Vien grybelinės ligos kasmet sukelia nuostolių, kurių vertė siekia $60 milijardų visame pasaulyje. Pomidorams bakterinė dėmėtligė palankiomis sąlygomis gali sumažinti derlių. iki 90%, todėl aptikimo ir reagavimo laikas yra labai svarbus.

Ankstyvas ir tikslus ligų nustatymas yra lemiamas veiksnys. Ūkininkas, aptikęs ankstyvą lapų marą pradinėje pažeidimo stadijoje, gali jį sustabdyti tiksliniu fungicidų naudojimu. Ūkininkas, kuris to nepastebi, kol neatsiranda matoma defoliacija, susiduria su derliaus nuostoliais, kurių jokia intervencija negali visiškai atitaisyti. Būtent čia dirbtinis intelektas, konkrečiai – išmanus pomidorų lapų ligų aptikimas, pagrįstas giliuoju mokymusi, pakeičia lygtį.

Platesnis kontekstas patvirtina šį pokytį. Pasaulinė dirbtinio intelekto tiksliosios žemdirbystės rinkoje buvo vertinama $3,1 milijardo 2024 m. ir prognozuojama, kad pasieks $12,7 milijardo iki 2034 m. ties a Metinis augimo tempas (CAGR) 15,11 TP3T (Market.us, 2024). Pažangi pasėlių ligų stebėsena yra vienas sparčiausiai augančių šios plėtros segmentų.

Pomidorų lapų ligos: aptikimo darbų apžvalga

Kad bet kokia aptikimo sistema galėtų veikti, reikia tiksliai suprasti, ko jos prašoma rasti. Pomidorų lapus paveikia daugybė patogenų, kurių kiekvienas palieka skirtingus, bet kartais sutampančius vaizdinius pėdsakus.

1. Dažniausios pomidorų lapų ligos ir jų sukėlėjai

Ankstyvasis maras, kurį sukelia grybelis Alternaria solani, ant senesnių lapų sudaro tamsiai rudus koncentrinius žiedinius pažeidimus. Žiedai primena taikinio raštą, o audiniams žūstant, kiekvieną pažeidimą supa pageltimas.

Vėlyvasis maras, kurį sukelia oomicetas Phytophthora infestans – tas pats organizmas, sukėlęs bulvių badą Airijoje, – gamina vandeniu permirkusias pilkšvai žalias dėmes, kurios šiltomis ir drėgnomis sąlygomis greitai paruduoja. Jis plinta itin greitai ir per kelias dienas gali sunaikinti visą lauką.

Septoria lapų dėmėtligė pasireiškia mažomis, apvaliomis dėmėmis su tamsiai rudais kraštais ir šviesesniu gelsvu centru. Paprastai jis prasideda nuo apatinių lapų ir plinta į viršų, jį sukelia grybelis. Septoria lycopersici.

Bakterijų dėmė, sukeltas Xanthomonas vesicatoria, sudaro mažas, vandeniu sušlapusias dėmes, kurios tampa rudos ir kampuotos, dažnai apsuptos geltonų aureolių. Skirtingai nuo grybelinių dėmių, bakterijų sukelti pažeidimai nereaguoja į gydymą fungicidais.

Lapų pelėsis, sukeltas Passalora fulva, atrodo kaip šviesiai žalios arba geltonos dėmės viršutiniame lapų paviršiuje, o apačioje auga alyvuogių žalios arba pilkšvai violetinės spalvos pelėsiai. Jis klesti drėgnoje šiltnamių aplinkoje.

Pomidorų mozaikos virusas (ToMV) Ant lapų atsiranda šviesiai ir tamsiai žalios spalvos margumas, dažnai su lapų garbanojimusi ir pūslėmis. Netolygus spalvų pasiskirstymas jį atskiria nuo maistinių medžiagų trūkumo.

Pomidorų geltonosios lapų garbanės virusas (TYLCV), pernešamas baltasparnio Bemisia tabaci, sukelia lapų kraštų garbanotumą į viršų, tarpgyslinių lapų pageltimą ir smarkų augimo sustojimą. Tai viena ekonomiškai žalingiausių virusinių ligų šiltuose pomidorų auginimo regionuose visame pasaulyje.

2. Ligos simptomai ir pagrindinis aptikimo iššūkis

Vizualinis atpažinimas yra didelis iššūkis net ir apmokytiems agronomams. Ankstyvosios stadijos skirtingų ligų simptomai išmaniojo telefono nuotraukoje gali atrodyti beveik identiškai. Septoriozė ir bakterinė dėmėtligė sukelia mažus, apvalius pažeidimus. Ankstyva ir vėlyvoji dedervinė sukelia rudųjų audinių žūtį. Aplinkos veiksniai, tokie kaip azoto trūkumas, šalčio stresas ir purškimo fitotoksiškumas, gali imituoti virusinius simptomus.

• Apšvietimo sąlygos fotografuojant smarkiai pakeičia pažeidimų spalvą ir tekstūrą, o per daug eksponuotos nuotraukos išblunka žiedų raštus, kurie yra labai svarbūs ankstyvam maro identifikavimui.
• Ant vieno lapo vienu metu gali pasireikšti kelios ligos, o vieno patogeno simptomai vizualiai sutampa su kito – toks scenarijus meta iššūkį tiek žmonių ekspertams, tiek dirbtinio intelekto modeliams.
• Ligos progresavimas laikui bėgant keičia išvaizdą, o tai reiškia, kad modelis, apmokytas tik su pažengusios stadijos pažeidimais, dažnai praleidžia ankstyviausias ir labiausiai išgydomas infekcijos stadijas.
• Lauko vaizdų fono sudėtingumas – dirvožemis, kiti lapai, vaisiai ir drėkinimo įranga – prideda vaizdinį triukšmą, kuris sumažina klasifikavimo tikslumą realiomis, palyginti su laboratorinėmis sąlygomis.

Tai ne tik akademiniai sunkumai. Jie tiesiogiai lemia, kaip turi būti kuriami aptikimo duomenų rinkiniai, kaip turi būti apmokyti modeliai ir kaip aptikimo sistemos turi būti patvirtintos prieš diegimą.

Svarbus ankstyvo ligų aptikimo vaidmuo pasėlių valdyme

Ankstyvas aptikimas – tai ne tik greitesnis veikimas. Reikia veikti tada, kai priemonės dar yra veiksmingos. Fungicidai, naudojami pastebėjus pirmuosius ankstyvųjų maro pažeidimų požymius, neleidžia atsirasti sporuliacijai ir plisti šoniniu būdu. Tie patys fungicidai, naudojami po 30% lajos defoliacijos, duoda mažai ekonominės naudos.

• Pasėlių derlius Apsauga nuo ligų yra tiesioginė nauda: laukuose, kuriuose liga pastebėta per pirmąsias 10–14 dienų nuo simptomų atsiradimo, derliaus nuostoliai nuolat būna gerokai mažesni nei tuose, kuriuose liga nustatoma dviem ar daugiau savaičių.
• Pesticidų naudojimas Sumažinimas pasiekiamas dėl tikslaus laiko nustatymo. Užuot naudoję fungicidus pagal kalendorinį grafiką, ūkininkai, turintys ankstyvo aptikimo galimybę, gali juos naudoti tik tada, kai patvirtinamas ribinis užsikrėtimo lygis, taip sumažinant cheminių medžiagų naudojimą iki 40–50%.
• Sąnaudų taupymas greitai kaupiasi per visą vegetacijos sezoną. Mažiau purškimų reiškia mažesnes darbo, degalų ir cheminių medžiagų sąnaudas. Vidutinio dydžio pomidorų augintojui, valdančiam daugiau nei 50 hektarų, šios santaupos yra didelės.
• Tvaraus žemės ūkio tikslai yra tiesiogiai remiami. Sumažintas pesticidų naudojimas sumažina nuotėkį į vandens sistemas ir sumažina atsparių patogeninių padermių atrankos spaudimą.
• Ligos plitimo prevencija apsaugo ne tik atskirus laukus, bet ir ištisus ūkininkavimo rajonus. Pavyzdžiui, vėlyvoji maro sporos išplatinamos vėjo ir gali užkrėsti kaimyninius ūkius per kelias valandas po sporuliacijos.

Ekonominė ir agronominė logika yra įtikinama: investuokite į ankstyvo aptikimo technologijas ir ligų valdymo išlaidos smarkiai sumažės.

Sánchez-Sánchez ir kt. (2024 m.) apskaičiavo, kad vien virusinės ligos sumažina pasaulinę pomidorų produkcijos vertę 2–51 TP3T per metus, – tai skaičius, reiškiantis milijardų JAV dolerių nuostolius, atsižvelgiant į šio derliaus pasaulinės rinkos mastą.

Net ir nedidelis su ligomis susijusių nuostolių sumažinimas ankstyvuoju dirbtinio intelekto nustatymu gali atnešti technologijų investicijų grąžą per vieną auginimo sezoną dideliems pomidorų augintojams.

Tikslioji žemdirbystė ir išmaniosios ligų stebėsenos sistemos

Tikslioji žemdirbystė – tai praktika, kai ūkis traktuojamas kaip atskirų zonų mozaika, o ne kaip vienodas laukas. Užuot taikius tą pačią sėklos normą, vandens kiekį ar fungicidų dozę kiekvienam kvadratiniam metrui, tiksliosios sistemos naudoja realaus laiko duomenis, kad keistų įvestis pagal faktines sąlygas kiekvienoje vietoje.

1. Pagrindinės tiksliosios žemdirbystės koncepcijos

Duomenimis pagrįstas ūkininkavimas remiasi nuolatiniu ciklu: jutikliai ir vaizdo gavimo sistemos renka lauko duomenis, programinė įranga apdoroja ir interpretuoja šiuos duomenis, o sprendimų priėmimo įrankiai interpretaciją paverčia veiksmų rekomendacijomis. Kad sistema teiktų vertę, kiekviena šios grandinės grandis turi būti tiksli.

Išmanus pasėlių valdymas šią logiką pritaiko ir biologinėms grėsmėms. Užuot laukus, kol ligos simptomai taps akivaizdūs, arba pasikliaujant savaitiniais žvalgybiniais apvažiavimais, išmanioji stebėjimo sistema aptinka ligą vos pastebėjusi pirmąjį matomą ar nepastebimą požymį ir įjungia įspėjimą, kuriame nurodoma infekcijos vieta, tapatybė ir galimas sunkumas.

2. Ligų stebėsenos technologijos šiuolaikiniame tiksliajame ūkininkavime

Skaitmeninis vaizdavimas yra pagrindinis duomenų šaltinis daugumai išmaniųjų ligų aptikimo sistemų. RGB kameros fiksuoja matomą spalvų informaciją, kurią mato žmonės. Daugiaspektrinės kameros fiksuoja bangos ilgius už matomos šviesos ribų, įskaitant artimąjį infraraudonąjį spektrą, kuris atskleidžia chlorofilo stresą dar prieš jam tampant matomam plika akimi.

Hiperspektrinės kameros užfiksuoja šimtus siaurų bangos ilgių juostų ir gali aptikti biocheminius pokyčius molekuliniu lygmeniu, nors daugumai ūkių jos išlieka brangios.

Antžeminiai jutikliai ir daiktų interneto (IoT) tinklai papildo vaizdavimą. Temperatūros ir drėgmės jutikliai, išdėstyti augalų vainikuose, teikia mikroklimato duomenis, kurie rodo, kada formuojasi ligoms palankios sąlygos.

Ilgesnis nei 10 valandų lapų drėgnumas kartu su 18–22 °C temperatūra yra žinomas vėlyvojo maro sukėlimo signalas – daiktų interneto sistema gali įspėti apie ligos riziką dar prieš atsirandant bet kokiam pažeidimui.

Dronai ir nepilotuojami orlaiviai (UAV) suteikia ligų stebėsenai erdvinį matmenį, kurio negali suteikti antžeminiai vaizdavimo įrenginiai. UAV su daugiaspektrine kamera gali apžiūrėti 10 hektarų pomidorų lauką per mažiau nei 30 minučių ir sugeneruoti georeferencinį ligų rizikos žemėlapį, kuriame tiksliai rodoma, kurios eilutės ir zonos rodo ankstyvus streso požymius.

Tai leidžia tikslingai gydyti didelės rizikos zonas, o ne visą lauką. Daiktų internetu pagrįstos ūkininkavimo sistemos integruoja visus šiuos duomenų srautus į vieningą platformą, perduodamos lauko lygmens stebėjimus debesijos pagrindu veikiančioms analizės arba periferinių skaičiavimų mazgams, kur ligų klasifikavimo algoritmai veikia beveik realiuoju laiku.

Gilus mokymasis pomidorų lapų ligoms aptikti

Gilusis mokymasis yra mašininio mokymosi šaka, kurioje algoritmai mokosi išskirti modelius tiesiai iš neapdorotų duomenų – šiuo atveju vaizdų – per hierarchinius matematinių transformacijų sluoksnius.

Išskirtinis pranašumas, palyginti su klasikiniu mašininiu mokymusi, yra tas, kad gilusis mokymasis nereikalauja, kad žmogus ekspertas rankiniu būdu apibrėžtų, kokių savybių (formų, tekstūrų, spalvų gradientų) ieškoti pažeisto lapo paveikslėlyje. Algoritmas šias savybes išmoksta iš mokymo pavyzdžių.

1. Giliojo mokymosi vaizdų klasifikavimui pagrindai

An Dirbtinis neuroninis tinklas (DNT) (skaičiavimo sistema, laisvai įkvėpta biologinių neuronų) apdoroja įvesties duomenis per tarpusavyje sujungtų mazgų sluoksnius.

Kiekvienas ryšys turi skaitinį svorį, kuris lemia, kaip stipriai vieno mazgo aktyvacija veikia kitą. Tinklo mokymas reiškia tų svorių koregavimą naudojant paženklintus pavyzdžius, kol tinklo išvesties prognozės atitinka teisingas etiketes su minimaliu paklaida.

A Konvoliucinis neuroninis tinklas (CNN) (specializuota neuroninio tinklo architektūra, sukurta vaizdo duomenims) taiko matematines operacijas, vadinamas konvoliucija, per vaizdą. Konvoliucijos metu per vaizdą slenkamas mažas filtro langas – paprastai 3 × 3 arba 5 × 5 pikselių – ir kiekvienoje pozicijoje apskaičiuojama svertinė suma, taip sukuriant elementų žemėlapį, kuriame fiksuojami vietiniai modeliai, tokie kaip kraštai, tekstūros ir spalvų gradientai.

Kelių konvoliucinių sluoksnių sujungimas leidžia tinklui palaipsniui mokytis abstraktesnių savybių: kraštų ankstyvuosiuose sluoksniuose, formų viduriniuose sluoksniuose ir ligoms būdingų modelių gilesniuose sluoksniuose.

Šis hierarchinis požymių mokymasis yra būtent tai, kas CNN daro galingus pomidorų ligų aptikimo įrankius. Pažeidimo apskrita riba, jos vidinė tekstūros gradientas, ją supanti gelstanti aureolė – visa tai tampa išmokstamais požymių deriniais visuose tinklo sluoksniuose.

2. Kodėl gilusis mokymasis pranašesnis už tradicinius metodus

Tradicinis mašininis mokymasis augalų ligoms aptikti reikalavo, kad srities ekspertai rankiniu būdu kurtų funkcijas: išgautų spalvų histogramas, apskaičiuotų tekstūros deskriptorius arba matuotų formos parametrus iš lapų vaizdų, o tada šiuos skaičius pateiktų klasifikatoriams, tokiems kaip atraminių vektorių mašinos (SVM). Šis srautas buvo daug darbo reikalaujantis, priklausė nuo patirties ir buvo trapus, kai ligos išvaizda skyrėsi nuo mokymo sąlygų.

• Gilusis mokymasis atlieka automatinį požymių išskyrimą, mokydamasis tiesiogiai iš pikselių duomenų be rankinio požymių inžinerijos, taip pašalindamas ekspertų apibrėžtų deskriptorių keliamą kliūtį.
• Giliojo mokymosi klasifikavimo tikslumas etaloniniuose duomenų rinkiniuose paprastai viršija 95% ir dažnai pasiekia 99%+, palyginti su 80–88% tikslumu, taikomu tradiciniams SVM pagrįstiems metodams, naudojant tuos pačius duomenis.
• Giliojo mokymosi modeliai efektyviai pritaikomi dideliems duomenų rinkiniams. Pridedant daugiau paženklintų ligos vaizdų, modelio našumas gerėja, o tradiciniai metodai nepasikeičia, kai požymių rinkiniai yra fiksuoti.

Lobna ir kt. (2024 m.) apmokė kapsulės neuroninį tinklą su dideliu duomenų rinkiniu 70 834 pomidorų lapų vaizdai ir pasiekė klasifikavimo tikslumą 96.39% keliose ligų kategorijose, geriau nei standartiniai CNN pradiniai rodikliai, remiantis tais pačiais duomenimis.

Dideli, įvairūs duomenų rinkiniai kartu su optimizuotomis architektūromis nuolat užtikrina tikslumo lygį, kuris viršija tai, kas pasiekiama naudojant tradicinius kompiuterinio matymo kanalus.

„Geopard Agriculture“ naudojimas ligų nustatymui tikruose laukuose

„Geopard Agriculture“ sukuria būtent tokį sluoksnį. Jos tiksli žvalgybos platforma sujungia lauko stebėjimą, ligų identifikavimą ir sprendimų palaikymą į vieną darbo eigą, kurią bet kuris agronomas ar augintojas gali valdyti išmaniajame telefone.

Ką „Geopard“ siūlo pomidorų ligų valdymui

„Geopard“ išmanioji žvalgymo sistema nustato vertingiausias jūsų lauko vietas, kad jas būtų galima tiksliai patikrinti, užuot reikalavusi vienodai aprėpti kiekvieną eilę. Ji automatiškai pažymi pasėlių dygimo anomalijas ir nukreipia žvalgymo pastangas į zonas, kuriose ligų ar streso rizika yra didžiausia.

Tai tiesiogiai sprendžia lauko aprėpties problemą, kuri riboja rankinio žvalgymo programas dideliuose ūkiuose. Platforma palaiko visų pagrindinių lauke esančių grėsmių kategorijų, susijusių su pomidorų auginimu, aptikimą ir registravimą:

• Grybelinių ligų atpažinimas, apimantis ankstyvąją marą, vėlyvąją marą, septoriozę lapų dėmėtligę ir lapų pelėsį – ligas, kurių aptikimo laikas labiausiai lemia, ar intervencija sėkminga.
• Bakterinių ir virusinių ligų, įskaitant bakterijų dėmių ir mozaikinio viruso simptomus, identifikavimas, pateikiant nuotraukų dokumentaciją, susietą su GPS koordinatėmis, kad būtų galima tiksliai sudaryti lauko žemėlapį.
• Drėkinimo ir tręšimo problemų nustatymas, leidžiantis žvalgybos komandoms atkreipti dėmesį į abiotinio streso simptomus, kurie gali imituoti arba sustiprinti ligų simptomus pomidorų lajose.
• Piktžolių ir vabzdžių identifikavimas kartu su ligų žvalgyba, todėl vieno lauko patikrinimo metu susidaro išsamus grėsmės vaizdas, o ne atskiros ataskaitos iš atskirų programų.
• Lapų pažeidimų ir audinių mėginių ėmimo palaikymas, leidžiantis integruoti fizinį laboratorinį mėginių ėmimą į skaitmeninio žvalgymo darbo eigą.

Zonų planavimas yra integruotas į žvalgybos pasirengimo etapą. „Geopard“ konvertuoja neapdorotus lauko jutiklių ir palydovų duomenis į ištisinius gradiento paviršiaus žemėlapius, kurie vizualizuoja lauko heterogeniškumą, leisdami agronomams apibrėžti valdymo zonas prieš pradedant žvalgybą. Neprisijungus pasiekiami zonų žemėlapiai ir dirvožemio duomenys be interneto ryšio, o tai svarbu ūkiuose, kuriuose mobiliojo ryšio aprėptis yra nepastovi.

Mobilusis vykdymas, ataskaitų teikimas ir avariniai įspėjimai

Visi lauko stebėjimai fiksuojami naudojant „Geopard“ mobiliąją programėlę. Skautai realiuoju laiku įrašo pastabas, nuotraukas ir georeferencinius stebėjimus, o atlikti žvalgybos įrašai tiesiogiai perduodami į platformos ataskaitų suvestinę.

Lauko vadovai gali matyti, kokios grėsmės buvo nustatytos, kur jos buvo rastos, kokių veiksmų buvo imtasi ir kurios zonos vis dar stebimos – nekonsoliduodami duomenų iš popierinių formų ar atskirų programėlių.

Avarinio perspėjimo sistema stebi ligų plitimo modelius platformos tinkle ir siunčia pranešimus, kai jūsų vietovėje didėja ligos spaudimas. Ši ankstyvojo perspėjimo funkcija pailgina veiksmingo aptikimo langą, kad būtų galima atlikti daugiau veiksmų nei bet kurio vieno ūkio vidinė žvalgyba, suteikdama augintojams laiko parengti prevencines priemones, kol liga nepasiekė jų laukų.

„Geopard“ metodas demonstruoja praktinį integracijos kelią, kurį tiksliosios žemdirbystės tyrėjai aprašo teoriškai: palydovų ir jutiklių duomenys, padedantys nustatyti žvalgybos prioritetus, mobiliosios priemonės, leidžiančios fiksuoti stebėjimus realiuoju laiku, ir dirbtinio intelekto pagalba nustatomas grėsmių nustatymas, padedantis greičiau ir tikslingiau priimti sprendimus ūkio lygmeniu.

Duomenų rinkinio paruošimas aptikimo modelio pagrindui

Giluminio mokymosi modelis yra toks pat patikimas, kokie yra duomenys, su kuriais jis buvo apmokytas. Duomenų rinkinio paruošimas pomidorų lapų ligoms aptikti yra daugiapakopis procesas, kuris nustato bet kurio modelio realaus našumo ribas.

1. Vaizdų gavimo šaltiniai

Lauko vaizdai, užfiksuoti realiomis žemės ūkio sąlygomis – su kintamu apšvietimu, daliniu uždengimu, vandens lašeliais ir dirvožemio fonu – yra auksinis duomenų rinkinių įvairovės standartas, nors juos surinkti sunkiau ir brangiau nei kontroliuojamos aplinkos vaizdus.

Ūkininkų išmaniaisiais telefonais įprastų žvalgybų metu užfiksuoti vaizdai vis dažniau tampa praktišku duomenų šaltiniu, kuris padeda sujungti laboratorines sąlygas su realiais naudojimo scenarijais.

Viešieji duomenų rinkiniai gerokai paspartino tyrimus. „PlantVillage“ duomenų rinkinys, kurį sukūrė Pensilvanijos valstijos universitetas, yra daugiau nei 54 000 vaizdų sveikų ir sergančių augalų lapų 26 rūšyse, įskaitant 10 pomidorų ligų kategorijų.

Jis buvo mokymo pagrindas šimtams paskelbtų pomidorų ligų aptikimo modelių ir išlieka plačiausiai naudojamu etaloniniu duomenų rinkiniu šioje srityje.

2. Duomenų išankstinio apdorojimo veiksmai

Iš įvairių šaltinių surinktuose neapdorotuose vaizduose yra triukšmo, nepastovių dydžių ir spalvų kalibravimo skirtumų, kurie gali sukelti klaidingus modelio mokymo modelius. Išankstinis apdorojimas standartizuoja duomenis prieš jiems pasiekiant modelį.

1. Keičiant vaizdo dydį, visi vaizdai pritaikomi prie vienodos skiriamosios gebos – paprastai 224 × 224 arba 256 × 256 pikselių CNN architektūrose – užtikrinant, kad erdvinės operacijos tinkle būtų taikomos vienodai visuose mokymo pavyzdžiuose.
2. Triukšmo šalinimo funkcija taiko išlyginimo filtrus, pvz., Gauso suliejimą, kad sumažintų jutiklio triukšmą ir JPEG glaudinimo artefaktus, kurie gali klaidinti tekstūrai jautrius konvoliucinius sluoksnius.
3. Duomenų papildymas dirbtinai išplečia mokymo rinkinį, taikydamas atsitiktinius horizontalius apvertimus, pasukimus, spalvų virpėjimą, ryškumo koregavimą ir atsitiktinį apkarpymą esamiems vaizdams. Tai išmoko modelį atpažinti ligų modelius, neatsižvelgiant į lapo orientaciją, apšvietimo kampą ar vaizdo kompoziciją.
4. Normalizavimas keičia pikselių verčių skalę iš pradinio 0–255 diapazono į mažesnį diapazoną, paprastai 0–1 arba nulinį vidurkį, vienetinę dispersiją. Tai leidžia gradientu pagrįstą mokymą padaryti skaitiniu požiūriu stabilesnį ir greičiau konverguoti.

3. Duomenų rinkinio anotavimas ir žymėjimas

Kiekvienas prižiūrimo mokymosi duomenų rinkinio vaizdas turi turėti pagrindinę tiesos etiketę: kuriai ligos kategorijai jis priklauso arba ar lapas sveikas. Šį žymėjimą turi atlikti arba patvirtinti augalų patologai, o ne tik žemės ūkio universalistai, nes vizualinis ligų sutapimas mėgėjišką anotaciją daro nepatikimą.

Ligos klasifikavimo klasės lygio anotacija yra gana paprasta, tačiau objektų aptikimo modelių ribojančio langelio anotacija – tiksli pažeidimo vietos žymėjimas vaizde – reikalauja žymiai daugiau laiko ir patirties kiekvienam vaizdui.

Giliojo mokymosi architektūros, naudojamos pomidorų ligoms aptikti

Mokslininkų bendruomenė įvertino dešimtis pomidorų lapų ligų klasifikavimo architektūrų. Supratimas, kurios architektūros dominuoja ir kodėl, padeda specialistams priimti pagrįstus sprendimus diegiant šias sistemas.

1. Standartiniai konvoliuciniai neuroniniai tinklai

Pagrindiniai CNN ligų klasifikavimo modeliai atitinka standartinį modelį: konvoliuciniai sluoksniai požymių išskyrimui, sujungiantys sluoksnius, kurie sumažina erdvinius matmenis, išlaikant dominuojančius požymius, ir visiškai sujungti sluoksniai gale, kurie susieja išskirtus požymius su ligos klasės tikimybėmis.

Ankstyvasis „PlantVillage“ duomenų rinkinio darbas parodė, kad net ir kuklūs CNN su 5–7 sluoksniais gali pasiekti didesnį nei 90% tikslumą švariuose, laboratorijoje gautuose vaizduose.

2. Mokymosi perkėlimas naudojant iš anksto apmokytas architektūras

Perkeliamasis mokymasis (praktika, kai pradedama nuo modelio, iš anksto apmokyto naudojant didelį bendrą duomenų rinkinį, ir tikslinama jį naudojant konkrečios srities duomenų rinkinį) pakeitė pomidorų ligų aptikimo tyrimus, leisdama apmokyti didelio tikslumo modelius naudojant santykinai nedidelius žemės ūkio duomenų rinkinius.

1. VGG16 ir VGG19, kurį sukūrė Vizualinės geometrijos grupė Oksforde, naudoja 16 arba 19 svorio sluoksnių su vienodais 3×3 konvoliucijomis. Jie išlieka patikimais pomidorų ligų klasifikavimo pradmenimis, paprastai pasiekdami 94–97% tikslumą, atlikus tikslų ligų duomenų rinkinių suderinimą.

2. ResNet (Liekamasis tinklas) pristatė praleidžiamuosius ryšius, kurie leidžia gradientams tiesiogiai tekėti per sluoksnius, išspręsdami nykstančio gradiento problemą, kuri anksčiau ribojo mokymo gylį. Naujausiuose tyrimuose „ResNet50“, tiksliai suderintas su pomidorų ligų duomenimis, nuosekliai pasiekia 96–98% tikslumą.

3. Tankus tinklas praplečia praleidžiamojo sujungimo koncepciją, sujungdamas kiekvieną sluoksnį su kiekvienu paskesniu sluoksniu tankiame bloke, maksimaliai padidindamas funkcijų pakartotinį panaudojimą ir sukurdamas kompaktiškus modelius, pasižyminčius dideliu klasifikavimo našumu.

4. Efektyvus tinklas, „Google Brain“ sukurtas metodas vienu metu keičia tinklo plotį, gylį ir skiriamąją gebą naudodamas sudėtinį koeficientą. „EfficientNetB0“ su dėmesio moduliu pasiekė 99,39% tikslumas apie augalų ligų klasifikaciją González-Briones ir kt. (2025 m.) paskelbtame tyrime, kurio našumas tinkamas diegti periferinius įrenginius.

5. Mobilusis tinklas, sukurta specialiai įrenginiams, kuriuose riboti ištekliai, naudoja gyliu atskiriamas konvoliucijas, kad smarkiai sumažintų skaičiavimus, išlaikant didelį tikslumą, todėl tai yra pageidaujama architektūra išmaniųjų telefonų ir periferinių įrenginių dirbtinio intelekto diegimui tiksliojoje žemdirbystėje.

3. Hibridiniai ir pažangūs modeliai

Naujausi tyrimai peržengė standartinių CNN ribas ir pradėjo kurti architektūras, kurios gali užfiksuoti ilgesnio nuotolio erdvinius ryšius lapų vaizduose.

Regėjimo transformatoriai (ViT) (neuroniniai tinklai, kurie vaizdų pataisoms taiko „Transformer“ dėmesio mechanizmą, iš pradžių sukurtą natūralios kalbos apdorojimui) parodė puikius rezultatus augalų ligų aptikimo srityje, kai yra pakankamai mokymo duomenų.

Skirtingai nuo CNN, kurie apdoroja vietinius vaizdo regionus per konvoliucijas, ViT vienu metu mokosi ryšių tarp visų vaizdo fragmentų, leisdami jiems aptikti erdvėje paskirstytus modelius visame lape.

Dėmesio pagrindu veikiantys CNN hibridai Sujunkite konvoliucijų vietinį požymių išskyrimo stiprumą su dėmesio mechanizmais, kurie leidžia modeliui sutelkti apdorojimo išteklius į labiausiai ligai aktualius vaizdo regionus.

Sukurta lengva, Siamo tinklu paremta pomidorų ligų aptikimo sistema 96,97% tikslumas „Plant Village“ pomidorų pogrupyje su tik maždaug 2,96 mln. parametrų („Frontiers in Plant Science“, 2025 m.), o tai rodo, kad didelis tikslumas ir techninės įrangos efektyvumas nėra vienas kitą paneigiantys tikslai.

Ansamblio mokymosi modeliai derinti prognozes iš kelių nepriklausomai apmokytų architektūrų, apskaičiuojant jų vidurkį arba balsuojant pagal jas, siekiant gauti galutinę prognozę, kuri yra patikimesnė nei bet kuris atskiras modelis. Wu ir kt. (2024) pritaikė „ResNet50“ su požymių papildymo metodais, kad šiuo metodu pagerintų klasifikavimo našumą.

Abdullah ir kt. (Agronomija, 2024) palygino YOLOv8s, YOLOv5 ir „Faster R-CNN“ metodus, skirtus aptikti sergančius pomidorų lapus, ir nustatė, kad YOLOv8s pasiekė vidutinį tikslumą (mAP), kuris buvo 92.5%, pranokdamas YOLOv5 (89.1%) ir greitesnį R-CNN (77.5%), tuo pačiu demonstruodamas greitesnį išvadų darymo greitį ir mažesnį modelio pėdsaką.

Realaus laiko aptikimo taikymams lauke YOLOv8 klasės modeliai siūlo geriausią tikslumo ir apdorojimo greičio pusiausvyrą, todėl jie puikiai tinka montuoti ant dronų arba diegti periferiniuose įrenginiuose.

Pažangi ligų aptikimo sistema

Išsklaidoma išmanioji ligų aptikimo sistema yra daugiau nei apmokytas modelis. Tai visapusiškas procesas, pereinantis nuo neapdorotų vaizdų fiksavimo prie veiksmingų ligų valdymo rekomendacijų.

1. Sistemos architektūra

Pagrindinis vamzdynas susideda iš penkių nuoseklių etapų, kurių kiekvienas transformuoja duomenis prieš perduodamas juos kitam.

1. Vaizdo įvestis priima neapdorotus lapų vaizdus iš bet kokio fiksavimo šaltinio – lauko išmaniojo telefono, ant bepiločio orlaivio sumontuotos kameros arba stacionarios šiltnamio kupolo kameros. Įvesties apdorojimo moduliai patikrina vaizdo skiriamąją gebą ir pažymi neryškius arba netinkamus vaizdus prieš jiems patenkant į apdorojimo srautą.

2. Išankstinio apdorojimo etape taikomi 6.2 skyriuje aprašyti normalizavimo, dydžio keitimo ir kokybės gerinimo veiksmai, užtikrinant, kad įvestis atitiktų apmokyto modelio numatytą formatą.

3. Požymių išskyrimas atlieka iš anksto apdoroto vaizdo perskaitymą apmokyto gilaus mokymosi modelio konvoliuciniuose sluoksniuose. Šiame etape modelis transformuoja neapdorotus pikselių duomenis į kompaktišką skaitmeninį vaizdą (požymių vektorių), kuris koduoja su liga susijusias lapo vizualines charakteristikas.

4. Ligos klasifikacija taiko pilnai sujungtus sluoksnius ir „softmax“ išvesties funkciją požymių vektoriui, apskaičiuodama kiekvienos ligos kategorijos tikimybės balą. Kategorija su didžiausia tikimybe tampa numatoma diagnoze.

5. Sprendimų palaikymo funkcija klasifikavimo rezultatą paverčia praktine rekomendacija: nustatytos ligos pavadinimu, patikimumo lygiu, siūlomais valdymo veiksmais (tiksliniu fungicidu, biokontrolės priemone, pažeistų augalų pašalinimu) ir georeferenciniais vietos duomenimis, jei vaizdas buvo užfiksuotas GPS įrenginiu.

2. Praktinis visapusiškos aptikimo sistemos darbo eiga

Realiame diegime ūkininkas atidaro mobiliąją programėlę ir nufotografuoja pažeistą lapą. Vaizdas siunčiamas į debesies serverį, kuriame veikia aptikimo modelis, arba apdorojamas lokaliai įrenginyje naudojant suspaustą krašto modelį.

Per kelias sekundes programėlė pateikia diagnozę: “Ankstyvasis maras – 94% patikimumas. Rekomenduojamas veiksmas: pažeistoje zonoje naudoti 1,5 kg/ha mankozebo pagrindo fungicidą.“.

”Stebėkite kaimyninius augalus kitas 5 dienas.“ Georeferencinis rezultatas registruojamas ūkio skaitmeniniame sveikatos žemėlapyje, o jei ta pati liga pasireiškia keliose zonose, sistema visam lauko blokui įjungia padidėjusios rizikos įspėjimą.

Demilie (2024), apžvalga 161 leidinys giliuoju mokymusi pagrįstu augalų ligų aptikimu atliktame tyrime nustatyta, kad pomidorai buvo labiausiai ištirtas augalas visuose tyrimuose, dėl kurio 39% iš visų leidinių — daugiau nei dvigubai didesnis už antrojo pagal dydį tirto pasėlio (ryžių, kurių plotas 16%) aprėptis, o tai patvirtina unikalų šio pasėlio ekonominės svarbos ir pažeidžiamumo ligoms sankirtos aspektą.

Pomidorų ligų aptikimo tyrimų branda reiškia, kad praktikai gali naudotis daugybe patvirtintų architektūrų ir iš anksto apmokytų modelių, užuot kūrę viską nuo nulio.

Veiklos vertinimo metrika

Tinkamo vertinimo rodiklio pasirinkimas yra toks pat svarbus kaip ir tinkamos architektūros pasirinkimas, ypač ligų aptikimo atveju, kai klaidingai neigiami rezultatai (kai neaptinkama tikra liga) kainuoja kitaip nei klaidingai teigiami rezultatai (kai sveikas lapas neteisingai identifikuojamas kaip sergantis).

Tikslumas matuoja visų teisingų prognozių dalį. Tai dažniausiai pateikiamas rodiklis, tačiau jis gali būti klaidinantis, kai ligų klasės yra nesubalansuotos – modelis, kuris duomenų rinkinyje su 90% sveikų vaizdų duomenimis visada prognozuoja “sveiką” būseną, pasiekia 90% tikslumą, tačiau yra visiškai nenaudingas ligų aptikimui.

Tikslumas matuoja, kokia ligų aptikimų dalis yra tikri teigiami atvejai, fiksuojant klaidingų aliarmų rodiklį. Didelis tikslumas reiškia, kad modelis retai sukelia nereikalingų gydymo rekomendacijų.

Atgauti (jautrumas) matuoja, kokia dalis iš tikrųjų sergančių augalų yra teisingai pažymėti. Didelis atkūrimo lygis reiškia, kad modelis retai praleidžia tikras infekcijas – tai svarbesnis ligų valdymo rodiklis.

F1 balas yra tikslumo ir atkūrimo harmoninis vidurkis, pateikiantis vieną subalansuotą matą, kuris baudžia modelius, kurie aukoja vieną dėl kito. Tai yra pageidaujamas rodiklis, kai ir klaidingai teigiami, ir klaidingai neigiami rezultatai turi reikšmingų sąnaudų.

Specifiškumas matuoja, kaip tiksliai modelis atpažįsta tikrai sveikus lapus kaip sveikus, o tai svarbu siekiant išvengti nereikalingo pesticidų naudojimo ligų neapimtuose pasėliuose.

Svetainė Sumišimo matrica rodo visą prognozių suskirstymą visose klasėse, atskleidžiant, kurios ligų poros yra dažniausiai painiojamos – tai itin svarbi informacija mokymo duomenims ar modelio architektūrai tobulinti.

Svetainė ROC-AUC (imtuvo veikimo charakteristika – plotas po kreive) matuoja bendrą modelio skiriamąjį gebą tarp visų klasifikavimo slenksčių, kai 1,0 reikšmė rodo tobulą skiriamąjį gebą, o 0,5 – atsitiktinumo lygio našumą.

Pomidorų ligų aptikimas realiuoju laiku: diegimas

Didelio tikslumo modelio perkėlimas iš tyrimų sąsiuvinio į veikiančią ūkio sistemą reikalauja išspręsti kitokias problemas nei modelio mokymas. Diegimo aplinkos turi techninės įrangos apribojimų, ryšio apribojimų ir delsos reikalavimų, kurie lemia architektūros ir infrastruktūros pasirinkimą.

1. Išmaniųjų telefonų programėlės mobiliajai ligų diagnostikai

Išmaniųjų telefonų programėlės yra prieinamiausias diegimo būdas smulkiesiems ir vidutinio dydžio ūkininkams. Programėlės, sukurtos naudojant „MobileNet“ arba „EfficientNet-Lite“ modelius, atlieka išvadas tik įrenginyje, todėl fiksavimo metu nereikia interneto ryšio.

Tiksliausias modelis tiksliojoje žemdirbystėje yra bevertis, nebent jis gali veikti įrenginyje, kurį jau turi ūkininkas.

Tai nepaprastai svarbu kaimo arba prasto susisiekimo regionų ūkiams. Ūkininkas nufotografuoja įtartiną lapą, per 1–3 sekundes gauna ligos prognozę ir rezultatą užregistruoja duomenų bazėje, kurioje kaupiami viso ūkio sveikatos duomenys per visą vegetacijos sezoną.

2. Dirbtinio intelekto diegimas naudojant kraštą: išvados įrenginyje

Edge AI (dirbtinio intelekto išvadų vykdymas tiesiogiai duomenų rinkimo taške esančioje įrangoje, o ne duomenų siuntimas į nuotolinį serverį) išsprendžia debesijos pagrindu veikiančio aptikimo delsos ir ryšio problemas. Specialūs periferiniai įrenginiai, tokie kaip „NVIDIA Jetson“ serija arba „Google“ „Coral TPU“ greitintuvai, gali paleisti suspaustus CNN modelius daugiau nei 30 kadrų per sekundę greičiu, o tai leidžia nuolat stebėti lapus realiuoju laiku iš fiksuotų kamerų, sumontuotų ant šiltnamių turėklų arba lauko drėkinimo konstrukcijų.

Modelių glaudinimo metodai – kvantizavimas (modelio svorių skaitmeninio tikslumo mažinimas), genėjimas (mažos svarbos tinklo ryšių pašalinimas) ir žinių distiliavimas (mažo modelio mokymas imituoti didelį) – leidžia tai pasiekti neprarandant priimtino tikslumo.

3. Dronais pagrįstos stebėjimo sistemos didelio masto ūkių stebėjimui

Ūkiams, kurių plotas didesnis nei 20–30 hektarų, antžeminė apžiūra negali užtikrinti reikiamos erdvinės aprėpties, kad būtų galima aptikti ligų protrūkius prieš jiems išplintant. Daugiaspektrinėmis kameromis aprūpintos bepiločių orlaivių sistemos fiksuoja ligos streso parašus viso lauko lygmeniu.

Užfiksuoti vaizdai tiekiami į integruotą procesorių arba perduodami į antžeminę stotį, kur aptikimo modelis nustato užkrėstas zonas ir sukuria georeferencinį žemėlapį, uždengtą ūkio skaitmeniniais sklypų įrašais.

Tai keičia ligos valdymą nuo reaktyvaus (reagavimo po to, kai simptomai tampa akivaizdūs) prie erdvinio proaktyvaus (reagavimo į konkrečias lauko koordinates, kur aptinkamas ankstyvas stresas).

Giliojo mokymosi pagrindu veikiančių ligų aptikimo iššūkiai

Šioje srityje padaryta didelė pažanga, tačiau sąžiningas likusių iššūkių įvertinimas padeda išvengti pernelyg didelio pasitikėjimo dislokavimo sprendimais.

Riboto lauko duomenų rinkiniai tebėra labiausiai paplitusi problema. Dauguma didelio tikslumo modelių yra apmokomi ir vertinami naudojant „PlantVillage“, kurioje naudojami kontroliuojamo apšvietimo, vieno lapo vaizdai švariame fone. Realus lauko našumas gerokai sumažėja, kai tie patys modeliai susiduria su sudėtingais, daugiaelementiais vaizdais, paimtais esant kintančiam apšvietimui.

Apšvietimo sąlygų skirtumai — tiesioginiai saulės spinduliai, sukeliantys veidrodinius atspindžius lapų paviršiuje, apsiniaukę išsklaidytos šviesos plokštinimo efektai arba pasėlių lajos šešėliai, – pakeičia matomą pažeidimų spalvą ir tekstūrą taip, kad klasifikavimas gali pablogėti 5–15 procentinių punktų, palyginti su kontroliuojamomis sąlygomis.

Fono sudėtingumas Lauko vaizduose pateikiama nereikšminga vaizdinė informacija. Dirvožemis, mulčias, drėkinimo lašų linijos, vaisiai ir kiti lapai gali būti matomi tame pačiame vaizdo kadre kaip ir sergantis lapas, o modeliai, kurie nėra specialiai apmokyti dirbti su sudėtingu fonu, dažnai painioja fono elementus su ligos požymiais.

Kelios ligos viename lape kyla klasifikavimo iššūkis, kurio dauguma vienos etiketės modelių nėra skirti įveikti. Lapui, kuriame vienu metu pasireiškia bakterinė dėmėtligė ir ankstyvoji degradacija, reikalinga daugiaetiketė klasifikavimo galimybė, o tai padidina mokymo sudėtingumą ir duomenų rinkinio anotavimo reikalavimus.

Klasės disbalansas Mokymo duomenų rinkiniuose – daug daugiau įprastų ligų, tokių kaip ankstyvoji maras, vaizdų nei retų ligų, tokių kaip mozaikos virusas, – modeliai pernelyg pasitiki dažnai pasitaikančiomis klasėmis ir yra nepatikimi rečiau reprezentuojamomis klasėmis.

Modelio interpretuojamumas yra didelė kliūtis pasitikėjimui ūkio lygmeniu. Kai modelis klasifikuoja lapą kaip pažeistą su 97% patikimumo lygiu, dauguma ūkininkų ir agronomų nori suprasti, kokie vizualiniai požymiai lėmė šį sprendimą, prieš imdamiesi veiksmų pagal rekomendaciją.

Naujausi pasiekimai intelektualiojo ligų aptikimo srityje

Mokslinių tyrimų sritis juda keliomis kryptimis vienu metu, spręsdama skirtingas pirmiau nurodyto iššūkio dalis.

1. Paaiškinamasis dirbtinis intelektas (XAI) Įrankiai, ypač „Grad-CAM“ (gradiento svertinis klasės aktyvinimo žemėlapių sudarymas), kuris sukuria šilumos žemėlapių perdengimus, rodančius, į kuriuos lapo vaizdo regionus modelis sutelkė dėmesį priimdamas sprendimą, tiesiogiai sprendžia interpretuojamumo problemą.

„Grad-CAM“ vizualizacija, rodanti, kad modelio dėmesys sutelktas į tamsų pažeidimo žiedą, suteikia agronomams galimybę įvertinti ir pasitikėti.

2. Regėjimo transformatoriai (ViT) toliau populiarėja pomidorų ligų aptikimo srityje, nes tobulėja išankstinio mokymo strategijos ir mažėja duomenų reikalavimai ViT tikslinimui.

Dėl gebėjimo užfiksuoti pasaulinius lapų lygio modelius, o ne vien lokalius požymius, jie yra ypač perspektyvūs aptikti virusines ligas, kurios veikia visą lapų paviršiaus pasiskirstymą, o ne sukelia lokalizuotus pažeidimus.

3. Federacinis mokymasis sprendžia lauko duomenų rinkinio problemą, leisdama modelius apmokyti bendradarbiaujant keliuose ūkiuose, necentralizuojant jautrių duomenų.

Kiekvienas ūkis apmoko vietinį modelį su savo atvaizdais, ir tik modelio parametrų atnaujinimai (ne patys atvaizdai) yra bendrinami siekiant patobulinti centrinį globalų modelį. Tai išsaugo ūkininkų duomenų privatumą ir kartu žymiai padidina mokymo duomenų įvairovę.

Tikslus ligų valdymas nebus apibrėžiamas vieno modelio tikslumu – jį apibrėš sistemos, jungiančios aptikimą, sprendimų priėmimą ir veiksmus, intelektas.

4. Savarankiškas mokymasis iš anksto apmoko modelius su didelėmis nepažymėtų augalų vaizdų kolekcijomis, kad išmoktų bendrus vaizdinius atvaizdavimus, o tada tiksliai derina nedidelius paženklintus ligų duomenų rinkinius. Tai sumažina anotacijų naštą ir leidžia kurti aukštos kokybės modelius ligų kategorijoms, kuriose paženklintų pavyzdžių trūksta.

5. Multimodalinis ligų nustatymas integruoja lapų vaizdų duomenis su spektrinių jutiklių rodmenimis, meteorologijos stočių duomenimis ir istoriniais ligų įrašais į vieningą modelio įvestį. Vizualinių ir aplinkos duomenų derinimas gali padidinti aptikimo našumą, viršijantį tai, ką palaiko vien vaizdo duomenys, ypač ligų, kurių vizualinius simptomus lemia biocheminiai pokyčiai, aptinkami spektriniuose parašuose, atveju.

Būsimos tyrimų kryptys: ko šiai sričiai dar reikia

Norint pereiti nuo didelio tikslumo tyrimų modelių prie nuosekliai patikimo diegimo ūkių lygmeniu, reikia sutelkto darbo keliose srityse.

Realaus diegimo patvirtinimas Norint sąžiningai apibūdinti našumo atotrūkį tarp kontroliuojamų ir lauko sąlygų aptikimo, reikia ne tik „PlantVillage“ etalonų, bet ir įvairiose geografinėse vietovėse bei ūkininkavimo sistemose.

Patikimas lauko lygio aptikimas Reikės specialiai sukurtų lauko duomenų rinkinių, surinktų per kelis auginimo sezonus, keliose šalyse, ir sistemingai dokumentuoti oro sąlygas vaizdo fiksavimo metu.

Integracija su daiktų internetu ir išmaniąja ūkininkavimo infrastruktūra – ligų aptikimo įspėjimų tiesioginis sujungimas su automatizuotomis drėkinimo ir tręšimo sistemomis, dronų purškimo platformomis ir ūkio valdymo programine įranga – užbaigs ciklą tarp aptikimo ir veiksmų.

Prognozinė ligų prognozė, Derinant dabartinius ligų aptikimo duomenis su orų prognozavimo modeliais ir istoriniais ligų plitimo modeliais, bus pakeista paradigma nuo reaktyvaus aptikimo prie išankstinio valdymo: rekomenduojant prevencinius veiksmus dar prieš atsirandant simptomams.

Autonominės žemės ūkio sistemos — Bepiločių orlaivių (UAV) parkai, kurie nuolat stebi laukus, žymi ligų zonas ir koordinuoja veiksmus su automatiniais purkštuvais be žmogaus įsikišimo, — tai horizontas, į kurį juda dabartinės tiksliosios žemdirbystės technologijos.

Išvada

Išmanus pomidorų lapų ligų aptikimas naudojant gilųjį mokymąsi nebėra eksperimentinė technologija. Tai brandi, gerai patvirtinta programa, turinti vis daugiau recenzuotų įrodymų, patvirtinančių jos gebėjimą tiksliai, greitai ir dirbančiems ūkininkams prieinama kaina nustatyti pomidorų ligas. Nuo pagrindinių CNN modelių, apmokytų naudojant „PlantVillage“ duomenų rinkinį, iki dėmesio valdomų hibridinių architektūrų, pasiekiančių 99%+ tikslumą, techninės galimybės dabar viršija daugumai ūkininkavimo įmonių prieinamą diegimo infrastruktūrą.

Kelias į priekį aiškus. Tiksliosios žemdirbystės sistemos, kurios integruoja vaizdais pagrįstą ligų aptikimą su daiktų interneto jutiklių tinklais, bepiločių orlaivių stebėjimu ir prognozuojamaisiais orų modeliais, šį dešimtmetį apibrėš konkurencingą pomidorų gamybą. Dirbtinis intelektas tiksliosios žemdirbystės rinkoje auga sparčiai. Metinis augimo tempas (CAGR) 15,11 TP3T link $12,7 milijardo iki 2034 m. rodo, kad šios investicijos jau vykdomos dideliu mastu.