{"id":13709,"date":"2026-06-08T19:33:44","date_gmt":"2026-06-08T17:33:44","guid":{"rendered":"https:\/\/geopard.tech\/?p=13709"},"modified":"2026-06-08T19:33:44","modified_gmt":"2026-06-08T17:33:44","slug":"ismanus-pomidoru-lapu-ligu-aptikimas-tiksliojoje-zemdirbysteje","status":"publish","type":"post","link":"https:\/\/geopard.tech\/lt\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/","title":{"rendered":"Pa\u017eangus pomidor\u0173 lap\u0173 lig\u0173 aptikimas tiksliojoje \u017eemdirbyst\u0117je"},"content":{"rendered":"

Pa\u017eangus pomidor\u0173 lap\u0173 lig\u0173 aptikimas yra dviej\u0173 galing\u0173 j\u0117g\u0173, kei\u010dian\u010di\u0173 pasaulin\u012f \u017eem\u0117s \u016bk\u012f, sankirta: paties pomidor\u0173 derliaus ekonomin\u0117 svarba ir spartus kompiuterinio matymo technologijos brendimas. Pomidorai yra pla\u010diausiai pasaulyje auginama dar\u017eov\u0117, kurios gamyba apima daugiau nei 5 milijonus hektar\u0173 daugiau nei 170 \u0161ali\u0173.<\/p>\n

Vien nuostoliai d\u0117l lap\u0173 lig\u0173 kiekvien\u0105 sezon\u0105 sunaikina didel\u0119 \u0161io derliaus dal\u012f, o \u012fprastin\u0117 vizualin\u0117 \u016bkio darbuotoj\u0173 ap\u017ei\u016bra yra per l\u0117ta, pernelyg kintama ir per brangi, kad b\u016bt\u0173 galima j\u0105 i\u0161pl\u0117sti. Tikslioji \u017eemdirbyst\u0117, paremta dirbtiniu intelektu, si\u016blo geresn\u012f keli\u0105. \u0160is vadovas apima vis\u0105 intelektualaus pomidor\u0173 lap\u0173 lig\u0173 aptikimo srit\u012f \u2013 nuo pagrindin\u0117s biologijos iki pa\u017eangiausi\u0173 architekt\u016br\u0173.<\/p>\n

Kod\u0117l svarbu auginti pomidorus ir nustatyti ligas<\/h2>\n

Pomidoras (Solanum lycopersicum<\/em>) yra labiausiai tiriamas dar\u017eovi\u0173 augalas augal\u0173 patologijos srityje, ir ekonominis \u0161io d\u0117mesio pagrindimas yra ai\u0161kus. Pasaulin\u0117 pomidor\u0173 gamyba pasiek\u0117 186 milijonai metrini\u0173 ton\u0173 2024 m.<\/strong>, prie to prisideda Kinija 37%<\/strong> visos produkcijos.<\/p>\n

\u0160is derlius naudojamas maisto perdirbimo pramon\u0117s \u0161akoms, \u0161vie\u017ei\u0173 produkt\u0173 rinkoms ir nam\u0173 \u016bkio sodams visuose \u017eemynuose. Vien Jungtin\u0117se Valstijose 2023 m. \u0161vie\u017ei\u0173 pomidor\u0173 produkcijos vert\u0117 vir\u0161ijo kelis milijardus doleri\u0173, teigia \u017dem\u0117s \u016bkio rinkodaros tyrim\u0173 centras.<\/p>\n

Lap\u0173 ligos yra pagrindin\u0117 gr\u0117sm\u0117 pomidor\u0173 produktyvumui. Maisto ir \u017eem\u0117s \u016bkio organizacija (FAO) apskai\u010diavo, kad augal\u0173 ligos sudaro ma\u017edaug 401 TP3 t derliaus nuostoli\u0173 visame pasaulyje<\/strong>, o tai rei\u0161kia mil\u017eini\u0161kas maisto saugumo ir ekonomines pasekmes.<\/p>\n

Vien grybelin\u0117s ligos kasmet sukelia nuostoli\u0173, kuri\u0173 vert\u0117 siekia $60 milijard\u0173 visame pasaulyje<\/strong>. Pomidorams bakterin\u0117 d\u0117m\u0117tlig\u0117 palankiomis s\u0105lygomis gali suma\u017einti derli\u0173. iki 90%<\/strong>, tod\u0117l aptikimo ir reagavimo laikas yra labai svarbus.<\/p>\n

\"Kod\u0117l<\/p>\n

Ankstyvas ir tikslus lig\u0173 nustatymas yra lemiamas veiksnys. \u016akininkas, aptik\u0119s ankstyv\u0105 lap\u0173 mar\u0105 pradin\u0117je pa\u017eeidimo stadijoje, gali j\u012f sustabdyti tiksliniu fungicid\u0173 naudojimu. \u016akininkas, kuris to nepastebi, kol neatsiranda matoma defoliacija, susiduria su derliaus nuostoliais, kuri\u0173 jokia intervencija negali visi\u0161kai atitaisyti. B\u016btent \u010dia dirbtinis intelektas, konkre\u010diai \u2013 i\u0161manus pomidor\u0173 lap\u0173 lig\u0173 aptikimas, pagr\u012fstas giliuoju mokymusi, pakei\u010dia lygt\u012f.<\/p>\n

Platesnis kontekstas patvirtina \u0161\u012f pokyt\u012f. Pasaulin\u0117 dirbtinio intelekto tiksliosios \u017eemdirbyst\u0117s rinkoje buvo vertinama $3,1 milijardo 2024 m.<\/strong> ir prognozuojama, kad pasieks $12,7 milijardo iki 2034 m.<\/strong> ties a Metinis augimo tempas (CAGR) 15,11 TP3T<\/strong> (Market.us, 2024). Pa\u017eangi pas\u0117li\u0173 lig\u0173 steb\u0117sena yra vienas spar\u010diausiai augan\u010di\u0173 \u0161ios pl\u0117tros segment\u0173.<\/p>\n

Pomidor\u0173 lap\u0173 ligos: aptikimo darb\u0173 ap\u017evalga<\/h2>\n

Kad bet kokia aptikimo sistema gal\u0117t\u0173 veikti, reikia tiksliai suprasti, ko jos pra\u0161oma rasti. Pomidor\u0173 lapus paveikia daugyb\u0117 patogen\u0173, kuri\u0173 kiekvienas palieka skirtingus, bet kartais sutampan\u010dius vaizdinius p\u0117dsakus.<\/p>\n

1. Da\u017eniausios pomidor\u0173 lap\u0173 ligos ir j\u0173 suk\u0117l\u0117jai<\/h3>\n

Ankstyvasis maras<\/strong>, kur\u012f sukelia grybelis Alternaria solani<\/em>, ant senesni\u0173 lap\u0173 sudaro tamsiai rudus koncentrinius \u017eiedinius pa\u017eeidimus. \u017diedai primena taikinio ra\u0161t\u0105, o audiniams \u017e\u016bstant, kiekvien\u0105 pa\u017eeidim\u0105 supa pageltimas.<\/p>\n

V\u0117lyvasis maras<\/strong>, kur\u012f sukelia oomicetas Phytophthora infestans<\/em> \u2013 tas pats organizmas, suk\u0117l\u0119s bulvi\u0173 bad\u0105 Airijoje, \u2013 gamina vandeniu permirkusias pilk\u0161vai \u017ealias d\u0117mes, kurios \u0161iltomis ir dr\u0117gnomis s\u0105lygomis greitai paruduoja. Jis plinta itin greitai ir per kelias dienas gali sunaikinti vis\u0105 lauk\u0105.<\/p>\n

Septoria lap\u0173 d\u0117m\u0117tlig\u0117<\/strong> pasirei\u0161kia ma\u017eomis, apvaliomis d\u0117m\u0117mis su tamsiai rudais kra\u0161tais ir \u0161viesesniu gelsvu centru. Paprastai jis prasideda nuo apatini\u0173 lap\u0173 ir plinta \u012f vir\u0161\u0173, j\u012f sukelia grybelis. Septoria lycopersici<\/em>.<\/p>\n

Bakterij\u0173 d\u0117m\u0117<\/strong>, sukeltas Xanthomonas vesicatoria<\/em>, sudaro ma\u017eas, vandeniu su\u0161lapusias d\u0117mes, kurios tampa rudos ir kampuotos, da\u017enai apsuptos gelton\u0173 aureoli\u0173. Skirtingai nuo grybelini\u0173 d\u0117mi\u0173, bakterij\u0173 sukelti pa\u017eeidimai nereaguoja \u012f gydym\u0105 fungicidais.<\/p>\n

Lap\u0173 pel\u0117sis<\/strong>, sukeltas Passalora fulva<\/em>, atrodo kaip \u0161viesiai \u017ealios arba geltonos d\u0117m\u0117s vir\u0161utiniame lap\u0173 pavir\u0161iuje, o apa\u010dioje auga alyvuogi\u0173 \u017ealios arba pilk\u0161vai violetin\u0117s spalvos pel\u0117siai. Jis klesti dr\u0117gnoje \u0161iltnami\u0173 aplinkoje.<\/p>\n

Pomidor\u0173 mozaikos virusas (ToMV)<\/strong> Ant lap\u0173 atsiranda \u0161viesiai ir tamsiai \u017ealios spalvos margumas, da\u017enai su lap\u0173 garbanojimusi ir p\u016bsl\u0117mis. Netolygus spalv\u0173 pasiskirstymas j\u012f atskiria nuo maistini\u0173 med\u017eiag\u0173 tr\u016bkumo.<\/p>\n

Pomidor\u0173 geltonosios lap\u0173 garban\u0117s virusas (TYLCV)<\/strong>, perne\u0161amas baltasparnio Bemisia tabaci<\/em>, sukelia lap\u0173 kra\u0161t\u0173 garbanotum\u0105 \u012f vir\u0161\u0173, tarpgyslini\u0173 lap\u0173 pageltim\u0105 ir smark\u0173 augimo sustojim\u0105. Tai viena ekonomi\u0161kai \u017ealingiausi\u0173 virusini\u0173 lig\u0173 \u0161iltuose pomidor\u0173 auginimo regionuose visame pasaulyje.<\/p>\n

2. Ligos simptomai ir pagrindinis aptikimo i\u0161\u0161\u016bkis<\/h3>\n

Vizualinis atpa\u017einimas yra didelis i\u0161\u0161\u016bkis net ir apmokytiems agronomams. Ankstyvosios stadijos skirting\u0173 lig\u0173 simptomai i\u0161maniojo telefono nuotraukoje gali atrodyti beveik identi\u0161kai. Septorioz\u0117 ir bakterin\u0117 d\u0117m\u0117tlig\u0117 sukelia ma\u017eus, apvalius pa\u017eeidimus. Ankstyva ir v\u0117lyvoji dedervin\u0117 sukelia rud\u0173j\u0173 audini\u0173 \u017e\u016bt\u012f. Aplinkos veiksniai, tokie kaip azoto tr\u016bkumas, \u0161al\u010dio stresas ir pur\u0161kimo fitotoksi\u0161kumas, gali imituoti virusinius simptomus.<\/p>\n

    \n
  • Ap\u0161vietimo s\u0105lygos fotografuojant smarkiai pakei\u010dia pa\u017eeidim\u0173 spalv\u0105 ir tekst\u016br\u0105, o per daug eksponuotos nuotraukos i\u0161blunka \u017eied\u0173 ra\u0161tus, kurie yra labai svarb\u016bs ankstyvam maro identifikavimui.<\/li>\n
  • Ant vieno lapo vienu metu gali pasireik\u0161ti kelios ligos, o vieno patogeno simptomai vizualiai sutampa su kito \u2013 toks scenarijus meta i\u0161\u0161\u016bk\u012f tiek \u017emoni\u0173 ekspertams, tiek dirbtinio intelekto modeliams.<\/li>\n
  • Ligos progresavimas laikui b\u0117gant kei\u010dia i\u0161vaizd\u0105, o tai rei\u0161kia, kad modelis, apmokytas tik su pa\u017eengusios stadijos pa\u017eeidimais, da\u017enai praleid\u017eia ankstyviausias ir labiausiai i\u0161gydomas infekcijos stadijas.<\/li>\n
  • Lauko vaizd\u0173 fono sud\u0117tingumas \u2013 dirvo\u017eemis, kiti lapai, vaisiai ir dr\u0117kinimo \u012franga \u2013 prideda vaizdin\u012f triuk\u0161m\u0105, kuris suma\u017eina klasifikavimo tikslum\u0105 realiomis, palyginti su laboratorin\u0117mis s\u0105lygomis.<\/li>\n<\/ul>\n

    Tai ne tik akademiniai sunkumai. Jie tiesiogiai lemia, kaip turi b\u016bti kuriami aptikimo duomen\u0173 rinkiniai, kaip turi b\u016bti apmokyti modeliai ir kaip aptikimo sistemos turi b\u016bti patvirtintos prie\u0161 diegim\u0105.<\/p>\n

    Svarbus ankstyvo lig\u0173 aptikimo vaidmuo pas\u0117li\u0173 valdyme<\/h2>\n

    Ankstyvas aptikimas \u2013 tai ne tik greitesnis veikimas. Reikia veikti tada, kai priemon\u0117s dar yra veiksmingos. Fungicidai, naudojami pasteb\u0117jus pirmuosius ankstyv\u0173j\u0173 maro pa\u017eeidim\u0173 po\u017eymius, neleid\u017eia atsirasti sporuliacijai ir plisti \u0161oniniu b\u016bdu. Tie patys fungicidai, naudojami po 30% lajos defoliacijos, duoda ma\u017eai ekonomin\u0117s naudos.<\/p>\n

      \n
    • Pas\u0117li\u0173 derlius<\/strong> Apsauga nuo lig\u0173 yra tiesiogin\u0117 nauda: laukuose, kuriuose liga pasteb\u0117ta per pirm\u0105sias 10\u201314 dien\u0173 nuo simptom\u0173 atsiradimo, derliaus nuostoliai nuolat b\u016bna gerokai ma\u017eesni nei tuose, kuriuose liga nustatoma dviem ar daugiau savai\u010di\u0173.<\/li>\n
    • Pesticid\u0173 naudojimas<\/strong> Suma\u017einimas pasiekiamas d\u0117l tikslaus laiko nustatymo. U\u017euot naudoj\u0119 fungicidus pagal kalendorin\u012f grafik\u0105, \u016bkininkai, turintys ankstyvo aptikimo galimyb\u0119, gali juos naudoti tik tada, kai patvirtinamas ribinis u\u017esikr\u0117timo lygis, taip suma\u017einant chemini\u0173 med\u017eiag\u0173 naudojim\u0105 iki 40\u201350%.<\/li>\n
    • S\u0105naud\u0173 taupymas<\/strong> greitai kaupiasi per vis\u0105 vegetacijos sezon\u0105. Ma\u017eiau pur\u0161kim\u0173 rei\u0161kia ma\u017eesnes darbo, degal\u0173 ir chemini\u0173 med\u017eiag\u0173 s\u0105naudas. Vidutinio dyd\u017eio pomidor\u0173 augintojui, valdan\u010diam daugiau nei 50 hektar\u0173, \u0161ios santaupos yra didel\u0117s.<\/li>\n
    • Tvaraus \u017eem\u0117s \u016bkio tikslai<\/strong> yra tiesiogiai remiami. Suma\u017eintas pesticid\u0173 naudojimas suma\u017eina nuot\u0117k\u012f \u012f vandens sistemas ir suma\u017eina atspari\u0173 patogenini\u0173 padermi\u0173 atrankos spaudim\u0105.<\/li>\n
    • Ligos plitimo prevencija<\/strong> apsaugo ne tik atskirus laukus, bet ir i\u0161tisus \u016bkininkavimo rajonus. Pavyzd\u017eiui, v\u0117lyvoji maro sporos i\u0161platinamos v\u0117jo ir gali u\u017ekr\u0117sti kaimyninius \u016bkius per kelias valandas po sporuliacijos.<\/li>\n<\/ul>\n

      Ekonomin\u0117 ir agronomin\u0117 logika yra \u012ftikinama: investuokite \u012f ankstyvo aptikimo technologijas ir lig\u0173 valdymo i\u0161laidos smarkiai suma\u017e\u0117s.<\/p>\n

      S\u00e1nchez-S\u00e1nchez ir kt. (2024 m.) apskai\u010diavo, kad vien virusin\u0117s ligos suma\u017eina pasaulin\u0119 pomidor\u0173 produkcijos vert\u0119 2\u201351 TP3T per metus<\/strong>, \u2013 tai skai\u010dius, rei\u0161kiantis milijard\u0173 JAV doleri\u0173 nuostolius, atsi\u017evelgiant \u012f \u0161io derliaus pasaulin\u0117s rinkos mast\u0105.<\/p>\n

      Net ir nedidelis su ligomis susijusi\u0173 nuostoli\u0173 suma\u017einimas ankstyvuoju dirbtinio intelekto nustatymu gali atne\u0161ti technologij\u0173 investicij\u0173 gr\u0105\u017e\u0105 per vien\u0105 auginimo sezon\u0105 dideliems pomidor\u0173 augintojams.<\/p>\n

      Tikslioji \u017eemdirbyst\u0117 ir i\u0161maniosios lig\u0173 steb\u0117senos sistemos<\/h2>\n

      Tikslioji \u017eemdirbyst\u0117 \u2013 tai praktika, kai \u016bkis traktuojamas kaip atskir\u0173 zon\u0173 mozaika, o ne kaip vienodas laukas. U\u017euot taikius t\u0105 pa\u010di\u0105 s\u0117klos norm\u0105, vandens kiek\u012f ar fungicid\u0173 doz\u0119 kiekvienam kvadratiniam metrui, tiksliosios sistemos naudoja realaus laiko duomenis, kad keist\u0173 \u012fvestis pagal faktines s\u0105lygas kiekvienoje vietoje.<\/p>\n

      1. Pagrindin\u0117s tiksliosios \u017eemdirbyst\u0117s koncepcijos<\/h3>\n

      Duomenimis pagr\u012fstas \u016bkininkavimas remiasi nuolatiniu ciklu: jutikliai ir vaizdo gavimo sistemos renka lauko duomenis, programin\u0117 \u012franga apdoroja ir interpretuoja \u0161iuos duomenis, o sprendim\u0173 pri\u0117mimo \u012frankiai interpretacij\u0105 paver\u010dia veiksm\u0173 rekomendacijomis. Kad sistema teikt\u0173 vert\u0119, kiekviena \u0161ios grandin\u0117s grandis turi b\u016bti tiksli.<\/p>\n

      I\u0161manus pas\u0117li\u0173 valdymas \u0161i\u0105 logik\u0105 pritaiko ir biologin\u0117ms gr\u0117sm\u0117ms. U\u017euot laukus, kol ligos simptomai taps akivaizd\u016bs, arba pasikliaujant savaitiniais \u017evalgybiniais apva\u017eiavimais, i\u0161manioji steb\u0117jimo sistema aptinka lig\u0105 vos pasteb\u0117jusi pirm\u0105j\u012f matom\u0105 ar nepastebim\u0105 po\u017eym\u012f ir \u012fjungia \u012fsp\u0117jim\u0105, kuriame nurodoma infekcijos vieta, tapatyb\u0117 ir galimas sunkumas.<\/p>\n

      2. Lig\u0173 steb\u0117senos technologijos \u0161iuolaikiniame tiksliajame \u016bkininkavime<\/h3>\n

      Skaitmeninis vaizdavimas yra pagrindinis duomen\u0173 \u0161altinis daugumai i\u0161mani\u0173j\u0173 lig\u0173 aptikimo sistem\u0173. RGB kameros fiksuoja matom\u0105 spalv\u0173 informacij\u0105, kuri\u0105 mato \u017emon\u0117s. Daugiaspektrin\u0117s kameros fiksuoja bangos ilgius u\u017e matomos \u0161viesos rib\u0173, \u012fskaitant artim\u0105j\u012f infraraudon\u0105j\u012f spektr\u0105, kuris atskleid\u017eia chlorofilo stres\u0105 dar prie\u0161 jam tampant matomam plika akimi.<\/p>\n

      Hiperspektrin\u0117s kameros u\u017efiksuoja \u0161imtus siaur\u0173 bangos ilgi\u0173 juost\u0173 ir gali aptikti biocheminius poky\u010dius molekuliniu lygmeniu, nors daugumai \u016bki\u0173 jos i\u0161lieka brangios.<\/p>\n

      \"Lig\u0173<\/p>\n

      Ant\u017eeminiai jutikliai ir daikt\u0173 interneto (IoT) tinklai papildo vaizdavim\u0105. Temperat\u016bros ir dr\u0117gm\u0117s jutikliai, i\u0161d\u0117styti augal\u0173 vainikuose, teikia mikroklimato duomenis, kurie rodo, kada formuojasi ligoms palankios s\u0105lygos.<\/p>\n

      Ilgesnis nei 10 valand\u0173 lap\u0173 dr\u0117gnumas kartu su 18\u201322 \u00b0C temperat\u016bra yra \u017einomas v\u0117lyvojo maro suk\u0117limo signalas \u2013 daikt\u0173 interneto sistema gali \u012fsp\u0117ti apie ligos rizik\u0105 dar prie\u0161 atsirandant bet kokiam pa\u017eeidimui.<\/p>\n

      Dronai ir nepilotuojami orlaiviai (UAV) suteikia lig\u0173 steb\u0117senai erdvin\u012f matmen\u012f, kurio negali suteikti ant\u017eeminiai vaizdavimo \u012frenginiai. UAV su daugiaspektrine kamera gali ap\u017ei\u016br\u0117ti 10 hektar\u0173 pomidor\u0173 lauk\u0105 per ma\u017eiau nei 30 minu\u010di\u0173 ir sugeneruoti georeferencin\u012f lig\u0173 rizikos \u017eem\u0117lap\u012f, kuriame tiksliai rodoma, kurios eilut\u0117s ir zonos rodo ankstyvus streso po\u017eymius.<\/p>\n

      Tai leid\u017eia tikslingai gydyti didel\u0117s rizikos zonas, o ne vis\u0105 lauk\u0105. Daikt\u0173 internetu pagr\u012fstos \u016bkininkavimo sistemos integruoja visus \u0161iuos duomen\u0173 srautus \u012f viening\u0105 platform\u0105, perduodamos lauko lygmens steb\u0117jimus debesijos pagrindu veikian\u010dioms analiz\u0117s arba periferini\u0173 skai\u010diavim\u0173 mazgams, kur lig\u0173 klasifikavimo algoritmai veikia beveik realiuoju laiku.<\/p>\n

      Gilus mokymasis pomidor\u0173 lap\u0173 ligoms aptikti<\/h2>\n

      Gilusis mokymasis yra ma\u0161ininio mokymosi \u0161aka, kurioje algoritmai mokosi i\u0161skirti modelius tiesiai i\u0161 neapdorot\u0173 duomen\u0173 \u2013 \u0161iuo atveju vaizd\u0173 \u2013 per hierarchinius matematini\u0173 transformacij\u0173 sluoksnius.<\/p>\n

      I\u0161skirtinis prana\u0161umas, palyginti su klasikiniu ma\u0161ininiu mokymusi, yra tas, kad gilusis mokymasis nereikalauja, kad \u017emogus ekspertas rankiniu b\u016bdu apibr\u0117\u017et\u0173, koki\u0173 savybi\u0173 (form\u0173, tekst\u016br\u0173, spalv\u0173 gradient\u0173) ie\u0161koti pa\u017eeisto lapo paveiksl\u0117lyje. Algoritmas \u0161ias savybes i\u0161moksta i\u0161 mokymo pavyzd\u017ei\u0173.<\/p>\n

      1. Giliojo mokymosi vaizd\u0173 klasifikavimui pagrindai<\/h3>\n

      An Dirbtinis neuroninis tinklas (DNT)<\/strong> (skai\u010diavimo sistema, laisvai \u012fkv\u0117pta biologini\u0173 neuron\u0173) apdoroja \u012fvesties duomenis per tarpusavyje sujungt\u0173 mazg\u0173 sluoksnius.<\/p>\n

      Kiekvienas ry\u0161ys turi skaitin\u012f svor\u012f, kuris lemia, kaip stipriai vieno mazgo aktyvacija veikia kit\u0105. Tinklo mokymas rei\u0161kia t\u0173 svori\u0173 koregavim\u0105 naudojant pa\u017eenklintus pavyzd\u017eius, kol tinklo i\u0161vesties prognoz\u0117s atitinka teisingas etiketes su minimaliu paklaida.<\/p>\n

      A Konvoliucinis neuroninis tinklas (CNN)<\/strong> (specializuota neuroninio tinklo architekt\u016bra, sukurta vaizdo duomenims) taiko matematines operacijas, vadinamas konvoliucija, per vaizd\u0105. Konvoliucijos metu per vaizd\u0105 slenkamas ma\u017eas filtro langas \u2013 paprastai 3 \u00d7 3 arba 5 \u00d7 5 pikseli\u0173 \u2013 ir kiekvienoje pozicijoje apskai\u010diuojama svertin\u0117 suma, taip sukuriant element\u0173 \u017eem\u0117lap\u012f, kuriame fiksuojami vietiniai modeliai, tokie kaip kra\u0161tai, tekst\u016bros ir spalv\u0173 gradientai.<\/p>\n

      Keli\u0173 konvoliucini\u0173 sluoksni\u0173 sujungimas leid\u017eia tinklui palaipsniui mokytis abstraktesni\u0173 savybi\u0173: kra\u0161t\u0173 ankstyvuosiuose sluoksniuose, form\u0173 viduriniuose sluoksniuose ir ligoms b\u016bding\u0173 modeli\u0173 gilesniuose sluoksniuose.<\/p>\n

      \"Gilus<\/p>\n

      \u0160is hierarchinis po\u017eymi\u0173 mokymasis yra b\u016btent tai, kas CNN daro galingus pomidor\u0173 lig\u0173 aptikimo \u012frankius. Pa\u017eeidimo apskrita riba, jos vidin\u0117 tekst\u016bros gradientas, j\u0105 supanti gelstanti aureol\u0117 \u2013 visa tai tampa i\u0161mokstamais po\u017eymi\u0173 deriniais visuose tinklo sluoksniuose.<\/p>\n

      2. Kod\u0117l gilusis mokymasis prana\u0161esnis u\u017e tradicinius metodus<\/h3>\n

      Tradicinis ma\u0161ininis mokymasis augal\u0173 ligoms aptikti reikalavo, kad srities ekspertai rankiniu b\u016bdu kurt\u0173 funkcijas: i\u0161gaut\u0173 spalv\u0173 histogramas, apskai\u010diuot\u0173 tekst\u016bros deskriptorius arba matuot\u0173 formos parametrus i\u0161 lap\u0173 vaizd\u0173, o tada \u0161iuos skai\u010dius pateikt\u0173 klasifikatoriams, tokiems kaip atramini\u0173 vektori\u0173 ma\u0161inos (SVM). \u0160is srautas buvo daug darbo reikalaujantis, priklaus\u0117 nuo patirties ir buvo trapus, kai ligos i\u0161vaizda skyr\u0117si nuo mokymo s\u0105lyg\u0173.<\/p>\n

        \n
      • Gilusis mokymasis atlieka automatin\u012f po\u017eymi\u0173 i\u0161skyrim\u0105, mokydamasis tiesiogiai i\u0161 pikseli\u0173 duomen\u0173 be rankinio po\u017eymi\u0173 in\u017einerijos, taip pa\u0161alindamas ekspert\u0173 apibr\u0117\u017et\u0173 deskriptori\u0173 keliam\u0105 kli\u016bt\u012f.<\/li>\n
      • Giliojo mokymosi klasifikavimo tikslumas etaloniniuose duomen\u0173 rinkiniuose paprastai vir\u0161ija 95% ir da\u017enai pasiekia 99%+, palyginti su 80\u201388% tikslumu, taikomu tradiciniams SVM pagr\u012fstiems metodams, naudojant tuos pa\u010dius duomenis.<\/li>\n
      • Giliojo mokymosi modeliai efektyviai pritaikomi dideliems duomen\u0173 rinkiniams. Pridedant daugiau pa\u017eenklint\u0173 ligos vaizd\u0173, modelio na\u0161umas ger\u0117ja, o tradiciniai metodai nepasikei\u010dia, kai po\u017eymi\u0173 rinkiniai yra fiksuoti.<\/li>\n<\/ul>\n

        Lobna ir kt. (2024 m.) apmok\u0117 kapsul\u0117s neuronin\u012f tinkl\u0105 su dideliu duomen\u0173 rinkiniu 70 834 pomidor\u0173 lap\u0173 vaizdai<\/strong> ir pasiek\u0117 klasifikavimo tikslum\u0105 96.39%<\/strong> keliose lig\u0173 kategorijose, geriau nei standartiniai CNN pradiniai rodikliai, remiantis tais pa\u010diais duomenimis.<\/p>\n

        Dideli, \u012fvair\u016bs duomen\u0173 rinkiniai kartu su optimizuotomis architekt\u016bromis nuolat u\u017etikrina tikslumo lyg\u012f, kuris vir\u0161ija tai, kas pasiekiama naudojant tradicinius kompiuterinio matymo kanalus.<\/p>\n

        \u201eGeopard Agriculture\u201c naudojimas lig\u0173 nustatymui tikruose laukuose<\/h2>\n

        \u201eGeopard Agriculture\u201c sukuria b\u016btent tok\u012f sluoksn\u012f. Jos tiksli \u017evalgybos platforma sujungia lauko steb\u0117jim\u0105, lig\u0173 identifikavim\u0105 ir sprendim\u0173 palaikym\u0105 \u012f vien\u0105 darbo eig\u0105, kuri\u0105 bet kuris agronomas ar augintojas gali valdyti i\u0161maniajame telefone.<\/p>\n

        K\u0105 \u201eGeopard\u201c si\u016blo pomidor\u0173 lig\u0173 valdymui<\/h3>\n

        \u201eGeopard\u201c i\u0161manioji \u017evalgymo sistema nustato vertingiausias j\u016bs\u0173 lauko vietas, kad jas b\u016bt\u0173 galima tiksliai patikrinti, u\u017euot reikalavusi vienodai apr\u0117pti kiekvien\u0105 eil\u0119. Ji automati\u0161kai pa\u017eymi pas\u0117li\u0173 dygimo anomalijas ir nukreipia \u017evalgymo pastangas \u012f zonas, kuriose lig\u0173 ar streso rizika yra did\u017eiausia.<\/p>\n

        Tai tiesiogiai sprend\u017eia lauko apr\u0117pties problem\u0105, kuri riboja rankinio \u017evalgymo programas dideliuose \u016bkiuose. Platforma palaiko vis\u0173 pagrindini\u0173 lauke esan\u010di\u0173 gr\u0117smi\u0173 kategorij\u0173, susijusi\u0173 su pomidor\u0173 auginimu, aptikim\u0105 ir registravim\u0105:<\/p>\n

          \n
        • Grybelini\u0173 lig\u0173 atpa\u017einimas, apimantis ankstyv\u0105j\u0105 mar\u0105, v\u0117lyv\u0105j\u0105 mar\u0105, septorioz\u0119 lap\u0173 d\u0117m\u0117tlig\u0119 ir lap\u0173 pel\u0117s\u012f \u2013 ligas, kuri\u0173 aptikimo laikas labiausiai lemia, ar intervencija s\u0117kminga.<\/li>\n
        • Bakterini\u0173 ir virusini\u0173 lig\u0173, \u012fskaitant bakterij\u0173 d\u0117mi\u0173 ir mozaikinio viruso simptomus, identifikavimas, pateikiant nuotrauk\u0173 dokumentacij\u0105, susiet\u0105 su GPS koordinat\u0117mis, kad b\u016bt\u0173 galima tiksliai sudaryti lauko \u017eem\u0117lap\u012f.<\/li>\n
        • Dr\u0117kinimo ir tr\u0119\u0161imo problem\u0173 nustatymas, leid\u017eiantis \u017evalgybos komandoms atkreipti d\u0117mes\u012f \u012f abiotinio streso simptomus, kurie gali imituoti arba sustiprinti lig\u0173 simptomus pomidor\u0173 lajose.<\/li>\n
        • Pikt\u017eoli\u0173 ir vabzd\u017ei\u0173 identifikavimas kartu su lig\u0173 \u017evalgyba, tod\u0117l vieno lauko patikrinimo metu susidaro i\u0161samus gr\u0117sm\u0117s vaizdas, o ne atskiros ataskaitos i\u0161 atskir\u0173 program\u0173.<\/li>\n
        • Lap\u0173 pa\u017eeidim\u0173 ir audini\u0173 m\u0117gini\u0173 \u0117mimo palaikymas, leid\u017eiantis integruoti fizin\u012f laboratorin\u012f m\u0117gini\u0173 \u0117mim\u0105 \u012f skaitmeninio \u017evalgymo darbo eig\u0105.<\/li>\n<\/ul>\n

          Zon\u0173 planavimas yra integruotas \u012f \u017evalgybos pasirengimo etap\u0105. \u201eGeopard\u201c konvertuoja neapdorotus lauko jutikli\u0173 ir palydov\u0173 duomenis \u012f i\u0161tisinius gradiento pavir\u0161iaus \u017eem\u0117lapius, kurie vizualizuoja lauko heterogeni\u0161kum\u0105, leisdami agronomams apibr\u0117\u017eti valdymo zonas prie\u0161 pradedant \u017evalgyb\u0105. Neprisijungus pasiekiami zon\u0173 \u017eem\u0117lapiai ir dirvo\u017eemio duomenys be interneto ry\u0161io, o tai svarbu \u016bkiuose, kuriuose mobiliojo ry\u0161io apr\u0117ptis yra nepastovi.<\/p>\n

          Mobilusis vykdymas, ataskait\u0173 teikimas ir avariniai \u012fsp\u0117jimai<\/h3>\n

          Visi lauko steb\u0117jimai fiksuojami naudojant \u201eGeopard\u201c mobili\u0105j\u0105 program\u0117l\u0119. Skautai realiuoju laiku \u012fra\u0161o pastabas, nuotraukas ir georeferencinius steb\u0117jimus, o atlikti \u017evalgybos \u012fra\u0161ai tiesiogiai perduodami \u012f platformos ataskait\u0173 suvestin\u0119.<\/p>\n

          \"\u201eGeopard<\/p>\n

          Lauko vadovai gali matyti, kokios gr\u0117sm\u0117s buvo nustatytos, kur jos buvo rastos, koki\u0173 veiksm\u0173 buvo imtasi ir kurios zonos vis dar stebimos \u2013 nekonsoliduodami duomen\u0173 i\u0161 popierini\u0173 form\u0173 ar atskir\u0173 program\u0117li\u0173.<\/p>\n

          Avarinio persp\u0117jimo sistema stebi lig\u0173 plitimo modelius platformos tinkle ir siun\u010dia prane\u0161imus, kai j\u016bs\u0173 vietov\u0117je did\u0117ja ligos spaudimas. \u0160i ankstyvojo persp\u0117jimo funkcija pailgina veiksmingo aptikimo lang\u0105, kad b\u016bt\u0173 galima atlikti daugiau veiksm\u0173 nei bet kurio vieno \u016bkio vidin\u0117 \u017evalgyba, suteikdama augintojams laiko parengti prevencines priemones, kol liga nepasiek\u0117 j\u0173 lauk\u0173.<\/p>\n

          \u201eGeopard\u201c metodas demonstruoja praktin\u012f integracijos keli\u0105, kur\u012f tiksliosios \u017eemdirbyst\u0117s tyr\u0117jai apra\u0161o teori\u0161kai: palydov\u0173 ir jutikli\u0173 duomenys, padedantys nustatyti \u017evalgybos prioritetus, mobiliosios priemon\u0117s, leid\u017eian\u010dios fiksuoti steb\u0117jimus realiuoju laiku, ir dirbtinio intelekto pagalba nustatomas gr\u0117smi\u0173 nustatymas, padedantis grei\u010diau ir tikslingiau priimti sprendimus \u016bkio lygmeniu.<\/p>\n

          Duomen\u0173 rinkinio paruo\u0161imas aptikimo modelio pagrindui<\/h2>\n

          Giluminio mokymosi modelis yra toks pat patikimas, kokie yra duomenys, su kuriais jis buvo apmokytas. Duomen\u0173 rinkinio paruo\u0161imas pomidor\u0173 lap\u0173 ligoms aptikti yra daugiapakopis procesas, kuris nustato bet kurio modelio realaus na\u0161umo ribas.<\/p>\n

          1. Vaizd\u0173 gavimo \u0161altiniai<\/h3>\n

          Lauko vaizdai, u\u017efiksuoti realiomis \u017eem\u0117s \u016bkio s\u0105lygomis \u2013 su kintamu ap\u0161vietimu, daliniu u\u017edengimu, vandens la\u0161eliais ir dirvo\u017eemio fonu \u2013 yra auksinis duomen\u0173 rinkini\u0173 \u012fvairov\u0117s standartas, nors juos surinkti sunkiau ir brangiau nei kontroliuojamos aplinkos vaizdus.<\/p>\n

          \u016akinink\u0173 i\u0161maniaisiais telefonais \u012fprast\u0173 \u017evalgyb\u0173 metu u\u017efiksuoti vaizdai vis da\u017eniau tampa prakti\u0161ku duomen\u0173 \u0161altiniu, kuris padeda sujungti laboratorines s\u0105lygas su realiais naudojimo scenarijais.<\/p>\n

          Vie\u0161ieji duomen\u0173 rinkiniai gerokai paspartino tyrimus. \u201ePlantVillage\u201c duomen\u0173 rinkinys<\/strong>, kur\u012f suk\u016br\u0117 Pensilvanijos valstijos universitetas, yra daugiau nei 54 000 vaizd\u0173<\/strong> sveik\u0173 ir sergan\u010di\u0173 augal\u0173 lap\u0173 26 r\u016b\u0161yse, \u012fskaitant 10 pomidor\u0173 lig\u0173 kategorij\u0173.<\/p>\n

          Jis buvo mokymo pagrindas \u0161imtams paskelbt\u0173 pomidor\u0173 lig\u0173 aptikimo modeli\u0173 ir i\u0161lieka pla\u010diausiai naudojamu etaloniniu duomen\u0173 rinkiniu \u0161ioje srityje.<\/p>\n

          2. Duomen\u0173 i\u0161ankstinio apdorojimo veiksmai<\/h3>\n

          I\u0161 \u012fvairi\u0173 \u0161altini\u0173 surinktuose neapdorotuose vaizduose yra triuk\u0161mo, nepastovi\u0173 dyd\u017ei\u0173 ir spalv\u0173 kalibravimo skirtum\u0173, kurie gali sukelti klaidingus modelio mokymo modelius. I\u0161ankstinis apdorojimas standartizuoja duomenis prie\u0161 jiems pasiekiant model\u012f.<\/p>\n

            \n
          1. Kei\u010diant vaizdo dyd\u012f, visi vaizdai pritaikomi prie vienodos skiriamosios gebos \u2013 paprastai 224 \u00d7 224 arba 256 \u00d7 256 pikseli\u0173 CNN architekt\u016brose \u2013 u\u017etikrinant, kad erdvin\u0117s operacijos tinkle b\u016bt\u0173 taikomos vienodai visuose mokymo pavyzd\u017eiuose.<\/li>\n
          2. Triuk\u0161mo \u0161alinimo funkcija taiko i\u0161lyginimo filtrus, pvz., Gauso suliejim\u0105, kad suma\u017eint\u0173 jutiklio triuk\u0161m\u0105 ir JPEG glaudinimo artefaktus, kurie gali klaidinti tekst\u016brai jautrius konvoliucinius sluoksnius.<\/li>\n
          3. Duomen\u0173 papildymas dirbtinai i\u0161ple\u010dia mokymo rinkin\u012f, taikydamas atsitiktinius horizontalius apvertimus, pasukimus, spalv\u0173 virp\u0117jim\u0105, ry\u0161kumo koregavim\u0105 ir atsitiktin\u012f apkarpym\u0105 esamiems vaizdams. Tai i\u0161moko model\u012f atpa\u017einti lig\u0173 modelius, neatsi\u017evelgiant \u012f lapo orientacij\u0105, ap\u0161vietimo kamp\u0105 ar vaizdo kompozicij\u0105.<\/li>\n
          4. Normalizavimas kei\u010dia pikseli\u0173 ver\u010di\u0173 skal\u0119 i\u0161 pradinio 0\u2013255 diapazono \u012f ma\u017eesn\u012f diapazon\u0105, paprastai 0\u20131 arba nulin\u012f vidurk\u012f, vienetin\u0119 dispersij\u0105. Tai leid\u017eia gradientu pagr\u012fst\u0105 mokym\u0105 padaryti skaitiniu po\u017ei\u016briu stabilesn\u012f ir grei\u010diau konverguoti.<\/li>\n<\/ol>\n

            3. Duomen\u0173 rinkinio anotavimas ir \u017eym\u0117jimas<\/h3>\n

            Kiekvienas pri\u017ei\u016brimo mokymosi duomen\u0173 rinkinio vaizdas turi tur\u0117ti pagrindin\u0119 tiesos etiket\u0119: kuriai ligos kategorijai jis priklauso arba ar lapas sveikas. \u0160\u012f \u017eym\u0117jim\u0105 turi atlikti arba patvirtinti augal\u0173 patologai, o ne tik \u017eem\u0117s \u016bkio universalistai, nes vizualinis lig\u0173 sutapimas m\u0117g\u0117ji\u0161k\u0105 anotacij\u0105 daro nepatikim\u0105.<\/p>\n

            Ligos klasifikavimo klas\u0117s lygio anotacija yra gana paprasta, ta\u010diau objekt\u0173 aptikimo modeli\u0173 ribojan\u010dio langelio anotacija \u2013 tiksli pa\u017eeidimo vietos \u017eym\u0117jimas vaizde \u2013 reikalauja \u017eymiai daugiau laiko ir patirties kiekvienam vaizdui.<\/p>\n

            Giliojo mokymosi architekt\u016bros, naudojamos pomidor\u0173 ligoms aptikti<\/h2>\n

            Mokslinink\u0173 bendruomen\u0117 \u012fvertino de\u0161imtis pomidor\u0173 lap\u0173 lig\u0173 klasifikavimo architekt\u016br\u0173. Supratimas, kurios architekt\u016bros dominuoja ir kod\u0117l, padeda specialistams priimti pagr\u012fstus sprendimus diegiant \u0161ias sistemas.<\/p>\n

            1. Standartiniai konvoliuciniai neuroniniai tinklai<\/h3>\n

            Pagrindiniai CNN lig\u0173 klasifikavimo modeliai atitinka standartin\u012f model\u012f: konvoliuciniai sluoksniai po\u017eymi\u0173 i\u0161skyrimui, sujungiantys sluoksnius, kurie suma\u017eina erdvinius matmenis, i\u0161laikant dominuojan\u010dius po\u017eymius, ir visi\u0161kai sujungti sluoksniai gale, kurie susieja i\u0161skirtus po\u017eymius su ligos klas\u0117s tikimyb\u0117mis.<\/p>\n

            Ankstyvasis \u201ePlantVillage\u201c duomen\u0173 rinkinio darbas parod\u0117, kad net ir kukl\u016bs CNN su 5\u20137 sluoksniais gali pasiekti didesn\u012f nei 90% tikslum\u0105 \u0161variuose, laboratorijoje gautuose vaizduose.<\/p>\n

            2. Mokymosi perk\u0117limas naudojant i\u0161 anksto apmokytas architekt\u016bras<\/h3>\n

            Perkeliamasis mokymasis<\/strong> (praktika, kai pradedama nuo modelio, i\u0161 anksto apmokyto naudojant didel\u012f bendr\u0105 duomen\u0173 rinkin\u012f, ir tikslinama j\u012f naudojant konkre\u010dios srities duomen\u0173 rinkin\u012f) pakeit\u0117 pomidor\u0173 lig\u0173 aptikimo tyrimus, leisdama apmokyti didelio tikslumo modelius naudojant santykinai nedidelius \u017eem\u0117s \u016bkio duomen\u0173 rinkinius.<\/p>\n

            1. VGG16 ir VGG19<\/strong>, kur\u012f suk\u016br\u0117 Vizualin\u0117s geometrijos grup\u0117 Oksforde, naudoja 16 arba 19 svorio sluoksni\u0173 su vienodais 3\u00d73 konvoliucijomis. Jie i\u0161lieka patikimais pomidor\u0173 lig\u0173 klasifikavimo pradmenimis, paprastai pasiekdami 94\u201397% tikslum\u0105, atlikus tiksl\u0173 lig\u0173 duomen\u0173 rinkini\u0173 suderinim\u0105.<\/p>\n

            2. ResNet<\/strong> (Liekamasis tinklas) pristat\u0117 praleid\u017eiamuosius ry\u0161ius, kurie leid\u017eia gradientams tiesiogiai tek\u0117ti per sluoksnius, i\u0161spr\u0119sdami nykstan\u010dio gradiento problem\u0105, kuri anks\u010diau ribojo mokymo gyl\u012f. Naujausiuose tyrimuose \u201eResNet50\u201c, tiksliai suderintas su pomidor\u0173 lig\u0173 duomenimis, nuosekliai pasiekia 96\u201398% tikslum\u0105.<\/p>\n

            3. Tankus tinklas<\/strong> praple\u010dia praleid\u017eiamojo sujungimo koncepcij\u0105, sujungdamas kiekvien\u0105 sluoksn\u012f su kiekvienu paskesniu sluoksniu tankiame bloke, maksimaliai padidindamas funkcij\u0173 pakartotin\u012f panaudojim\u0105 ir sukurdamas kompakti\u0161kus modelius, pasi\u017eymin\u010dius dideliu klasifikavimo na\u0161umu.<\/p>\n

            4. Efektyvus tinklas<\/strong>, \u201eGoogle Brain\u201c sukurtas metodas vienu metu kei\u010dia tinklo plot\u012f, gyl\u012f ir skiriam\u0105j\u0105 geb\u0105 naudodamas sud\u0117tin\u012f koeficient\u0105. \u201eEfficientNetB0\u201c su d\u0117mesio moduliu pasiek\u0117 99,39% tikslumas<\/strong> apie augal\u0173 lig\u0173 klasifikacij\u0105 Gonz\u00e1lez-Briones ir kt. (2025 m.) paskelbtame tyrime, kurio na\u0161umas tinkamas diegti periferinius \u012frenginius.<\/p>\n

            5. Mobilusis tinklas<\/strong>, sukurta specialiai \u012frenginiams, kuriuose riboti i\u0161tekliai, naudoja gyliu atskiriamas konvoliucijas, kad smarkiai suma\u017eint\u0173 skai\u010diavimus, i\u0161laikant didel\u012f tikslum\u0105, tod\u0117l tai yra pageidaujama architekt\u016bra i\u0161mani\u0173j\u0173 telefon\u0173 ir periferini\u0173 \u012frengini\u0173 dirbtinio intelekto diegimui tiksliojoje \u017eemdirbyst\u0117je.<\/p>\n

            3. Hibridiniai ir pa\u017eang\u016bs modeliai<\/h3>\n

            Naujausi tyrimai per\u017eeng\u0117 standartini\u0173 CNN ribas ir prad\u0117jo kurti architekt\u016bras, kurios gali u\u017efiksuoti ilgesnio nuotolio erdvinius ry\u0161ius lap\u0173 vaizduose.<\/p>\n

            Reg\u0117jimo transformatoriai (ViT)<\/strong> (neuroniniai tinklai, kurie vaizd\u0173 pataisoms taiko \u201eTransformer\u201c d\u0117mesio mechanizm\u0105, i\u0161 prad\u017ei\u0173 sukurt\u0105 nat\u016bralios kalbos apdorojimui) parod\u0117 puikius rezultatus augal\u0173 lig\u0173 aptikimo srityje, kai yra pakankamai mokymo duomen\u0173.<\/p>\n

            Skirtingai nuo CNN, kurie apdoroja vietinius vaizdo regionus per konvoliucijas, ViT vienu metu mokosi ry\u0161i\u0173 tarp vis\u0173 vaizdo fragment\u0173, leisdami jiems aptikti erdv\u0117je paskirstytus modelius visame lape.<\/p>\n

            \"Giliojo<\/p>\n

            D\u0117mesio pagrindu veikiantys CNN hibridai<\/strong> Sujunkite konvoliucij\u0173 vietin\u012f po\u017eymi\u0173 i\u0161skyrimo stiprum\u0105 su d\u0117mesio mechanizmais, kurie leid\u017eia modeliui sutelkti apdorojimo i\u0161teklius \u012f labiausiai ligai aktualius vaizdo regionus.<\/p>\n

            Sukurta lengva, Siamo tinklu paremta pomidor\u0173 lig\u0173 aptikimo sistema 96,97% tikslumas \u201ePlant Village\u201c pomidor\u0173 pogrupyje<\/strong> su tik ma\u017edaug 2,96 mln. parametr\u0173 (\u201eFrontiers in Plant Science\u201c, 2025 m.), o tai rodo, kad didelis tikslumas ir technin\u0117s \u012frangos efektyvumas n\u0117ra vienas kit\u0105 paneigiantys tikslai.<\/p>\n

            Ansamblio mokymosi modeliai<\/strong> derinti prognozes i\u0161 keli\u0173 nepriklausomai apmokyt\u0173 architekt\u016br\u0173, apskai\u010diuojant j\u0173 vidurk\u012f arba balsuojant pagal jas, siekiant gauti galutin\u0119 prognoz\u0119, kuri yra patikimesn\u0117 nei bet kuris atskiras modelis. Wu ir kt. (2024) pritaik\u0117 \u201eResNet50\u201c su po\u017eymi\u0173 papildymo metodais, kad \u0161iuo metodu pagerint\u0173 klasifikavimo na\u0161um\u0105.<\/p>\n

            Abdullah ir kt. (Agronomija, 2024) palygino YOLOv8s, YOLOv5 ir \u201eFaster R-CNN\u201c metodus, skirtus aptikti sergan\u010dius pomidor\u0173 lapus, ir nustat\u0117, kad YOLOv8s pasiek\u0117 vidutin\u012f tikslum\u0105 (mAP), kuris buvo 92.5%<\/strong>, pranokdamas YOLOv5 (89.1%) ir greitesn\u012f R-CNN (77.5%), tuo pa\u010diu demonstruodamas greitesn\u012f i\u0161vad\u0173 darymo greit\u012f ir ma\u017eesn\u012f modelio p\u0117dsak\u0105.<\/p>\n

            Realaus laiko aptikimo taikymams lauke YOLOv8 klas\u0117s modeliai si\u016blo geriausi\u0105 tikslumo ir apdorojimo grei\u010dio pusiausvyr\u0105, tod\u0117l jie puikiai tinka montuoti ant dron\u0173 arba diegti periferiniuose \u012frenginiuose.<\/p>\n

            Pa\u017eangi lig\u0173 aptikimo sistema<\/h2>\n

            I\u0161sklaidoma i\u0161manioji lig\u0173 aptikimo sistema yra daugiau nei apmokytas modelis. Tai visapusi\u0161kas procesas, pereinantis nuo neapdorot\u0173 vaizd\u0173 fiksavimo prie veiksming\u0173 lig\u0173 valdymo rekomendacij\u0173.<\/p>\n

            1. Sistemos architekt\u016bra<\/h3>\n

            Pagrindinis vamzdynas susideda i\u0161 penki\u0173 nuosekli\u0173 etap\u0173, kuri\u0173 kiekvienas transformuoja duomenis prie\u0161 perduodamas juos kitam.<\/p>\n

            1. Vaizdo \u012fvestis priima neapdorotus lap\u0173 vaizdus i\u0161 bet kokio fiksavimo \u0161altinio \u2013 lauko i\u0161maniojo telefono, ant bepilo\u010dio orlaivio sumontuotos kameros arba stacionarios \u0161iltnamio kupolo kameros. \u012evesties apdorojimo moduliai patikrina vaizdo skiriam\u0105j\u0105 geb\u0105 ir pa\u017eymi nery\u0161kius arba netinkamus vaizdus prie\u0161 jiems patenkant \u012f apdorojimo sraut\u0105.<\/p>\n

            2. I\u0161ankstinio apdorojimo etape taikomi 6.2 skyriuje apra\u0161yti normalizavimo, dyd\u017eio keitimo ir kokyb\u0117s gerinimo veiksmai, u\u017etikrinant, kad \u012fvestis atitikt\u0173 apmokyto modelio numatyt\u0105 format\u0105.<\/p>\n

            3. Po\u017eymi\u0173 i\u0161skyrimas atlieka i\u0161 anksto apdoroto vaizdo perskaitym\u0105 apmokyto gilaus mokymosi modelio konvoliuciniuose sluoksniuose. \u0160iame etape modelis transformuoja neapdorotus pikseli\u0173 duomenis \u012f kompakti\u0161k\u0105 skaitmenin\u012f vaizd\u0105 (po\u017eymi\u0173 vektori\u0173), kuris koduoja su liga susijusias lapo vizualines charakteristikas.<\/p>\n

            4. Ligos klasifikacija taiko pilnai sujungtus sluoksnius ir \u201esoftmax\u201c i\u0161vesties funkcij\u0105 po\u017eymi\u0173 vektoriui, apskai\u010diuodama kiekvienos ligos kategorijos tikimyb\u0117s bal\u0105. Kategorija su did\u017eiausia tikimybe tampa numatoma diagnoze.<\/p>\n

            5. Sprendim\u0173 palaikymo funkcija klasifikavimo rezultat\u0105 paver\u010dia praktine rekomendacija: nustatytos ligos pavadinimu, patikimumo lygiu, si\u016blomais valdymo veiksmais (tiksliniu fungicidu, biokontrol\u0117s priemone, pa\u017eeist\u0173 augal\u0173 pa\u0161alinimu) ir georeferenciniais vietos duomenimis, jei vaizdas buvo u\u017efiksuotas GPS \u012frenginiu.<\/p>\n

            2. Praktinis visapusi\u0161kos aptikimo sistemos darbo eiga<\/h3>\n

            Realiame diegime \u016bkininkas atidaro mobili\u0105j\u0105 program\u0117l\u0119 ir nufotografuoja pa\u017eeist\u0105 lap\u0105. Vaizdas siun\u010diamas \u012f debesies server\u012f, kuriame veikia aptikimo modelis, arba apdorojamas lokaliai \u012frenginyje naudojant suspaust\u0105 kra\u0161to model\u012f.<\/p>\n

            Per kelias sekundes program\u0117l\u0117 pateikia diagnoz\u0119: \u201cAnkstyvasis maras \u2013 94% patikimumas. Rekomenduojamas veiksmas: pa\u017eeistoje zonoje naudoti 1,5 kg\/ha mankozebo pagrindo fungicid\u0105.\u201c.<\/p>\n

            \u201dSteb\u0117kite kaimyninius augalus kitas 5 dienas.\u201c Georeferencinis rezultatas registruojamas \u016bkio skaitmeniniame sveikatos \u017eem\u0117lapyje, o jei ta pati liga pasirei\u0161kia keliose zonose, sistema visam lauko blokui \u012fjungia padid\u0117jusios rizikos \u012fsp\u0117jim\u0105.<\/p>\n

            Demilie (2024), ap\u017evalga 161 leidinys<\/strong> giliuoju mokymusi pagr\u012fstu augal\u0173 lig\u0173 aptikimu atliktame tyrime nustatyta, kad pomidorai buvo labiausiai i\u0161tirtas augalas visuose tyrimuose, d\u0117l kurio 39% i\u0161 vis\u0173 leidini\u0173<\/strong> \u2014 daugiau nei dvigubai didesnis u\u017e antrojo pagal dyd\u012f tirto pas\u0117lio (ry\u017ei\u0173, kuri\u0173 plotas 16%) apr\u0117ptis, o tai patvirtina unikal\u0173 \u0161io pas\u0117lio ekonomin\u0117s svarbos ir pa\u017eeid\u017eiamumo ligoms sankirtos aspekt\u0105.<\/p>\n

            Pomidor\u0173 lig\u0173 aptikimo tyrim\u0173 branda rei\u0161kia, kad praktikai gali naudotis daugybe patvirtint\u0173 architekt\u016br\u0173 ir i\u0161 anksto apmokyt\u0173 modeli\u0173, u\u017euot k\u016br\u0119 visk\u0105 nuo nulio.<\/p>\n

            Veiklos vertinimo metrika<\/h2>\n

            Tinkamo vertinimo rodiklio pasirinkimas yra toks pat svarbus kaip ir tinkamos architekt\u016bros pasirinkimas, ypa\u010d lig\u0173 aptikimo atveju, kai klaidingai neigiami rezultatai (kai neaptinkama tikra liga) kainuoja kitaip nei klaidingai teigiami rezultatai (kai sveikas lapas neteisingai identifikuojamas kaip sergantis).<\/p>\n

            Tikslumas<\/strong> matuoja vis\u0173 teising\u0173 prognozi\u0173 dal\u012f. Tai da\u017eniausiai pateikiamas rodiklis, ta\u010diau jis gali b\u016bti klaidinantis, kai lig\u0173 klas\u0117s yra nesubalansuotos \u2013 modelis, kuris duomen\u0173 rinkinyje su 90% sveik\u0173 vaizd\u0173 duomenimis visada prognozuoja \u201csveik\u0105\u201d b\u016bsen\u0105, pasiekia 90% tikslum\u0105, ta\u010diau yra visi\u0161kai nenaudingas lig\u0173 aptikimui.<\/p>\n

            Tikslumas<\/strong> matuoja, kokia lig\u0173 aptikim\u0173 dalis yra tikri teigiami atvejai, fiksuojant klaiding\u0173 aliarm\u0173 rodikl\u012f. Didelis tikslumas rei\u0161kia, kad modelis retai sukelia nereikaling\u0173 gydymo rekomendacij\u0173.<\/p>\n

            Atgauti (jautrumas)<\/strong> matuoja, kokia dalis i\u0161 tikr\u0173j\u0173 sergan\u010di\u0173 augal\u0173 yra teisingai pa\u017eym\u0117ti. Didelis atk\u016brimo lygis rei\u0161kia, kad modelis retai praleid\u017eia tikras infekcijas \u2013 tai svarbesnis lig\u0173 valdymo rodiklis.<\/p>\n

            F1 balas<\/strong> yra tikslumo ir atk\u016brimo harmoninis vidurkis, pateikiantis vien\u0105 subalansuot\u0105 mat\u0105, kuris baud\u017eia modelius, kurie aukoja vien\u0105 d\u0117l kito. Tai yra pageidaujamas rodiklis, kai ir klaidingai teigiami, ir klaidingai neigiami rezultatai turi reik\u0161ming\u0173 s\u0105naud\u0173.<\/p>\n

            Specifi\u0161kumas<\/strong> matuoja, kaip tiksliai modelis atpa\u017e\u012fsta tikrai sveikus lapus kaip sveikus, o tai svarbu siekiant i\u0161vengti nereikalingo pesticid\u0173 naudojimo lig\u0173 neapimtuose pas\u0117liuose.<\/p>\n

            Svetain\u0117 Sumi\u0161imo matrica<\/strong> rodo vis\u0105 prognozi\u0173 suskirstym\u0105 visose klas\u0117se, atskleid\u017eiant, kurios lig\u0173 poros yra da\u017eniausiai painiojamos \u2013 tai itin svarbi informacija mokymo duomenims ar modelio architekt\u016brai tobulinti.<\/p>\n

            Svetain\u0117 ROC-AUC (imtuvo veikimo charakteristika \u2013 plotas po kreive)<\/strong> matuoja bendr\u0105 modelio skiriam\u0105j\u012f geb\u0105 tarp vis\u0173 klasifikavimo slenks\u010di\u0173, kai 1,0 reik\u0161m\u0117 rodo tobul\u0105 skiriam\u0105j\u012f geb\u0105, o 0,5 \u2013 atsitiktinumo lygio na\u0161um\u0105.<\/p>\n

            Pomidor\u0173 lig\u0173 aptikimas realiuoju laiku: diegimas<\/h2>\n

            Didelio tikslumo modelio perk\u0117limas i\u0161 tyrim\u0173 s\u0105siuvinio \u012f veikian\u010di\u0105 \u016bkio sistem\u0105 reikalauja i\u0161spr\u0119sti kitokias problemas nei modelio mokymas. Diegimo aplinkos turi technin\u0117s \u012frangos apribojim\u0173, ry\u0161io apribojim\u0173 ir delsos reikalavim\u0173, kurie lemia architekt\u016bros ir infrastrukt\u016bros pasirinkim\u0105.<\/p>\n

            1. I\u0161mani\u0173j\u0173 telefon\u0173 program\u0117l\u0117s mobiliajai lig\u0173 diagnostikai<\/h3>\n

            I\u0161mani\u0173j\u0173 telefon\u0173 program\u0117l\u0117s yra prieinamiausias diegimo b\u016bdas smulkiesiems ir vidutinio dyd\u017eio \u016bkininkams. Program\u0117l\u0117s, sukurtos naudojant \u201eMobileNet\u201c arba \u201eEfficientNet-Lite\u201c modelius, atlieka i\u0161vadas tik \u012frenginyje, tod\u0117l fiksavimo metu nereikia interneto ry\u0161io.<\/p>\n

            Tiksliausias modelis tiksliojoje \u017eemdirbyst\u0117je yra bevertis, nebent jis gali veikti \u012frenginyje, kur\u012f jau turi \u016bkininkas.<\/p><\/blockquote>\n

            Tai nepaprastai svarbu kaimo arba prasto susisiekimo region\u0173 \u016bkiams. \u016akininkas nufotografuoja \u012ftartin\u0105 lap\u0105, per 1\u20133 sekundes gauna ligos prognoz\u0119 ir rezultat\u0105 u\u017eregistruoja duomen\u0173 baz\u0117je, kurioje kaupiami viso \u016bkio sveikatos duomenys per vis\u0105 vegetacijos sezon\u0105.<\/p>\n

            2. Dirbtinio intelekto diegimas naudojant kra\u0161t\u0105: i\u0161vados \u012frenginyje<\/h3>\n

            Edge AI<\/strong> (dirbtinio intelekto i\u0161vad\u0173 vykdymas tiesiogiai duomen\u0173 rinkimo ta\u0161ke esan\u010dioje \u012frangoje, o ne duomen\u0173 siuntimas \u012f nuotolin\u012f server\u012f) i\u0161sprend\u017eia debesijos pagrindu veikian\u010dio aptikimo delsos ir ry\u0161io problemas. Special\u016bs periferiniai \u012frenginiai, tokie kaip \u201eNVIDIA Jetson\u201c serija arba \u201eGoogle\u201c \u201eCoral TPU\u201c greitintuvai, gali paleisti suspaustus CNN modelius daugiau nei 30 kadr\u0173 per sekund\u0119 grei\u010diu, o tai leid\u017eia nuolat steb\u0117ti lapus realiuoju laiku i\u0161 fiksuot\u0173 kamer\u0173, sumontuot\u0173 ant \u0161iltnami\u0173 tur\u0117kl\u0173 arba lauko dr\u0117kinimo konstrukcij\u0173.<\/p>\n

            Modeli\u0173 glaudinimo metodai \u2013 kvantizavimas (modelio svori\u0173 skaitmeninio tikslumo ma\u017einimas), gen\u0117jimas (ma\u017eos svarbos tinklo ry\u0161i\u0173 pa\u0161alinimas) ir \u017eini\u0173 distiliavimas (ma\u017eo modelio mokymas imituoti didel\u012f) \u2013 leid\u017eia tai pasiekti neprarandant priimtino tikslumo.<\/p>\n

            3. Dronais pagr\u012fstos steb\u0117jimo sistemos didelio masto \u016bki\u0173 steb\u0117jimui<\/h3>\n

            \u016akiams, kuri\u0173 plotas didesnis nei 20\u201330 hektar\u0173, ant\u017eemin\u0117 ap\u017ei\u016bra negali u\u017etikrinti reikiamos erdvin\u0117s apr\u0117pties, kad b\u016bt\u0173 galima aptikti lig\u0173 protr\u016bkius prie\u0161 jiems i\u0161plintant. Daugiaspektrin\u0117mis kameromis apr\u016bpintos bepilo\u010di\u0173 orlaivi\u0173 sistemos fiksuoja ligos streso para\u0161us viso lauko lygmeniu.<\/p>\n

            U\u017efiksuoti vaizdai tiekiami \u012f integruot\u0105 procesori\u0173 arba perduodami \u012f ant\u017eemin\u0119 stot\u012f, kur aptikimo modelis nustato u\u017ekr\u0117stas zonas ir sukuria georeferencin\u012f \u017eem\u0117lap\u012f, u\u017edengt\u0105 \u016bkio skaitmeniniais sklyp\u0173 \u012fra\u0161ais.<\/p>\n

            Tai kei\u010dia ligos valdym\u0105 nuo reaktyvaus (reagavimo po to, kai simptomai tampa akivaizd\u016bs) prie erdvinio proaktyvaus (reagavimo \u012f konkre\u010dias lauko koordinates, kur aptinkamas ankstyvas stresas).<\/p>\n

            Giliojo mokymosi pagrindu veikian\u010di\u0173 lig\u0173 aptikimo i\u0161\u0161\u016bkiai<\/h2>\n

            \u0160ioje srityje padaryta didel\u0117 pa\u017eanga, ta\u010diau s\u0105\u017einingas likusi\u0173 i\u0161\u0161\u016bki\u0173 \u012fvertinimas padeda i\u0161vengti pernelyg didelio pasitik\u0117jimo dislokavimo sprendimais.<\/p>\n

            Riboto lauko duomen\u0173 rinkiniai<\/strong> teb\u0117ra labiausiai paplitusi problema. Dauguma didelio tikslumo modeli\u0173 yra apmokomi ir vertinami naudojant \u201ePlantVillage\u201c, kurioje naudojami kontroliuojamo ap\u0161vietimo, vieno lapo vaizdai \u0161variame fone. Realus lauko na\u0161umas gerokai suma\u017e\u0117ja, kai tie patys modeliai susiduria su sud\u0117tingais, daugiaelementiais vaizdais, paimtais esant kintan\u010diam ap\u0161vietimui.<\/p>\n

            Ap\u0161vietimo s\u0105lyg\u0173 skirtumai<\/strong> \u2014 tiesioginiai saul\u0117s spinduliai, sukeliantys veidrodinius atspind\u017eius lap\u0173 pavir\u0161iuje, apsiniauk\u0119 i\u0161sklaidytos \u0161viesos plok\u0161tinimo efektai arba pas\u0117li\u0173 lajos \u0161e\u0161\u0117liai, \u2013 pakei\u010dia matom\u0105 pa\u017eeidim\u0173 spalv\u0105 ir tekst\u016br\u0105 taip, kad klasifikavimas gali pablog\u0117ti 5\u201315 procentini\u0173 punkt\u0173, palyginti su kontroliuojamomis s\u0105lygomis.<\/p>\n

            Fono sud\u0117tingumas<\/strong> Lauko vaizduose pateikiama nereik\u0161minga vaizdin\u0117 informacija. Dirvo\u017eemis, mul\u010dias, dr\u0117kinimo la\u0161\u0173 linijos, vaisiai ir kiti lapai gali b\u016bti matomi tame pa\u010diame vaizdo kadre kaip ir sergantis lapas, o modeliai, kurie n\u0117ra specialiai apmokyti dirbti su sud\u0117tingu fonu, da\u017enai painioja fono elementus su ligos po\u017eymiais.<\/p>\n

            Kelios ligos<\/strong> viename lape kyla klasifikavimo i\u0161\u0161\u016bkis, kurio dauguma vienos etiket\u0117s modeli\u0173 n\u0117ra skirti \u012fveikti. Lapui, kuriame vienu metu pasirei\u0161kia bakterin\u0117 d\u0117m\u0117tlig\u0117 ir ankstyvoji degradacija, reikalinga daugiaetiket\u0117 klasifikavimo galimyb\u0117, o tai padidina mokymo sud\u0117tingum\u0105 ir duomen\u0173 rinkinio anotavimo reikalavimus.<\/p>\n

            Klas\u0117s disbalansas<\/strong> Mokymo duomen\u0173 rinkiniuose \u2013 daug daugiau \u012fprast\u0173 lig\u0173, toki\u0173 kaip ankstyvoji maras, vaizd\u0173 nei ret\u0173 lig\u0173, toki\u0173 kaip mozaikos virusas, \u2013 modeliai pernelyg pasitiki da\u017enai pasitaikan\u010diomis klas\u0117mis ir yra nepatikimi re\u010diau reprezentuojamomis klas\u0117mis.<\/p>\n

            Modelio interpretuojamumas<\/strong> yra didel\u0117 kli\u016btis pasitik\u0117jimui \u016bkio lygmeniu. Kai modelis klasifikuoja lap\u0105 kaip pa\u017eeist\u0105 su 97% patikimumo lygiu, dauguma \u016bkinink\u0173 ir agronom\u0173 nori suprasti, kokie vizualiniai po\u017eymiai l\u0117m\u0117 \u0161\u012f sprendim\u0105, prie\u0161 imdamiesi veiksm\u0173 pagal rekomendacij\u0105.<\/p>\n

            Naujausi pasiekimai intelektualiojo lig\u0173 aptikimo srityje<\/h2>\n

            Mokslini\u0173 tyrim\u0173 sritis juda keliomis kryptimis vienu metu, spr\u0119sdama skirtingas pirmiau nurodyto i\u0161\u0161\u016bkio dalis.<\/p>\n

            1. Paai\u0161kinamasis dirbtinis intelektas (XAI)<\/strong> \u012erankiai, ypa\u010d \u201eGrad-CAM\u201c (gradiento svertinis klas\u0117s aktyvinimo \u017eem\u0117lapi\u0173 sudarymas), kuris sukuria \u0161ilumos \u017eem\u0117lapi\u0173 perdengimus, rodan\u010dius, \u012f kuriuos lapo vaizdo regionus modelis sutelk\u0117 d\u0117mes\u012f priimdamas sprendim\u0105, tiesiogiai sprend\u017eia interpretuojamumo problem\u0105.<\/p>\n

            \u201eGrad-CAM\u201c vizualizacija, rodanti, kad modelio d\u0117mesys sutelktas \u012f tams\u0173 pa\u017eeidimo \u017eied\u0105, suteikia agronomams galimyb\u0119 \u012fvertinti ir pasitik\u0117ti.<\/p>\n

            2. Reg\u0117jimo transformatoriai (ViT)<\/strong> toliau populiar\u0117ja pomidor\u0173 lig\u0173 aptikimo srityje, nes tobul\u0117ja i\u0161ankstinio mokymo strategijos ir ma\u017e\u0117ja duomen\u0173 reikalavimai ViT tikslinimui.<\/p>\n

            D\u0117l geb\u0117jimo u\u017efiksuoti pasaulinius lap\u0173 lygio modelius, o ne vien lokalius po\u017eymius, jie yra ypa\u010d perspektyv\u016bs aptikti virusines ligas, kurios veikia vis\u0105 lap\u0173 pavir\u0161iaus pasiskirstym\u0105, o ne sukelia lokalizuotus pa\u017eeidimus.<\/p>\n

            3. Federacinis mokymasis<\/strong> sprend\u017eia lauko duomen\u0173 rinkinio problem\u0105, leisdama modelius apmokyti bendradarbiaujant keliuose \u016bkiuose, necentralizuojant jautri\u0173 duomen\u0173.<\/p>\n

            Kiekvienas \u016bkis apmoko vietin\u012f model\u012f su savo atvaizdais, ir tik modelio parametr\u0173 atnaujinimai (ne patys atvaizdai) yra bendrinami siekiant patobulinti centrin\u012f global\u0173 model\u012f. Tai i\u0161saugo \u016bkinink\u0173 duomen\u0173 privatum\u0105 ir kartu \u017eymiai padidina mokymo duomen\u0173 \u012fvairov\u0119.<\/p>\n

            Tikslus lig\u0173 valdymas nebus apibr\u0117\u017eiamas vieno modelio tikslumu \u2013 j\u012f apibr\u0117\u0161 sistemos, jungian\u010dios aptikim\u0105, sprendim\u0173 pri\u0117mim\u0105 ir veiksmus, intelektas.<\/p><\/blockquote>\n

            4. Savaranki\u0161kas mokymasis<\/strong> i\u0161 anksto apmoko modelius su didel\u0117mis nepa\u017eym\u0117t\u0173 augal\u0173 vaizd\u0173 kolekcijomis, kad i\u0161mokt\u0173 bendrus vaizdinius atvaizdavimus, o tada tiksliai derina nedidelius pa\u017eenklintus lig\u0173 duomen\u0173 rinkinius. Tai suma\u017eina anotacij\u0173 na\u0161t\u0105 ir leid\u017eia kurti auk\u0161tos kokyb\u0117s modelius lig\u0173 kategorijoms, kuriose pa\u017eenklint\u0173 pavyzd\u017ei\u0173 tr\u016bksta.<\/p>\n

            5. Multimodalinis lig\u0173 nustatymas<\/strong> integruoja lap\u0173 vaizd\u0173 duomenis su spektrini\u0173 jutikli\u0173 rodmenimis, meteorologijos sto\u010di\u0173 duomenimis ir istoriniais lig\u0173 \u012fra\u0161ais \u012f viening\u0105 modelio \u012fvest\u012f. Vizualini\u0173 ir aplinkos duomen\u0173 derinimas gali padidinti aptikimo na\u0161um\u0105, vir\u0161ijant\u012f tai, k\u0105 palaiko vien vaizdo duomenys, ypa\u010d lig\u0173, kuri\u0173 vizualinius simptomus lemia biocheminiai poky\u010diai, aptinkami spektriniuose para\u0161uose, atveju.<\/p>\n

            B\u016bsimos tyrim\u0173 kryptys: ko \u0161iai sri\u010diai dar reikia<\/h2>\n

            Norint pereiti nuo didelio tikslumo tyrim\u0173 modeli\u0173 prie nuosekliai patikimo diegimo \u016bki\u0173 lygmeniu, reikia sutelkto darbo keliose srityse.<\/p>\n

            Realaus diegimo patvirtinimas<\/strong> Norint s\u0105\u017einingai apib\u016bdinti na\u0161umo atotr\u016bk\u012f tarp kontroliuojam\u0173 ir lauko s\u0105lyg\u0173 aptikimo, reikia ne tik \u201ePlantVillage\u201c etalon\u0173, bet ir \u012fvairiose geografin\u0117se vietov\u0117se bei \u016bkininkavimo sistemose.<\/p>\n

            Patikimas lauko lygio aptikimas<\/strong> Reik\u0117s specialiai sukurt\u0173 lauko duomen\u0173 rinkini\u0173, surinkt\u0173 per kelis auginimo sezonus, keliose \u0161alyse, ir sistemingai dokumentuoti oro s\u0105lygas vaizdo fiksavimo metu.<\/p>\n

            Integracija su daikt\u0173 internetu ir i\u0161mani\u0105ja \u016bkininkavimo infrastrukt\u016bra<\/strong> \u2013 lig\u0173 aptikimo \u012fsp\u0117jim\u0173 tiesioginis sujungimas su automatizuotomis dr\u0117kinimo ir tr\u0119\u0161imo sistemomis, dron\u0173 pur\u0161kimo platformomis ir \u016bkio valdymo programine \u012franga \u2013 u\u017ebaigs cikl\u0105 tarp aptikimo ir veiksm\u0173.<\/p>\n

            Prognozin\u0117 lig\u0173 prognoz\u0117,<\/strong> Derinant dabartinius lig\u0173 aptikimo duomenis su or\u0173 prognozavimo modeliais ir istoriniais lig\u0173 plitimo modeliais, bus pakeista paradigma nuo reaktyvaus aptikimo prie i\u0161ankstinio valdymo: rekomenduojant prevencinius veiksmus dar prie\u0161 atsirandant simptomams.<\/p>\n

            Autonomin\u0117s \u017eem\u0117s \u016bkio sistemos<\/strong> \u2014 Bepilo\u010di\u0173 orlaivi\u0173 (UAV) parkai, kurie nuolat stebi laukus, \u017eymi lig\u0173 zonas ir koordinuoja veiksmus su automatiniais purk\u0161tuvais be \u017emogaus \u012fsiki\u0161imo, \u2014 tai horizontas, \u012f kur\u012f juda dabartin\u0117s tiksliosios \u017eemdirbyst\u0117s technologijos.<\/p>\n

            I\u0161vada<\/h2>\n

            I\u0161manus pomidor\u0173 lap\u0173 lig\u0173 aptikimas naudojant gil\u0173j\u012f mokym\u0105si neb\u0117ra eksperimentin\u0117 technologija. Tai brandi, gerai patvirtinta programa, turinti vis daugiau recenzuot\u0173 \u012frodym\u0173, patvirtinan\u010di\u0173 jos geb\u0117jim\u0105 tiksliai, greitai ir dirban\u010diems \u016bkininkams prieinama kaina nustatyti pomidor\u0173 ligas. Nuo pagrindini\u0173 CNN modeli\u0173, apmokyt\u0173 naudojant \u201ePlantVillage\u201c duomen\u0173 rinkin\u012f, iki d\u0117mesio valdom\u0173 hibridini\u0173 architekt\u016br\u0173, pasiekian\u010di\u0173 99%+ tikslum\u0105, technin\u0117s galimyb\u0117s dabar vir\u0161ija daugumai \u016bkininkavimo \u012fmoni\u0173 prieinam\u0105 diegimo infrastrukt\u016br\u0105.<\/p>\n

            Kelias \u012f priek\u012f ai\u0161kus. Tiksliosios \u017eemdirbyst\u0117s sistemos, kurios integruoja vaizdais pagr\u012fst\u0105 lig\u0173 aptikim\u0105 su daikt\u0173 interneto jutikli\u0173 tinklais, bepilo\u010di\u0173 orlaivi\u0173 steb\u0117jimu ir prognozuojamaisiais or\u0173 modeliais, \u0161\u012f de\u0161imtmet\u012f apibr\u0117\u0161 konkurencing\u0105 pomidor\u0173 gamyb\u0105. Dirbtinis intelektas tiksliosios \u017eemdirbyst\u0117s rinkoje auga spar\u010diai. Metinis augimo tempas (CAGR) 15,11 TP3T<\/strong> link $12,7 milijardo iki 2034 m.<\/strong> rodo, kad \u0161ios investicijos jau vykdomos dideliu mastu.<\/p>","protected":false},"excerpt":{"rendered":"

            Pa\u017eangus pomidor\u0173 lap\u0173 lig\u0173 aptikimas yra dviej\u0173 galing\u0173 j\u0117g\u0173, kei\u010dian\u010di\u0173 pasaulin\u012f \u017eem\u0117s \u016bk\u012f, sankirta: paties pomidor\u0173 derliaus ekonomin\u0117 svarba ir\u2026<\/p>","protected":false},"author":210249433,"featured_media":13712,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_coblocks_attr":"","_coblocks_dimensions":"","_coblocks_responsive_height":"","_coblocks_accordion_ie_support":"","_eb_attr":"","content-type":"","_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_feature_clip_id":0,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"{title}\n\n{excerpt}\n\n{url}","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","default_image_id":0,"font":"","enabled":false},"version":2},"_wpas_customize_per_network":false,"jetpack_post_was_ever_published":false},"categories":[1657,1370],"tags":[],"class_list":["post-13709","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-precision-farming","category-scouting"],"acf":[],"yoast_head":"\nIntelligent Tomato Leaf Disease Detection in Precision Agriculture - GeoPard Agriculture<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/geopard.tech\/lt\/tinklarastis\/ismanus-pomidoru-lapu-ligu-aptikimas-tiksliojoje-zemdirbysteje\/\" \/>\n<meta property=\"og:locale\" content=\"lt_LT\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Intelligent Tomato Leaf Disease Detection in Precision Agriculture - GeoPard Agriculture\" \/>\n<meta property=\"og:description\" content=\"Intelligent tomato leaf disease detection sits at the intersection of two powerful forces reshaping global agriculture: the economic weight of the tomato crop itself, and...\" \/>\n<meta property=\"og:url\" content=\"https:\/\/geopard.tech\/lt\/tinklarastis\/ismanus-pomidoru-lapu-ligu-aptikimas-tiksliojoje-zemdirbysteje\/\" \/>\n<meta property=\"og:site_name\" content=\"GeoPard - Precision agriculture Mapping software\" \/>\n<meta property=\"article:publisher\" content=\"https:\/\/www.facebook.com\/geopardAgriculture\/\" \/>\n<meta property=\"article:published_time\" content=\"2026-06-08T17:33:44+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/06\/Intelligent-Tomato-Leaf-Disease-Detection-in-Precision-Agriculture.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1920\" \/>\n\t<meta property=\"og:image:height\" content=\"1080\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Muhammad Farjad\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:creator\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:site\" content=\"@geopardagri\" \/>\n<meta name=\"twitter:label1\" content=\"Written by\" \/>\n\t<meta name=\"twitter:data1\" content=\"Muhammad Farjad\" \/>\n\t<meta name=\"twitter:label2\" content=\"Est. reading time\" \/>\n\t<meta name=\"twitter:data2\" content=\"25 minut\u0117s\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/#article\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/\"},\"author\":{\"name\":\"Muhammad Farjad\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/123c5562fb47aa8cf3aa81ae91e5e935\"},\"headline\":\"Intelligent Tomato Leaf Disease Detection in Precision Agriculture\",\"datePublished\":\"2026-06-08T17:33:44+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/\"},\"wordCount\":5380,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/Intelligent-Tomato-Leaf-Disease-Detection-in-Precision-Agriculture.png?fit=1920%2C1080&ssl=1\",\"articleSection\":[\"Precision Farming\",\"Scouting\"],\"inLanguage\":\"lt-LT\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/\",\"url\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/\",\"name\":\"Intelligent Tomato Leaf Disease Detection in Precision Agriculture - GeoPard Agriculture\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/Intelligent-Tomato-Leaf-Disease-Detection-in-Precision-Agriculture.png?fit=1920%2C1080&ssl=1\",\"datePublished\":\"2026-06-08T17:33:44+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/#breadcrumb\"},\"inLanguage\":\"lt-LT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"lt-LT\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/#primaryimage\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/Intelligent-Tomato-Leaf-Disease-Detection-in-Precision-Agriculture.png?fit=1920%2C1080&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2026\\\/06\\\/Intelligent-Tomato-Leaf-Disease-Detection-in-Precision-Agriculture.png?fit=1920%2C1080&ssl=1\",\"width\":1920,\"height\":1080,\"caption\":\"Intelligent Tomato Leaf Disease Detection in Precision Agriculture\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/blog\\\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\\\/\\\/geopard.tech\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Intelligent Tomato Leaf Disease Detection in Precision Agriculture\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#website\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"name\":\"GeoPard - Precision agriculture software\",\"description\":\"Precision agriculture Mapping software\",\"publisher\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\"},\"alternateName\":\"GeoPard\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/geopard.tech\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"lt-LT\"},{\"@type\":\"Organization\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#organization\",\"name\":\"GeoPard Agriculture\",\"alternateName\":\"GeoPard\",\"url\":\"https:\\\/\\\/geopard.tech\\\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"lt-LT\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\",\"url\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"contentUrl\":\"https:\\\/\\\/i0.wp.com\\\/geopard.tech\\\/wp-content\\\/uploads\\\/2022\\\/03\\\/favicon.png?fit=200%2C200&ssl=1\",\"width\":200,\"height\":200,\"caption\":\"GeoPard Agriculture\"},\"image\":{\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/logo\\\/image\\\/\"},\"sameAs\":[\"https:\\\/\\\/www.facebook.com\\\/geopardAgriculture\\\/\",\"https:\\\/\\\/x.com\\\/geopardagri\",\"https:\\\/\\\/www.linkedin.com\\\/company\\\/geopard-agriculture\\\/\",\"https:\\\/\\\/www.instagram.com\\\/geopardagriculture\\\/\"]},{\"@type\":\"Person\",\"@id\":\"https:\\\/\\\/geopard.tech\\\/#\\\/schema\\\/person\\\/123c5562fb47aa8cf3aa81ae91e5e935\",\"name\":\"Muhammad Farjad\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"lt-LT\",\"@id\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"url\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"contentUrl\":\"https:\\\/\\\/secure.gravatar.com\\\/avatar\\\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g\",\"caption\":\"Muhammad Farjad\"},\"url\":\"#\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Pa\u017eangus pomidor\u0173 lap\u0173 lig\u0173 aptikimas tiksliojoje \u017eemdirbyst\u0117je \u2013 \u201eGeoPard Agriculture\u201c","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/geopard.tech\/lt\/tinklarastis\/ismanus-pomidoru-lapu-ligu-aptikimas-tiksliojoje-zemdirbysteje\/","og_locale":"lt_LT","og_type":"article","og_title":"Intelligent Tomato Leaf Disease Detection in Precision Agriculture - GeoPard Agriculture","og_description":"Intelligent tomato leaf disease detection sits at the intersection of two powerful forces reshaping global agriculture: the economic weight of the tomato crop itself, and...","og_url":"https:\/\/geopard.tech\/lt\/tinklarastis\/ismanus-pomidoru-lapu-ligu-aptikimas-tiksliojoje-zemdirbysteje\/","og_site_name":"GeoPard - Precision agriculture Mapping software","article_publisher":"https:\/\/www.facebook.com\/geopardAgriculture\/","article_published_time":"2026-06-08T17:33:44+00:00","og_image":[{"width":1920,"height":1080,"url":"https:\/\/geopard.tech\/wp-content\/uploads\/2026\/06\/Intelligent-Tomato-Leaf-Disease-Detection-in-Precision-Agriculture.png","type":"image\/png"}],"author":"Muhammad Farjad","twitter_card":"summary_large_image","twitter_creator":"@geopardagri","twitter_site":"@geopardagri","twitter_misc":{"Written by":"Muhammad Farjad","Est. reading time":"25 minut\u0117s"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/#article","isPartOf":{"@id":"https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/"},"author":{"name":"Muhammad Farjad","@id":"https:\/\/geopard.tech\/#\/schema\/person\/123c5562fb47aa8cf3aa81ae91e5e935"},"headline":"Intelligent Tomato Leaf Disease Detection in Precision Agriculture","datePublished":"2026-06-08T17:33:44+00:00","mainEntityOfPage":{"@id":"https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/"},"wordCount":5380,"commentCount":0,"publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"image":{"@id":"https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Intelligent-Tomato-Leaf-Disease-Detection-in-Precision-Agriculture.png?fit=1920%2C1080&ssl=1","articleSection":["Precision Farming","Scouting"],"inLanguage":"lt-LT","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/","url":"https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/","name":"Pa\u017eangus pomidor\u0173 lap\u0173 lig\u0173 aptikimas tiksliojoje \u017eemdirbyst\u0117je \u2013 \u201eGeoPard Agriculture\u201c","isPartOf":{"@id":"https:\/\/geopard.tech\/#website"},"primaryImageOfPage":{"@id":"https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/#primaryimage"},"image":{"@id":"https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/#primaryimage"},"thumbnailUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Intelligent-Tomato-Leaf-Disease-Detection-in-Precision-Agriculture.png?fit=1920%2C1080&ssl=1","datePublished":"2026-06-08T17:33:44+00:00","breadcrumb":{"@id":"https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/#breadcrumb"},"inLanguage":"lt-LT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/"]}]},{"@type":"ImageObject","inLanguage":"lt-LT","@id":"https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/#primaryimage","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Intelligent-Tomato-Leaf-Disease-Detection-in-Precision-Agriculture.png?fit=1920%2C1080&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Intelligent-Tomato-Leaf-Disease-Detection-in-Precision-Agriculture.png?fit=1920%2C1080&ssl=1","width":1920,"height":1080,"caption":"Intelligent Tomato Leaf Disease Detection in Precision Agriculture"},{"@type":"BreadcrumbList","@id":"https:\/\/geopard.tech\/blog\/intelligent-tomato-leaf-disease-detection-in-precision-agriculture\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/geopard.tech\/"},{"@type":"ListItem","position":2,"name":"Intelligent Tomato Leaf Disease Detection in Precision Agriculture"}]},{"@type":"WebSite","@id":"https:\/\/geopard.tech\/#website","url":"https:\/\/geopard.tech\/","name":"GeoPard \u2013 tiksliosios \u017eemdirbyst\u0117s programin\u0117 \u012franga","description":"Tiksliosios \u017eemdirbyst\u0117s kartografavimo programin\u0117 \u012franga","publisher":{"@id":"https:\/\/geopard.tech\/#organization"},"alternateName":"GeoPard","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/geopard.tech\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"lt-LT"},{"@type":"Organization","@id":"https:\/\/geopard.tech\/#organization","name":"GeoPard \u017dem\u0117s \u016bkis","alternateName":"GeoPard","url":"https:\/\/geopard.tech\/","logo":{"@type":"ImageObject","inLanguage":"lt-LT","@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/","url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","contentUrl":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2022\/03\/favicon.png?fit=200%2C200&ssl=1","width":200,"height":200,"caption":"GeoPard Agriculture"},"image":{"@id":"https:\/\/geopard.tech\/#\/schema\/logo\/image\/"},"sameAs":["https:\/\/www.facebook.com\/geopardAgriculture\/","https:\/\/x.com\/geopardagri","https:\/\/www.linkedin.com\/company\/geopard-agriculture\/","https:\/\/www.instagram.com\/geopardagriculture\/"]},{"@type":"Person","@id":"https:\/\/geopard.tech\/#\/schema\/person\/123c5562fb47aa8cf3aa81ae91e5e935","name":"Muhamadas Farjadas","image":{"@type":"ImageObject","inLanguage":"lt-LT","@id":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","url":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/51b9af87d9b0801ae1c0ab294a0f06eb669f60d5168f33394aeeca9de86537bb?s=96&d=identicon&r=g","caption":"Muhammad Farjad"},"url":"#"}]}},"jetpack_publicize_connections":[],"jetpack_featured_media_url":"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Intelligent-Tomato-Leaf-Disease-Detection-in-Precision-Agriculture.png?fit=1920%2C1080&ssl=1","jetpack_likes_enabled":true,"jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/pdiCPa-3z7","_links":{"self":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/posts\/13709","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/users\/210249433"}],"replies":[{"embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/comments?post=13709"}],"version-history":[{"count":0,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/posts\/13709\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/media\/13712"}],"wp:attachment":[{"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/media?parent=13709"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/categories?post=13709"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/geopard.tech\/lt\/wp-json\/wp\/v2\/tags?post=13709"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}