Dziļās mācīšanās datorredzes lietojumprogrammu loma augu slimību agrīnā noteikšanā

Augu slimības klusībā apdraud globālo pārtikas nodrošinājumu, ik gadu iznīcinot 10–161 TP3 t kultūraugu un radot lauksaimniecības nozarei 1 TP4 220 miljardu zaudējumus. Tradicionālās metodes, piemēram, manuālas pārbaudes un laboratorijas testi, ir lēnas, dārgas un bieži vien neuzticamas.

Novatorisks 2025. gada pētījums, “Dziļā mācīšanās un datorredze augu slimību noteikšanā” (Upadhyay et al.) atklāj, kā mākslīgā intelekta augu slimību noteikšana un datorredzes lauksaimniecība pārveido lauksaimniecību.

Kāpēc agrīna augu slimību atklāšana ir svarīga globālajai pārtikas drošībai

Lauksaimniecībā strādā 281 000 000 000 no pasaules darbaspēka, un tādas valstis kā Indija, Ķīna un ASV ir vadošās kultūraugu ražošanas jomā. Neskatoties uz to, augu slimības, ko izraisa sēnītes, baktērijas un vīrusi, samazina ražu un rada spriedzi ekonomikā.

Piemēram, rīsu sprādzienbīstamā slimība skartajos reģionos samazina ražu par 30–50%, savukārt citrusaugļu zaļošana kopš 2005. gada ir iznīcinājusi 70% Floridas apelsīnu birzīs. Agrīna atklāšana ir kritiski svarīga, taču daudziem lauksaimniekiem trūkst piekļuves moderniem instrumentiem vai zināšanām.

Šeit noder mākslīgā intelekta vadīta slimību noteikšana, piedāvājot ātrus, pieejamus un precīzus risinājumus, kas pārspēj tradicionālās metodes.

Kā mākslīgais intelekts un datorredze atklāj kultūraugu slimības

Pētījumā tika analizēti 278 pētījumi, lai izskaidrotu, kā darbojas mākslīgā intelekta augu slimību noteikšanas sistēmas. Vispirms kameras vai sensori uztver kultūraugu attēlus. Pēc tam šie attēli tiek apstrādāti, izmantojot algoritmus, lai identificētu slimības pazīmes.

Piemēram, RGB kameras uzņemiet krāsu fotoattēlus, lai pamanītu redzamus simptomus, piemēram, lapu plankumus, savukārt hiperspektrālās kameras atklāj slēptus stresa signālus, analizējot simtiem gaismas viļņu garumu.

Kad attēli ir uzņemti, tie tiek pakļauti pirmapstrādei, lai uzlabotu kvalitāti. Tādas metodes kā sliekšņu noteikšana izolē slimības zonas pēc krāsas, un malu noteikšana kartē bojājumu vai krāsas izmaiņu robežas.

Pēc tam dziļās mācīšanās modeļi analizē iepriekš apstrādātos datus. Konvolucionālie neironu tīkli (CNN), visizplatītākie mākslīgā intelekta rīki lauksaimniecībā, skenē attēlus slāni pa slānim, lai identificētu tādus modeļus kā neparastas tekstūras vai krāsas.

2022. gada tiesas procesā, ResNet50— populārs CNN modelis — tomātu slimību diagnosticēšanā sasniedza 99,07% precizitāti.

Tikmēr, Redzes transformatori (ViT) sadalīt attēlus apgabalos un pētīt to attiecības, atdarinot to, kā cilvēki analizē kontekstu. Šī pieeja palīdzēja noteikt vīnogulāju vēnu attīrīšanas vīrusu ar 71% precizitāti 2020. gada pētījumā.

“Lauksaimniecības nākotne nav cilvēku aizstāšana, bet gan viņu aprīkošana ar inteliģentiem instrumentiem.”

Modernu sensoru loma mūsdienu lauksaimniecībā

Dažādi sensori piedāvā unikālas priekšrocības precīzajā lauksaimniecībā. RGB kameras, lai gan ir pieejamas un viegli lietojamas, ierobežotās spektrālās detaļas dēļ tās cīnās ar agrīnās stadijas slimībām. Turpretī, hiperspektrālās kameras uztvert datus simtiem gaismas viļņu garumu, atklājot stresa signālus, kas nav redzami ar neapbruņotu aci.

Piemēram, pētnieki izmantoja hiperspektrālo attēlveidošanu, lai 2022. gadā diagnosticētu ābolu Valsa vēzi ar precizitāti 98%. Tomēr šīs kameras maksā $10,000–$50 000, padarot tos pārāk dārgus mazajiem lauksaimniekiem.

Termiskās kameras sniegt citu skatījumu, mērot infekciju izraisītās temperatūras izmaiņas. 2019. gada pētījumā tika atklāts, ka ar citrusaugļu zaļumu inficētām lapām ir atšķirīgi siltuma modeļi, kas ļauj to agrīni atklāt.

Tikmēr, multispektrālās kameras—vidusceļa risinājums — izsekot hlorofila līmenim, lai novērtētu augu veselību.

Šie sensori 2014. gadā kartēja kviešu svītraino rūsu, palīdzot lauksaimniekiem efektīvāk mērķēt apstrādes metodes. Neskatoties uz to priekšrocībām, sensoru izmaksas un vides faktori, piemēram, vējš vai nevienmērīgs apgaismojums, joprojām rada problēmas.

Publiskās datu kopas: mākslīgā intelekta lauksaimniecības mugurkauls

Uzticamu mākslīgā intelekta modeļu apmācībai ir nepieciešams milzīgs apjoms marķētu datu. PlantVillage datu kopa, bezmaksas resurss ar 87 000 attēliem, kuros attēloti 14 kultūraugi un 26 slimības, ir kļuvis par zelta standartu pētniekiem.

Vairāk nekā 901 TP3T pētījumā, kas citēti rakstā, šis datu kopums tika izmantots modeļu apmācībai un testēšanai. Vēl viens svarīgs resurss ir Maniokas slimības datu kopa, ietver 11 670 maniokas mozaīkas slimības attēlus un ar CNN modeļiem sasniedza 96% precizitāti.

Tomēr joprojām pastāv nepilnības. Retām slimībām, piemēram, priežu nematodei, ir mazāk nekā 100 marķētu attēlu, kas ierobežo mākslīgā intelekta spēju tās noteikt. Turklāt lielākajā daļā datu kopu ir laboratorijā uzņemti attēli, kuros nav ņemti vērā reālās pasaules mainīgie, piemēram, laika apstākļi vai apgaismojums.

Lai risinātu šo problēmu, tādi projekti kā AI4Ag izmanto lauku attēlu pūļa resursus, lai apkopotu tos no lauksaimniekiem visā pasaulē, cenšoties izveidot stabilākas un reālistiskākas datu kopas.

Mākslīgā intelekta veiktspējas mērīšana: precizitāte, precizitāte un kas vairāk

Pētnieki izmanto vairākus rādītājus, lai novērtētu mākslīgā intelekta augu slimību noteikšanas sistēmas. Precizitāte—pareizo diagnožu procentuālā daļa — svārstās no 76.9% agrīnajos modeļos uz 99.97% modernās sistēmās, piemēram, EfficientNet-B5.

Tomēr precizitāte vien var būt maldinoša. Precizitāte mēra, cik daudz atzīmēto slimību ir reālas (izvairoties no viltus trauksmēm), savukārt atsaukšana izseko, cik daudz faktisku infekciju tiek atklātas.

Piemēram, Maska R-CNN, objektu noteikšanas modelis, sasniedza 93,5% precizitāti zemeņu antraknozes noteikšanā, bet tikai 45% precizitāti kokvilnas sakņu puves noteikšanā.

Portāls F1 rezultāts līdzsvaro precizitāti un atcerēšanos, piedāvājot holistisku snieguma skatījumu. 2023. gada izmēģinājumā, PlantViT—hibrīds mākslīgā intelekta modelis — ieguva 98,61% F1 vērtējumu PlantVillage datu kopā.

Objektu noteikšanai, vidējā precizitāte (mAP) ir kritiski svarīgs. Ātrāks R-CNN, populārs modelis, ābolu slimību izmēģinājumos sasniedza 73,07% mAP, kas nozīmē, ka vairumā gadījumu tas pareizi atrada un klasificēja infekcijas.

Problēmas, kas kavē mākslīgā intelekta attīstību lauksaimniecībā

Neskatoties uz tā potenciālu, mākslīgā intelekta vadīta slimību atklāšana saskaras ar šķēršļiem. Pirmkārt, datu trūkums nomoka retas vai jaunas slimības.

• Piemēram, 2021. gada pētījumā bija pieejami tikai 20 gurķu miltrasas attēli, kas ierobežoja modeļa ticamību.
• Otrkārt, tādi vides faktori kā vējš, ēnas vai mainīgi apgaismojuma apstākļi samazina lauka precizitāti par 20–30% salīdzinājumā ar laboratorijas iestatījumiem.
• Treškārt, augstās izmaksas kavē ieviešanu. Hiperspektrālās kameras, lai arī jaudīgas, joprojām nav pieejamas mazajiem lauksaimniekiem, un mākslīgā intelekta rīkiem ir nepieciešami viedtālruņi vai piekļuve internetam, kas joprojām ir šķērslis lauku apvidos.
• Visbeidzot, joprojām pastāv uzticēšanās problēmas. 2023. gada aptaujā atklājās, ka 681 TP3 tūkstoši lauksaimnieku vilcinās ieviest mākslīgo intelektu tā “melnās kastes” rakstura dēļ — viņi neredz, kā tiek pieņemti lēmumi.

Lai to pārvarētu, pētnieki izstrādā interpretējamu mākslīgo intelektu, kas diagnozes izskaidro vienkāršā valodā, piemēram, izceļot inficētās lapu zonas vai uzskaitot simptomus.

Lauksaimniecības nākotne: 5 inovācijas, kurām jāpievērš uzmanība

1. Perifērijas skaitļošana reāllaika analīzeiViegli mākslīgā intelekta modeļi, piemēram, MobileNetV2 (7 MB lielums), darbojas viedtālruņos vai dronos, piedāvājot slimību noteikšanu reāllaikā bez interneta. 2023. gadā šis modelis sasniedza 99,42% precizitāti kartupeļu slimību klasifikācijā, dodot lauksaimniekiem iespēju pieņemt tūlītējus lēmumus.

2. Mācīšanās pārnešana ātrākai adaptācijaiIepriekš apmācītus modeļus, piemēram, PlantViT, var precīzi pielāgot jaunām kultūrām ar minimāliem datiem. 2023. gada pētījumā PlantViT tika pielāgots rīsu sprādziena noteikšanai, sasniedzot 87,87% precizitāti, izmantojot tikai 1000 attēlus.

3. Redzes-valodas modeļi (VLM)Sistēmas, piemēram, OpenAI CLIP, ļauj lauksaimniekiem vaicāt mākslīgo intelektu, izmantojot tekstu (piemēram, “Atrast brūnus plankumus uz lapām”). Šī dabiskā mijiedarbība savieno sarežģītas tehnoloģijas un ikdienas lauksaimniecību.

4. Vispārējas nozīmes mākslīgā intelekta pamatmodeļiLieli modeļi, piemēram, GPT-4, varētu simulēt slimības izplatību vai ieteikt ārstēšanas metodes, darbojoties kā virtuāli agronomi.

5. Sadarbības globālās datubāzesAtvērtā pirmkoda platformas, piemēram, PlantVillage un AI4Ag, apkopo datus no lauksaimniekiem un pētniekiem visā pasaulē, paātrinot inovācijas.

Gadījuma izpēte: Ar mākslīgo intelektu darbināta mango audzēšana Indijā

2024. gadā pētnieki izstrādāja vieglu DenseNet modeli, lai apkarotu mango slimības, piemēram, antraknozi un miltrasu. Modelis, kas tika apmācīts ar 12 332 lauka attēliem, sasniedza 99,2% precizitāti, kas ir augstāka nekā lielākajai daļai laboratorijas sistēmu.

Ar mazāku parametru skaitu, kas ir 50%, tas nevainojami darbojas budžeta viedtālruņos. Indijas lauksaimnieki tagad izmanto uz šī mākslīgā intelekta balstītu $10 lietotni, lai skenētu lapas un saņemtu tūlītēju diagnostiku, samazinot pesticīdu lietošanu par 30% un saglabājot ražu.

Secinājums

Mākslīgā intelekta augu slimību atklāšana un precīzās lauksaimniecības tehnoloģijas pārveido lauksaimniecību, sniedzot cerību uz pārtikas trūkumu. Nodrošinot agrīnu diagnostiku, samazinot ķīmisko vielu lietošanu un dodot iespējas mazajiem lauksaimniekiem, šie rīki varētu palielināt globālo kultūraugu ražu par 20–301 TP3T.

Lai īstenotu šo potenciālu, ieinteresētajām personām ir jārisina sensoru izmaksu jautājumi, jāuzlabo datu daudzveidība un jāveido lauksaimnieku uzticēšanās, izmantojot izglītību.

AtsauceUpadhyay, A., Chandel, NS, Singh, KP et al. Dziļā mācīšanās un datorredze augu slimību noteikšanā: visaptverošs precīzās lauksaimniecības metožu, modeļu un tendenču pārskats. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x