Inteligentne wykrywanie chorób liści pomidora w rolnictwie precyzyjnym

Inteligentne wykrywanie chorób liści pomidorów leży na styku dwóch potężnych sił, które zmieniają globalne rolnictwo: wagi ekonomicznej samych upraw pomidorów oraz szybkiego rozwoju technologii rozpoznawania obrazu. Pomidory są najpowszechniej uprawianą rośliną warzywną na świecie, a ich produkcja obejmuje ponad 5 milionów hektarów w ponad 170 krajach.

Same straty spowodowane chorobami liści uszczuplają znaczną część tych plonów każdego sezonu, a konwencjonalna kontrola wizualna przeprowadzana przez pracowników rolnych jest zbyt powolna, zbyt zmienna i zbyt kosztowna, aby ją skalować. Rolnictwo precyzyjne, oparte na sztucznej inteligencji, oferuje lepszą drogę. Ten przewodnik obejmuje pełen zakres inteligentnego wykrywania chorób liści pomidora, od podstaw biologii po najnowocześniejsze architektury.

Dlaczego uprawa pomidorów i wykrywanie chorób są ważne

Pomidor (Solanum lycopersicum) jest najczęściej badaną rośliną warzywną w fitopatologii, a ekonomiczne uzasadnienie takiego podejścia jest oczywiste. Globalna produkcja pomidorów osiągnęła 186 milionów ton metrycznych w 2024 r., przy współudziale Chin 37% całkowitej produkcji.

Uprawa pomidorów stanowi źródło pożywienia dla przemysłu przetwórstwa spożywczego, targów świeżych produktów i ogrodów przydomowych na wszystkich kontynentach. Według Centrum Badań nad Marketingiem Rolniczym, w samych Stanach Zjednoczonych wartość produkcji świeżych pomidorów w 2023 roku przekroczyła kilka miliardów dolarów.

Choroby liści stanowią główne zagrożenie dla produktywności pomidorów. Organizacja Narodów Zjednoczonych ds. Wyżywienia i Rolnictwa (FAO) szacuje, że choroby roślin odpowiadają za ok. 40% strat upraw na całym świecie, co przekłada się na ogromne problemy z bezpieczeństwem żywnościowym i konsekwencje gospodarcze.

Same choroby grzybowe powodują roczne straty rzędu $60 miliardów na całym świecie. W przypadku pomidorów, w sprzyjających warunkach chorobowych, plamistość bakteryjna może zmniejszyć plony, do 90%, co sprawia, że czas wykrycia i reakcji jest krytyczny.

Wczesna i dokładna identyfikacja choroby to kluczowy punkt. Rolnik, który wykryje wczesną zarazę liści w jej początkowym stadium, może ją powstrzymać dzięki ukierunkowanemu stosowaniu fungicydów. Rolnik, który nie zauważy jej aż do momentu widocznej defoliacji, ponosi straty w plonach, których żadna interwencja nie będzie w stanie w pełni odwrócić. To właśnie tutaj sztuczna inteligencja, a konkretnie inteligentne wykrywanie chorób liści pomidora oparte na uczeniu głębokim, zmienia sytuację.

Szerszy kontekst potwierdza tę zmianę. Globalny rynek sztucznej inteligencji w rolnictwie precyzyjnym został wyceniony na $3,1 miliarda w 2024 roku i prognozuje się, że osiągnie $12,7 miliarda do 2034 roku w CAGR 15,1% (Market.us, 2024). Inteligentny monitoring chorób upraw to jeden z najszybciej rozwijających się segmentów w ramach tej ekspansji.

Choroby liści pomidora: przegląd prac detekcyjnych

Zanim jakikolwiek system detekcji zacznie działać, konieczne jest dokładne zrozumienie celu, jaki ma on znaleźć. Liście pomidorów są atakowane przez szeroką gamę patogenów, z których każdy pozostawia wyraźne, ale czasami nakładające się na siebie ślady wizualne.

1. Częste choroby liści pomidora i ich czynniki sprawcze

Zaraza wczesna, spowodowane przez grzyba Alternaria solani, tworzy ciemnobrązowe, koncentryczne plamy pierścieniowe na starszych liściach. Pierścienie przypominają wzór tarczy, a żółknięcie otacza każdą plamę w miarę obumierania tkanki.

Zaraza późna, wywołane przez lęgniowce Phytophthora infestans — ten sam organizm, który wywołał klęskę głodu w Irlandii — wytwarza nasiąknięte wodą, szarozielone plamy, które szybko brązowieją w ciepłych i wilgotnych warunkach. Rozprzestrzenia się niezwykle szybko i może zniszczyć całe pole w ciągu kilku dni.

Septoria liści Występuje jako małe, okrągłe plamki z ciemnobrązowymi brzegami i jaśniejszymi, jasnobrązowymi środkami. Zwykle zaczyna się na dolnych liściach i postępuje w górę, powodowana przez grzyb. Septoria lycopersici.

Plamka bakteryjna, spowodowane przez Xanthomonas vesicatoria, wytwarza małe, nasiąknięte wodą plamy, które stają się brązowe i kanciaste, często otoczone żółtymi obwódkami. W przeciwieństwie do plam grzybiczych, zmiany bakteryjne nie reagują na zabiegi fungicydowe.

Pleśń liściowa, spowodowane przez Passalora fulva, objawia się bladozielonymi lub żółtymi plamami na górnej powierzchni liści, z oliwkowo-zielonym lub szaro-fioletowym nalotem pleśni pod spodem. Dobrze rośnie w wilgotnych szklarniach.

Wirus mozaiki pomidora (ToMV) Tworzy plamiste, jasno- i ciemnozielone wzory na liściach, często z ich zwijaniem się i pęcherzami. Nierównomierny rozkład kolorów odróżnia go od niedoborów składników odżywczych.

Wirus żółtej kędzierzawości liści pomidora (TYLCV), przenoszony przez mączlika szklarniowego Bemisia tabaci, powoduje podwijanie się brzegów liści, żółknięcie międzynerwowe i poważne zahamowanie wzrostu. Jest to jedna z najbardziej szkodliwych dla gospodarki chorób wirusowych w ciepłych regionach uprawy pomidorów na świecie.

2. Objawy choroby i wyzwanie związane z wykrywaniem rdzenia

Wyzwanie wizualnej identyfikacji jest istotne nawet dla doświadczonych agronomów. Wczesne objawy różnych chorób mogą wyglądać niemal identycznie na zdjęciu zrobionym smartfonem. Septoria i bakteryjna plamistość liści powodują małe, okrągłe zmiany. Zaraza wczesna i późna powodują brunatne obumieranie tkanek. Czynniki środowiskowe, takie jak niedobór azotu, stres związany z niską temperaturą i fitotoksyczność oprysków, mogą imitować objawy wirusowe.

• Warunki oświetleniowe podczas robienia zdjęcia drastycznie zmieniają kolor i fakturę zmian chorobowych. Prześwietlone zdjęcia zacierają wzory pierścieni, co jest kluczowe dla wczesnej identyfikacji zarazy.
• Na jednym liściu może występować jednocześnie wiele chorób, a objawy jednego patogenu mogą na siebie nachodzić, co stanowi wyzwanie zarówno dla ekspertów, jak i modeli opartych na sztucznej inteligencji.
• Postęp choroby zmienia wygląd skóry z czasem, co oznacza, że model wyszkolony jedynie na zmianach w zaawansowanym stadium często pomija najwcześniejsze i najłatwiejsze do wyleczenia stadia zakażenia.
• Złożoność tła na obrazach terenowych — gleba, inne liście, owoce i sprzęt nawadniający — powoduje powstawanie szumów wizualnych, które pogarszają dokładność klasyfikacji w warunkach rzeczywistych w porównaniu z warunkami laboratoryjnymi.

To nie tylko komplikacje akademickie. Mają one bezpośredni wpływ na sposób budowania zestawów danych detekcyjnych, trenowania modeli i walidacji systemów detekcji przed wdrożeniem.

Kluczowa rola wczesnego wykrywania chorób w zarządzaniu uprawami

Wczesne wykrycie to nie tylko kwestia szybszego działania. Chodzi o podjęcie działań, gdy są one jeszcze skuteczne. Fungicydy stosowane przy pierwszych oznakach wczesnych zmian chorobowych zapobiegają zarodnikowaniu i rozprzestrzenianiu się choroby. Te same fungicydy stosowane po defoliacji łanu za pomocą 30% przynoszą niewielkie korzyści ekonomiczne.

• Plon upraw Najbardziej bezpośrednią korzyścią jest ochrona: pola, na których chorobę wykryto w ciągu pierwszych 10–14 dni od wystąpienia objawów, notuje się zawsze znacznie mniejsze straty plonów niż te, na których wykrycie nastąpiło z dwutygodniowym lub dłuższym opóźnieniem.
• Stosowanie pestycydów Redukcja wynika z precyzyjnego planowania. Zamiast stosować fungicydy według harmonogramu opartego na kalendarzu, rolnicy z możliwością wczesnego wykrywania mogą je stosować dopiero po potwierdzeniu progu zakażenia, zmniejszając w ten sposób zużycie środków chemicznych nawet o 40–50%.
• Oszczędności kosztów Szybko się kumulują w całym sezonie wegetacyjnym. Mniej oprysków oznacza mniej pracy, paliwa i wydatków na środki chemiczne. Dla średniej wielkości plantacji pomidorów o powierzchni ponad 50 hektarów te oszczędności są znaczące.
• Cele zrównoważonego rolnictwa są bezpośrednio wspierane. Ograniczone stosowanie pestycydów zmniejsza spływ do systemów wodnych i zmniejsza presję selekcyjną na szczepy patogenów opornych.
• Zapobieganie rozprzestrzenianiu się chorób Chroni nie tylko pojedyncze pola, ale całe obszary rolnicze. Na przykład zaraza ziemniaka wytwarza zarodniki przenoszone przez wiatr, które mogą zainfekować sąsiednie gospodarstwa w ciągu kilku godzin od zarodnikowania.

Logika ekonomiczna i agronomiczna jest przekonująca: inwestując w technologię wczesnego wykrywania chorób, można znacznie obniżyć koszty dalszego zarządzania chorobami.

Sánchez-Sánchez i in. (2024) oszacowali, że same choroby wirusowe zmniejszają globalną wartość produkcji pomidorów o od 2 do 5% rocznie, co biorąc pod uwagę skalę światowego rynku tej uprawy, oznacza straty liczone w miliardach dolarów.

Nawet niewielka redukcja strat związanych z chorobami dzięki wczesnemu wykrywaniu sztucznej inteligencji może zapewnić zwrot z inwestycji w technologię już w ciągu jednego sezonu wegetacyjnego w przypadku dużych producentów pomidorów.

Precyzyjne rolnictwo i inteligentne systemy monitorowania chorób

Rolnictwo precyzyjne to praktyka traktowania gospodarstwa rolnego jako mozaiki odrębnych stref, a nie jednolitego pola. Zamiast stosować tę samą normę wysiewu, objętość wody lub dawkę fungicydu na każdym metrze kwadratowym, systemy precyzyjne wykorzystują dane w czasie rzeczywistym, aby modyfikować nakłady w zależności od rzeczywistych warunków w danej lokalizacji.

1. Podstawowe koncepcje rolnictwa precyzyjnego

Rolnictwo oparte na danych opiera się na ciągłej pętli: czujniki i systemy obrazowania zbierają dane terenowe, oprogramowanie przetwarza i interpretuje te dane, a narzędzia wspomagające podejmowanie decyzji przekładają interpretację na rekomendacje dotyczące działań. Każde ogniwo w tym łańcuchu musi być precyzyjne, aby system przynosił wartość.

Inteligentne zarządzanie uprawami rozszerza tę logikę na zagrożenia biologiczne. Zamiast czekać na wyraźne objawy choroby lub polegać na cotygodniowych patrolach, inteligentny system monitorowania wykrywa chorobę przy pierwszym widocznym lub widmowym sygnale i uruchamia alert, który określa lokalizację, tożsamość i prawdopodobny stopień nasilenia infekcji.

2. Technologie monitorowania chorób w nowoczesnym rolnictwie precyzyjnym

Obrazowanie cyfrowe stanowi podstawowe źródło danych dla większości inteligentnych systemów wykrywania chorób. Kamery RGB rejestrują widzialne dla człowieka informacje o kolorze. Kamery multispektralne rejestrują długości fal wykraczające poza światło widzialne, w tym bliską podczerwień, która ujawnia stres chlorofilu, zanim stanie się on widoczny gołym okiem.

Kamery hiperspektralne rejestrują setki wąskich pasm długości fal i mogą wykrywać zmiany biochemiczne na poziomie molekularnym, choć w większości zastosowań rolniczych są one nadal kosztowne.

Czujniki naziemne i sieci Internetu Rzeczy (IoT) uzupełniają obrazowanie. Czujniki temperatury i wilgotności umieszczone w koronach roślin dostarczają danych mikroklimatycznych, które wskazują, kiedy rozwijają się warunki sprzyjające chorobom.

Okres długotrwałej wilgotności liści powyżej 10 godzin w połączeniu z temperaturą pomiędzy 18 a 22°C jest znanym sygnałem wyzwalającym zarazę ziemniaka — system IoT może wysłać ostrzeżenie o ryzyku wystąpienia choroby przed pojawieniem się jakichkolwiek zmian.

Drony i bezzałogowe statki powietrzne (UAV) dodają do monitorowania chorób wymiar przestrzenny, którego nie mogą zapewnić obrazy z poziomu gruntu. UAV wyposażony w kamerę multispektralną może zbadać 10-hektarowe pole pomidorów w mniej niż 30 minut, generując georeferencyjną mapę ryzyka chorób, która dokładnie pokazuje, które rzędy i strefy wykazują wczesne oznaki stresu.

Umożliwia to ukierunkowane leczenie obszarów wysokiego ryzyka, zamiast stosowania na całym polu. Systemy rolnicze oparte na IoT integrują wszystkie te strumienie danych w jedną platformę, przekazując obserwacje z poziomu pola do analityki w chmurze lub węzłów przetwarzania brzegowego, gdzie algorytmy klasyfikacji chorób działają niemal w czasie rzeczywistym.

Głębokie uczenie się w wykrywaniu chorób liści pomidora

Głębokie uczenie to gałąź uczenia maszynowego, w której algorytmy uczą się wyodrębniać wzorce bezpośrednio z surowych danych — w tym przypadku obrazów — za pomocą hierarchicznych warstw przekształceń matematycznych.

Istotną zaletą w porównaniu z klasycznym uczeniem maszynowym jest to, że głębokie uczenie nie wymaga od eksperta ręcznego definiowania cech (kształtów, tekstur, gradientów kolorów) na obraz chorego liścia. Algorytm uczy się tych cech na podstawie przykładów treningowych.

1. Podstawy głębokiego uczenia się w klasyfikacji obrazów

Jakiś Sztuczna sieć neuronowa (ANN) (system obliczeniowy luźno inspirowany neuronami biologicznymi) przetwarza dane wejściowe za pomocą warstw połączonych ze sobą węzłów.

Każde połączenie ma przypisaną wagę liczbową, która określa, jak silnie aktywacja jednego węzła wpływa na kolejny. Trenowanie sieci polega na dostosowywaniu tych wag za pomocą przykładów z etykietami, aż do momentu, gdy przewidywania wyjściowe sieci będą odpowiadały prawidłowym etykietom z minimalnym błędem.

A Sieć neuronowa splotowa (CNN) (specjalistyczna architektura sieci neuronowej zaprojektowana dla danych obrazowych) stosuje operacje matematyczne zwane splotami w obrazie. Splot przesuwa małe okno filtru – zazwyczaj o wymiarach 3×3 lub 5×5 pikseli – po obrazie i oblicza ważoną sumę w każdej pozycji, tworząc mapę cech, która uwzględnia lokalne wzorce, takie jak krawędzie, tekstury i gradienty kolorów.

Ułożenie wielu warstw splotowych umożliwia sieci stopniowe uczenie się bardziej abstrakcyjnych cech: krawędzi w warstwach początkowych, kształtów w warstwach środkowych i wzorców charakterystycznych dla danej choroby w warstwach głębszych.

To właśnie hierarchiczne uczenie się cech sprawia, że sieci neuronowe CNN są tak skuteczne w wykrywaniu chorób pomidorów. Okrągła granica zmiany chorobowej, jej wewnętrzny gradient tekstury, otaczająca ją żółta poświata – wszystkie te elementy stają się możliwymi do nauczenia kombinacjami cech w różnych warstwach sieci.

2. Dlaczego głębokie uczenie się przewyższa tradycyjne metody

Tradycyjne uczenie maszynowe do wykrywania chorób roślin wymagało od ekspertów dziedzinowych ręcznego projektowania cech: wyodrębniania histogramów kolorów, obliczania deskryptorów tekstury lub pomiaru parametrów kształtu z obrazów liści, a następnie wprowadzania tych wartości do klasyfikatorów, takich jak maszyny wektorów nośnych (SVM). Ten proces był pracochłonny, wymagał specjalistycznej wiedzy i był niestabilny, gdy wygląd choroby różnił się od warunków treningowych.

• Głębokie uczenie polega na automatycznym wyodrębnianiu cech, ucząc się bezpośrednio z danych pikselowych bez konieczności ręcznego tworzenia cech — eliminując wąskie gardło w postaci deskryptorów zdefiniowanych przez ekspertów.
• Dokładność klasyfikacji przy wykorzystaniu głębokiego uczenia rutynowo przekracza 95% i często osiąga 99%+ w przypadku zestawów danych testowych, w porównaniu do dokładności 80–88% w przypadku tradycyjnych podejść opartych na SVM w przypadku tych samych danych.
• Modele głębokiego uczenia się skutecznie skalują się do dużych zbiorów danych. Wraz z dodawaniem większej liczby oznaczonych obrazów chorób, wydajność modelu rośnie, podczas gdy tradycyjne metody osiągają poziom stagnacji, gdy zestawy cech są stałe.

Lobna i in. (2024) przeszkolili sieć neuronową kapsułkową na dużym zbiorze danych 70 834 zdjęć liści pomidora i osiągnęliśmy dokładność klasyfikacji na poziomie 96.39% w wielu kategoriach chorób, uzyskując lepsze wyniki niż standardowe dane bazowe CNN.

Duże, zróżnicowane zbiory danych w połączeniu ze zoptymalizowaną architekturą zapewniają niezmiennie poziom dokładności przewyższający poziom osiągalny w przypadku tradycyjnych metod przetwarzania obrazu komputerowego.

Wykorzystanie Geopard Agriculture w wykrywaniu chorób na rzeczywistych polach

Geopard Agriculture buduje właśnie tę warstwę. Jego precyzyjna platforma scoutingowa łączy obserwację terenu, identyfikację chorób i wsparcie decyzyjne w jeden proces, którym każdy agronom lub plantator może zarządzać ze smartfona.

Co oferuje Geopard w zakresie zwalczania chorób pomidorów

Inteligentny system rozpoznania Geopard identyfikuje obszary pola o największej wartości dodanej, umożliwiając ukierunkowaną inspekcję, zamiast wymagać równomiernego pokrycia każdego rzędu. Automatycznie sygnalizuje anomalie we wschodach roślin i kieruje działania rozpoznawcze do stref, w których presja chorób lub stres jest najbardziej prawdopodobny.

Rozwiązanie to bezpośrednio rozwiązuje problem pokrycia pola, który ogranicza ręczne programy rozpoznania w dużych gospodarstwach. Platforma obsługuje wykrywanie i rejestrowanie wszystkich głównych kategorii zagrożeń występujących w polu, istotnych dla produkcji pomidorów:

• Rozpoznawanie chorób grzybowych, takich jak zaraza wczesna, zaraza późna, septorioza liści i pleśń liści — chorób, w przypadku których moment wykrycia ma największy wpływ na skuteczność interwencji.
• Identyfikacja chorób bakteryjnych i wirusowych, w tym objawów wirusa plamistości bakteryjnej i wirusa mozaiki, z dokumentacją fotograficzną powiązaną ze współrzędnymi GPS w celu dokładnego mapowania terenu.
• Wykrywanie problemów z nawadnianiem i nawożeniem, co pozwala zespołom rozpoznawczym oznaczać objawy stresu abiotycznego, które mogą przypominać lub potęgować objawy chorób w uprawach pomidorów.
• Identyfikacja chwastów i owadów oraz badanie chorób, dzięki czemu pojedyncza wizyta w terenie pozwala uzyskać pełny obraz zagrożenia, a nie tylko wyizolowane raporty z oddzielnych programów.
• Wsparcie w zakresie pobierania próbek uszkodzonych liści i tkanek, umożliwiające integrację fizycznego pobierania próbek laboratoryjnych z cyfrowym procesem skanowania.

Planowanie stref jest wbudowane w etap przygotowań do rozpoznania. Geopard konwertuje surowe dane z czujników terenowych i satelitarnych na mapy powierzchni o ciągłym gradiencie, które wizualizują niejednorodność pola, umożliwiając agronomom zdefiniowanie stref zarządzania przed rozpoczęciem rozpoznania. Mapy strefowe i dane glebowe w trybie offline są dostępne bez połączenia, co ma znaczenie w gospodarstwach rolnych o niestabilnym zasięgu sieci komórkowej.

Mobilne wykonywanie zadań, raportowanie i alerty alarmowe

Wszystkie obserwacje terenowe są rejestrowane za pośrednictwem aplikacji mobilnej Geopard. Harcerze zapisują notatki, zdjęcia i obserwacje georeferencyjne w czasie rzeczywistym, a ukończone zapisy zwiadowcze są przesyłane bezpośrednio do panelu raportowania platformy.

Kierownicy terenowi mogą zobaczyć, jakie zagrożenia zostały zidentyfikowane, gdzie je znaleziono, jakie działania podjęto i które strefy pozostają pod nadzorem — bez konieczności konsolidowania danych z formularzy papierowych lub oddzielnych aplikacji.

System ostrzegania o zagrożeniach monitoruje wzorce rozprzestrzeniania się chorób w sieci platformy i wysyła powiadomienia, gdy presja choroby narasta w danym regionie. Ta funkcja wczesnego ostrzegania wydłuża okres skutecznego wykrywania poza możliwości pojedynczego wewnętrznego rozpoznania, dając rolnikom czas na przygotowanie działań zapobiegawczych, zanim choroba dotrze do ich pól.

Podejście firmy Geopard stanowi praktyczny przykład ścieżki integracji, którą teoretycznie opisują badacze rolnictwa precyzyjnego: dane satelitarne i z czujników informują o priorytetach rozpoznania, narzędzia mobilne umożliwiające gromadzenie obserwacji w czasie rzeczywistym oraz wspomagana sztuczną inteligencją identyfikacja zagrożeń, która umożliwia szybsze i bardziej ukierunkowane podejmowanie decyzji na poziomie gospodarstwa.

Przygotowanie zbioru danych do fundamentów modelu wykrywania

Model głębokiego uczenia jest tak niezawodny, jak dane, na których został wytrenowany. Przygotowanie zbioru danych do wykrywania chorób liści pomidora to wieloetapowy proces, który określa górny limit wydajności dowolnego modelu w warunkach rzeczywistych.

1. Źródła pozyskiwania obrazu

Zdjęcia terenowe wykonane w rzeczywistych warunkach rolniczych — przy zmiennym oświetleniu, częściowej okluzji, kroplach wody i tle gleby — stanowią złoty standard pod względem różnorodności zbiorów danych, mimo że ich zebranie jest trudniejsze i droższe niż w przypadku obrazów w kontrolowanym środowisku.

Zdjęcia wykonane smartfonami przez rolników w trakcie rutynowych działań rozpoznawczych coraz częściej stanowią praktyczne źródło danych, które łączy warunki laboratoryjne ze scenariuszami rzeczywistego wykorzystania gruntu.

Publiczne zbiory danych znacznie przyspieszyły badania. Zestaw danych PlantVillage, opracowany przez Penn State University, zawiera ponad 54 000 obrazów zdrowych i chorych liści roślin 26 gatunków, w tym 10 kategorii chorób pomidorów.

Stał się podstawą szkoleniową dla setek opublikowanych modeli wykrywania chorób pomidorów i pozostaje najszerzej stosowanym zbiorem danych porównawczych w tej dziedzinie.

2. Etapy wstępnego przetwarzania danych

Surowe obrazy zebrane z różnych źródeł zawierają szum, niespójne rozmiary i różnice w kalibracji kolorów, które mogą wprowadzać błędne wzorce do treningu modelu. Wstępne przetwarzanie standaryzuje dane przed ich dotarciem do modelu.

1. Zmiana rozmiaru obrazu powoduje dostosowanie wszystkich obrazów do spójnej rozdzielczości — zazwyczaj 224×224 lub 256×256 pikseli w przypadku architektur CNN — co gwarantuje, że operacje przestrzenne w sieci są stosowane jednolicie we wszystkich przykładach szkoleniowych.
2. Usuwanie szumu polega na stosowaniu filtrów wygładzających, takich jak rozmycie Gaussa, w celu redukcji szumu czujnika i artefaktów kompresji JPEG, które mogą wprowadzać w błąd wrażliwe na teksturę warstwy splotowe.
3. Rozszerzanie danych sztucznie rozszerza zbiór treningowy poprzez zastosowanie losowych przeskoków poziomych, obrotów, drgań kolorów, korekt jasności i losowego kadrowania istniejących obrazów. Dzięki temu model uczy się rozpoznawać wzorce chorób niezależnie od orientacji liści, kąta oświetlenia czy kompozycji obrazu.
4. Normalizacja przeskalowuje wartości pikseli z ich pierwotnego zakresu 0–255 do mniejszego zakresu, zazwyczaj 0–1 lub średniej zerowej i wariancji jednostkowej. Dzięki temu trening oparty na gradiencie jest bardziej stabilny numerycznie i szybciej osiąga zbieżność.

3. Adnotacja i etykietowanie zbioru danych

Każdy obraz w zbiorze danych uczenia nadzorowanego musi zawierać etykietę z informacją o rzeczywistej chorobie: do której kategorii chorób należy lub czy liść jest zdrowy. To oznaczenie musi zostać wykonane lub zweryfikowane przez fitopatologów, a nie tylko specjalistów od rolnictwa, ponieważ wizualne nakładanie się chorób sprawia, że amatorskie adnotacje są mało wiarygodne.

Adnotacja na poziomie klasy w celu klasyfikowania chorób jest stosunkowo prosta, ale adnotacja w formie pola ograniczającego w modelach wykrywania obiektów — oznaczająca dokładnie miejsce, w którym na obrazie pojawia się zmiana — wymaga znacznie więcej czasu i wiedzy na obraz.

Architektury głębokiego uczenia wykorzystywane do wykrywania chorób pomidorów

Społeczność badawcza oceniła dziesiątki architektur pod kątem klasyfikacji chorób liści pomidora. Zrozumienie, które architektury dominują i dlaczego, pomaga praktykom podejmować świadome decyzje podczas wdrażania tych systemów.

1. Standardowe sieci neuronowe splotowe

Podstawowe modele CNN służące do klasyfikacji chorób opierają się na standardowym schemacie: warstwy splotowe służące do ekstrakcji cech, warstwy grupujące, które redukują wymiary przestrzenne, zachowując jednocześnie dominujące cechy, oraz w pełni połączone warstwy na końcu, które odwzorowują wyodrębnione cechy na prawdopodobieństwa klas chorób.

Wczesne prace nad zbiorem danych PlantVillage wykazały, że nawet skromne sieci CNN z 5–7 warstwami mogą osiągnąć dokładność ponad 90% na czystych obrazach uzyskanych w laboratorium.

2. Transfer wiedzy z wykorzystaniem wstępnie wyszkolonych architektur

Transfer uczenia się (praktyka rozpoczynania od modelu wstępnie wytrenowanego na dużym, ogólnym zbiorze danych i dostrajania go na zbiorze danych dotyczącym konkretnej dziedziny) zmieniła badania nad wykrywaniem chorób pomidorów, umożliwiając trenowanie modeli o wysokiej dokładności przy użyciu stosunkowo małych zbiorów danych rolniczych.

1. VGG16 i VGG19, Opracowane przez Visual Geometry Group z Oxfordu, wykorzystują 16 lub 19 warstw wagowych z jednorodnymi splotami 3×3. Pozostają one wiarygodnymi punktami odniesienia dla klasyfikacji chorób pomidorów, osiągając zazwyczaj dokładność 94-97% po dostrojeniu do zbiorów danych dotyczących chorób.

2. Sieć ResNet (Sieć Residual) wprowadziła połączenia pomijające, które umożliwiają bezpośredni przepływ gradientów między warstwami, rozwiązując problem zanikającego gradientu, który wcześniej ograniczał głębokość treningu. Sieć ResNet50, dostrojona do danych o chorobach pomidorów, konsekwentnie osiąga dokładność 96-98% w najnowszych badaniach.

3. Sieć DenseNet rozszerza koncepcję połączeń pomijających, łącząc każdą warstwę z każdą kolejną warstwą w gęstym bloku, maksymalizując ponowne wykorzystanie funkcji i tworząc kompaktowe modele o wysokiej wydajności klasyfikacji.

4. EfficientNet, opracowany przez Google Brain, skaluje szerokość, głębokość i rozdzielczość sieci jednocześnie, wykorzystując współczynnik złożony. Osiągnięto EfficientNetB0 z modułem uwagi Dokładność 99,39% na temat klasyfikacji chorób roślin w badaniu opublikowanym przez González-Briones i in. (2025), z wydajnością odpowiednią do wdrożenia urządzenia brzegowego.

5. Sieć mobilna, zaprojektowany specjalnie dla urządzeń o ograniczonych zasobach, wykorzystuje sploty rozdzielne pod względem głębokości, aby znacząco zmniejszyć obliczenia przy jednoczesnym zachowaniu wysokiej dokładności — co czyni go preferowaną architekturą wdrożeń sztucznej inteligencji na smartfonach i urządzeniach brzegowych w rolnictwie precyzyjnym.

3. Modele hybrydowe i zaawansowane

Najnowsze badania wykroczyły poza standardowe sieci CNN i zmierzają w kierunku architektur, które mogą uchwycić bardziej odległe zależności przestrzenne w obrazach liści.

Vision Transformers (ViT) (sieci neuronowe stosujące mechanizm uwagi Transformer, pierwotnie opracowany do przetwarzania języka naturalnego, do fragmentów obrazu) wykazały dobre wyniki w wykrywaniu chorób roślin, gdy dostępna jest wystarczająca ilość danych szkoleniowych.

W przeciwieństwie do sieci CNN, które przetwarzają lokalne obszary obrazu za pomocą splotów, sieci ViT uczą się relacji pomiędzy wszystkimi fragmentami obrazu jednocześnie, co pozwala im wykrywać wzorce rozproszone przestrzennie w całym liściu.

Hybrydy CNN oparte na uwadze połączenie mocy ekstrakcji lokalnych cech splotów z mechanizmami uwagi, które umożliwiają modelowi skupienie zasobów przetwarzania na obszarach obrazu najbardziej istotnych z punktu widzenia choroby.

Opracowano lekką platformę opartą na sieci syjamskiej do wykrywania chorób pomidorów Dokładność 96,97% w podzbiorze pomidorów Plant Village na podstawie zaledwie ok. 2,96 mln parametrów (Frontiers in Plant Science, 2025), co dowodzi, że wysoka dokładność i wydajność sprzętu nie wykluczają się wzajemnie.

Modele uczenia się zespołowego Łączenie prognoz z wielu niezależnie trenowanych architektur, uśrednianie lub głosowanie między nimi, aby uzyskać ostateczną prognozę, która jest bardziej niezawodna niż jakikolwiek pojedynczy model. Wu i in. (2024) zastosowali ResNet50 z technikami rozszerzania funkcji, aby uzyskać lepszą wydajność klasyfikacji dzięki temu podejściu.

Abdullah i in. (Agronomy, 2024) porównali YOLOv8s, YOLOv5 i Faster R-CNN w celu wykrywania chorych liści pomidorów i stwierdzili, że YOLOv8s osiągnął średnią precyzję (mAP) na poziomie 92.5%, przewyższając YOLOv5 na poziomie 89,1% i Faster R-CNN na poziomie 77,5%, a także wykazując większą szybkość wnioskowania i mniejszy rozmiar modelu.

W przypadku zastosowań w terenie wymagających wykrywania w czasie rzeczywistym modele klasy YOLOv8 oferują najlepszą równowagę między dokładnością i szybkością przetwarzania, dzięki czemu doskonale nadają się do montażu na dronach lub urządzeniach brzegowych.

Inteligentne ramy wykrywania chorób

Wdrożeniowy, inteligentny system wykrywania chorób to coś więcej niż wyszkolony model. To kompleksowy proces, który przechodzi od przechwytywania surowych obrazów do praktycznych zaleceń dotyczących leczenia chorób.

1. Architektura systemu

Główny proces składa się z pięciu kolejnych etapów, z których każdy przetwarza dane przed przekazaniem ich do następnego.

1. Wejście obrazu akceptuje surowe zdjęcia liści z dowolnego źródła — smartfona terenowego, kamery zamontowanej na bezzałogowym statku powietrznym (UAV) lub stałej kamery w szklarni. Moduły obsługi wejścia weryfikują rozdzielczość obrazu i oznaczają niewyraźne lub bezużyteczne zdjęcia przed ich wejściem do procesu przetwarzania.

2. Na etapie wstępnego przetwarzania stosowane są kroki normalizacji, zmiany rozmiaru i poprawy jakości opisane w rozdziale 6.2, co zapewnia zgodność danych wejściowych z formatem oczekiwanym przez wytrenowany model.

3. Ekstrakcja cech przepuszcza wstępnie przetworzony obraz przez warstwy splotowe wytrenowanego modelu głębokiego uczenia. Na tym etapie model przekształca surowe dane pikselowe w zwartą reprezentację numeryczną (wektor cech), która koduje istotne dla choroby cechy wizualne liścia.

4. Klasyfikacja chorób stosuje w pełni połączone warstwy i funkcję wyjściową softmax do wektora cech, obliczając wynik prawdopodobieństwa dla każdej kategorii choroby. Kategoria o najwyższym prawdopodobieństwie staje się przewidywaną diagnozą.

5. Dane wyjściowe wsparcia decyzyjnego przekształcają wynik klasyfikacji w praktyczne zalecenie: zidentyfikowaną nazwę choroby, poziom ufności, sugerowane działanie zaradcze (celowany fungicyd, środek kontroli biologicznej, usunięcie zaatakowanych roślin) oraz dane georeferencyjne dotyczące lokalizacji, jeśli obraz został zarejestrowany przez urządzenie wyposażone w GPS.

2. Przebieg pracy kompletnego systemu detekcji w praktyce

W rzeczywistym wdrożeniu rolnik otwiera aplikację mobilną i fotografuje dotknięty liść. Obraz jest albo przesyłany do serwera w chmurze, na którym działa model detekcji, albo przetwarzany lokalnie na urządzeniu przez skompresowany model brzegowy.

W ciągu kilku sekund aplikacja zwraca diagnozę: “Wczesna zaraza ziemniaka — poziom pewności 94%. Zalecane działanie: Zastosować fungicyd na bazie mankozebu w dawce 1,5 kg/ha w strefie dotkniętej chorobą.

Monitoruj sąsiednie rośliny przez następne 5 dni”. Wynik georeferencyjny jest rejestrowany na cyfrowej mapie stanu zdrowia gospodarstwa, a jeśli ta sama choroba pojawi się w kilku strefach, system sygnalizuje alert o podwyższonym ryzyku dla całego bloku pola.

Demilie (2024), recenzja 161 publikacji w zakresie wykrywania chorób roślin na podstawie głębokiego uczenia się ustalono, że pomidor był rośliną, którą zbadano najlepiej we wszystkich badaniach, co stanowi 39% wszystkich publikacji — zasięg ponad dwukrotnie większy niż zasięg drugiej najczęściej badanej uprawy (ryż 16%), co potwierdza wyjątkowe połączenie znaczenia ekonomicznego z podatnością na choroby w przypadku tej uprawy.

Dojrzałość badań nad wykrywaniem chorób pomidorów oznacza, że praktycy mogą uzyskać dostęp do szerokiej gamy sprawdzonych architektur i wstępnie wyszkolonych modeli, zamiast tworzyć je od podstaw.

Metryki oceny wydajności

Wybór właściwej metody oceny jest równie ważny jak wybór właściwej architektury, szczególnie w przypadku wykrywania chorób, gdzie wyniki fałszywie negatywne (niewykrycie prawdziwej choroby) wiążą się z innymi kosztami niż wyniki fałszywie pozytywne (błędna identyfikacja zdrowego liścia jako chorego).

Dokładność Mierzy odsetek wszystkich trafnych prognoz. Jest to najczęściej raportowana metryka, ale może być myląca, gdy klasy chorób są niezrównoważone — model, który zawsze przewiduje “zdrowy” w zbiorze danych ze zdrowymi obrazami 90%, osiąga dokładność 90%, będąc jednocześnie całkowicie bezużytecznym w wykrywaniu chorób.

Precyzja Mierzy, jaki odsetek wykrytych chorób to prawdziwe przypadki pozytywne, rejestrując wskaźnik fałszywych alarmów. Wysoka precyzja oznacza, że model rzadko generuje niepotrzebne zalecenia dotyczące leczenia.

Przypomnienie (czułość) Mierzy, jaki ułamek faktycznie chorych roślin został prawidłowo oznaczony. Wysoka czułość oznacza, że model rzadko pomija rzeczywiste infekcje — ważniejszy wskaźnik w zarządzaniu chorobami.

Wynik F1 to średnia harmoniczna precyzji i trafności, zapewniająca pojedynczą, zrównoważoną miarę, która karze modele poświęcające jedno na rzecz drugiego. Jest to preferowana metryka, gdy zarówno wyniki fałszywie dodatnie, jak i fałszywie ujemne wiążą się ze znaczącymi kosztami.

Specyficzność mierzy dokładność, z jaką model identyfikuje naprawdę zdrowe liście jako zdrowe, co ma znaczenie dla zapobiegania zbędnemu stosowaniu pestycydów w uprawach wolnych od chorób.

Ten Macierz pomyłek pokazuje pełne zestawienie prognoz we wszystkich klasach, ujawniając, które pary chorób są najczęściej mylone — jest to kluczowa informacja do udoskonalania danych szkoleniowych lub architektury modelu.

Ten ROC-AUC (Charakterystyka pracy odbiornika — obszar pod krzywą) mierzy ogólną rozróżnialność modelu w obrębie wszystkich progów klasyfikacji, przy czym wartość 1,0 oznacza doskonałą rozróżnialność, a 0,5 oznacza wydajność na poziomie szans.

Wykrywanie chorób pomidorów w czasie rzeczywistym: wdrożenie

Przeniesienie modelu o wysokiej dokładności z notatnika badawczego do działającego systemu farmy wymaga rozwiązania innego zestawu problemów niż trenowanie modelu. Środowiska wdrożeniowe mają ograniczenia sprzętowe, ograniczenia łączności i wymagania dotyczące opóźnień, które kształtują wybór architektury i infrastruktury.

1. Aplikacje na smartfony do mobilnej diagnostyki chorób

Aplikacje na smartfony stanowią najbardziej dostępną ścieżkę wdrażania dla drobnych i średnich rolników. Aplikacje oparte na modelach MobileNet lub EfficientNet-Lite przeprowadzają wnioskowanie w całości na urządzeniu, nie wymagając połączenia z internetem w momencie przechwytywania.

Model o najwyższej dokładności jest bezużyteczny w rolnictwie precyzyjnym, jeśli nie można go uruchomić na urządzeniu, które rolnik już ma w kieszeni.

Ma to ogromne znaczenie dla gospodarstw na obszarach wiejskich lub w regionach o słabej łączności. Rolnik fotografuje podejrzany liść, otrzymuje prognozę choroby w ciągu 1-3 sekund i rejestruje wynik w bazie danych, która agreguje dane dotyczące stanu zdrowia z całego gospodarstwa w ciągu sezonu wegetacyjnego.

2. Wdrażanie sztucznej inteligencji na krawędzi sieci: wnioskowanie na urządzeniu

Sztuczna inteligencja krawędziowa (uruchamianie wnioskowania AI bezpośrednio na sprzęcie znajdującym się w punkcie gromadzenia danych, zamiast wysyłania danych do zdalnego serwera) rozwiązuje problemy z opóźnieniami i łącznością w detekcji w chmurze. Dedykowane urządzenia brzegowe, takie jak seria NVIDIA Jetson czy akceleratory Coral TPU firmy Google, mogą przetwarzać skompresowane modele CNN z szybkością ponad 30 klatek na sekundę, umożliwiając ciągły monitoring liści w czasie rzeczywistym z kamer stacjonarnych zamontowanych na szynach szklarni lub konstrukcjach nawadniających pola.

Techniki kompresji modelu — kwantyzacja (zmniejszanie precyzji numerycznej wag modelu), przycinanie (usuwanie połączeń sieciowych o niskim znaczeniu) i destylacja wiedzy (uczenie małego modelu, aby naśladował duży) — umożliwiają to bez poświęcania akceptowalnej dokładności.

3. Systemy monitoringu oparte na dronach do nadzoru gospodarstw rolnych na dużą skalę

W przypadku gospodarstw o powierzchni przekraczającej 20–30 hektarów, inspekcja naziemna nie jest w stanie zapewnić zasięgu przestrzennego niezbędnego do wykrycia ognisk chorób, zanim się rozprzestrzenią. Systemy bezzałogowe (UAV) wyposażone w kamery multispektralne rejestrują sygnatury stresu chorobowego na poziomie całego pola.

Zarejestrowane obrazy są przesyłane do pokładowego procesora brzegowego lub transmitowane do stacji naziemnej, gdzie model wykrywania identyfikuje strefy zainfekowane i generuje mapę georeferencyjną nakładaną na cyfrowe dane dotyczące działki farmy.

Przesuwa to zarządzanie chorobą z reaktywnego (reagowanie po tym, jak objawy staną się oczywiste) na proaktywne podejście przestrzenne (reagowanie na określone współrzędne pola, gdzie wykryto wczesny stres).

Wyzwania w zakresie wykrywania chorób opartego na uczeniu głębokim

W tej dziedzinie poczyniono znaczne postępy, jednak uczciwa ocena pozostałych wyzwań zapobiega nadmiernej pewności siebie przy podejmowaniu decyzji o rozmieszczeniu sił.

Ograniczone zestawy danych terenowych Pozostają najpowszechniejszym problemem. Większość modeli o wysokiej dokładności jest trenowana i oceniana w systemie PlantVillage, który wykorzystuje obrazy pojedynczych liści z kontrolowanym oświetleniem i czystym tłem. Rzeczywista wydajność w terenie znacznie spada, gdy te same modele są porównywane ze złożonymi, wieloelementowymi obrazami wykonanymi w zmiennych warunkach oświetleniowych.

Zmiany warunków oświetleniowych — bezpośrednie światło słoneczne powodujące odbicia lustrzane na powierzchni liści, rozproszone światło w zachmurzeniu spłaszczające fakturę lub cień rzucany przez korony roślin — zmieniają widoczny kolor i fakturę zmian w sposób, który może obniżyć klasyfikację o 5–15 punktów procentowych w porównaniu z warunkami kontrolowanymi.

Złożoność tła W obrazach terenowych wprowadzane są nieistotne informacje wizualne. Gleba, ściółka, linie nawadniające, owoce i inne liście mogą pojawiać się w tej samej ramce obrazu co chory liść, a modele nieuczone na złożonym tle często mylą elementy tła z cechami choroby.

Wiele chorób Na pojedynczym liściu stanowią wyzwanie klasyfikacyjne, z którym większość modeli jednoznacznych nie jest w stanie sobie poradzić. Liść, w którym jednocześnie występuje ekspresja plamistości bakteryjnej i wczesnej zarazy roślinnej, wymaga możliwości klasyfikacji wieloznacznikowej, co zwiększa złożoność uczenia i wymagania dotyczące adnotacji zbioru danych.

Nierównowaga klasowa w zestawach danych szkoleniowych — znacznie więcej obrazów powszechnych chorób, takich jak wczesna zaraza ziemniaka, niż rzadkich, takich jak wirus mozaiki — powoduje, że modele są zbyt pewne siebie w przypadku częstych klas i mało wiarygodne w przypadku klas słabiej reprezentowanych.

Interpretowalność modelu stanowi istotną barierę dla zaufania na poziomie gospodarstwa. Kiedy model klasyfikuje liść jako chory z 97%, większość rolników i agronomów chce zrozumieć, które cechy wizualne wpłynęły na tę decyzję, zanim zastosuje się do rekomendacji.

Najnowsze postępy w inteligentnym wykrywaniu chorób

Badania naukowe rozwijają się równocześnie na wielu płaszczyznach, zajmując się różnymi aspektami opisanego powyżej wyzwania.

1. Wyjaśnialna sztuczna inteligencja (XAI) Narzędzia — szczególnie Grad-CAM (Gradient-weighted Class Activation Mapping), który tworzy nakładki map cieplnych pokazujące, na których obszarach obrazu liścia skupił się model podczas podejmowania decyzji — bezpośrednio rozwiązują problem interpretowalności.

Wizualizacja Grad-CAM pokazująca, że uwaga modelu skupiona jest na ciemnym pierścieniu zmian, stanowi formę uzasadnienia, którą agronomowie mogą ocenić i której mogą zaufać.

2. Transformatory wizyjne (ViT) nadal zyskują na popularności w wykrywaniu chorób pomidorów, gdyż strategie wstępnego szkolenia ulegają udoskonaleniu, a wymagania dotyczące danych do precyzyjnego dostrajania ViT maleją.

Ich zdolność do wychwytywania globalnych wzorców na poziomie liścia, a nie tylko cech lokalnych, sprawia, że są one szczególnie obiecujące w wykrywaniu chorób wirusowych, które wpływają na całą powierzchnię liścia, a nie powodują lokalnych zmian.

3. Uczenie federacyjne rozwiązuje problem zbiorów danych terenowych, umożliwiając wspólne trenowanie modeli w wielu gospodarstwach bez konieczności centralizacji poufnych danych.

Każda farma trenuje model lokalny na własnych obrazach, a w celu ulepszenia centralnego modelu globalnego udostępniane są tylko aktualizacje parametrów modelu (a nie same obrazy). Zapewnia to prywatność danych rolników, a jednocześnie znacząco zwiększa różnorodność danych treningowych.

Precyzyjne zarządzanie chorobami nie będzie zależeć od dokładności pojedynczego modelu — będzie zależeć od inteligencji systemu łączącego wykrywanie, podejmowanie decyzji i działanie.

4. Samodzielne uczenie się Wstępnie trenuje modele na dużych zbiorach nieoznakowanych obrazów roślin, aby nauczyć się ogólnych reprezentacji wizualnych, a następnie dostraja je na małych, oznakowanych zbiorach danych chorób. Zmniejsza to obciążenie adnotacjami i umożliwia tworzenie wysokiej jakości modeli dla kategorii chorób, w których oznakowane przykłady są rzadkie.

5. Multimodalne wykrywanie chorób Integruje dane z obrazu liścia z odczytami czujników spektralnych, danymi ze stacji meteorologicznych i historycznymi zapisami chorób, tworząc ujednolicony model danych wejściowych. Połączenie danych wizualnych i środowiskowych może zwiększyć wydajność detekcji poza możliwości samych danych obrazowych, szczególnie w przypadku chorób, których objawy wizualne są poprzedzone zmianami biochemicznymi wykrywalnymi w sygnaturach spektralnych.

Przyszłe kierunki badań: czego jeszcze potrzebuje ta dziedzina

Przejście z modeli badawczych o wysokiej dokładności na niezawodne wdrożenie na poziomie gospodarstwa rolnego wymaga skoncentrowanej pracy na kilku frontach.

Walidacja wdrożenia w warunkach rzeczywistych Aby rzetelnie scharakteryzować różnicę w wydajności między wykrywaniem warunków kontrolowanych i warunków polowych, konieczne jest przeprowadzenie analiz obejmujących różne obszary geograficzne i systemy rolnicze — nie tylko testy PlantVillage.

Solidna detekcja na poziomie pola będzie wymagać specjalnie przygotowanych zestawów danych terenowych, gromadzonych w ciągu wielu sezonów wegetacyjnych, w wielu krajach, wraz z systematyczną dokumentacją warunków pogodowych w momencie wykonywania zdjęcia.

Integracja z IoT i inteligentną infrastrukturą rolniczą — bezpośrednie połączenie alertów o wykryciu chorób z systemami automatycznego nawadniania i fertygacji, platformami do oprysków dronami i oprogramowaniem do zarządzania gospodarstwem — zamknie pętlę między wykrywaniem chorób a podejmowaniem działań.

Prognozowanie chorób predykcyjnych, połączenie bieżących danych dotyczących wykrywania chorób z modelami prognozowania pogody i historycznymi wzorcami rozprzestrzeniania się chorób spowoduje zmianę paradygmatu z reaktywnego wykrywania na wyprzedzające zarządzanie: zalecanie działań zapobiegawczych przed pojawieniem się objawów.

Autonomiczne systemy rolnicze — Floty bezzałogowych statków powietrznych, które prowadzą ciągły nadzór nad polami, wyznaczają strefy występowania chorób i współpracują z automatycznymi opryskiwaczami bez ingerencji człowieka — stanowią horyzont, w kierunku którego zmierza współczesna technologia rolnictwa precyzyjnego.

Wniosek

Inteligentne wykrywanie chorób liści pomidora z wykorzystaniem głębokiego uczenia nie jest już technologią eksperymentalną. To dojrzała, dobrze sprawdzona aplikacja, której rosnąca liczba recenzowanych dowodów naukowych potwierdza jej zdolność do dokładnego, szybkiego i przystępnego cenowo identyfikowania chorób pomidorów. Od podstawowych modeli CNN trenowanych na zbiorze danych PlantVillage, po hybrydowe architektury oparte na uwadze, osiągające dokładność 99%+, możliwości techniczne przewyższają obecnie infrastrukturę wdrożeniową dostępną dla większości gospodarstw rolnych.

Droga naprzód jest jasna. Systemy rolnictwa precyzyjnego, integrujące detekcję chorób opartą na obrazach z sieciami czujników IoT, nadzorem bezzałogowych statków powietrznych (UAV) i predykcyjnymi modelami pogody, zdefiniują konkurencyjność produkcji pomidorów w tej dekadzie. Rynek sztucznej inteligencji w rolnictwie precyzyjnym rośnie w szybkim tempie. CAGR 15,1% bliski $12,7 miliarda do 2034 roku sygnalizuje, że inwestycja ta jest już realizowana na dużą skalę.