Rola zastosowań głębokiego uczenia się w komputerowym widzeniu we wczesnym wykrywaniu chorób roślin

Choroby roślin po cichu zagrażają globalnemu bezpieczeństwu żywnościowemu, niszcząc 10–161 TP3 ton upraw rocznie i kosztując sektor rolny 1 TP4 220 miliardów dolarów strat. Tradycyjne metody, takie jak ręczne inspekcje i testy laboratoryjne, są powolne, drogie i często zawodne.

Przełomowe badanie z 2025 r., “Głębokie uczenie i komputerowe widzenie w wykrywaniu chorób roślin” (Upadhyay i in.) ujawnia, w jaki sposób sztuczna inteligencja w wykrywaniu chorób roślin oraz komputerowe widzenie w rolnictwie zmieniają rolnictwo.

Dlaczego wczesne wykrywanie chorób roślin ma znaczenie dla globalnego bezpieczeństwa żywnościowego

W rolnictwie zatrudnionych jest 281 300 tys. osób na świecie, a kraje takie jak Indie, Chiny i Stany Zjednoczone przodują w produkcji roślinnej. Mimo to choroby roślin wywoływane przez grzyby, bakterie i wirusy obniżają plony i obciążają gospodarkę.

Na przykład zaraza ryżu powoduje zmniejszenie zbiorów o 30–50% w dotkniętych regionach, podczas gdy zielenienie cytrusów doprowadziło do zniszczenia 70% w gajach pomarańczowych na Florydzie od 2005 r. Wczesne wykrywanie ma kluczowe znaczenie, ale wielu rolników nie ma dostępu do zaawansowanych narzędzi ani wiedzy specjalistycznej.

W tym miejscu pojawia się wspomagana sztuczną inteligencją technologia wykrywania chorób, oferująca szybkie, niedrogie i precyzyjne rozwiązania przewyższające tradycyjne metody.

Jak sztuczna inteligencja i komputerowe widzenie wykrywają choroby upraw

W badaniu przeanalizowano 278 prac naukowych, aby wyjaśnić, jak działają systemy wykrywania chorób roślin oparte na sztucznej inteligencji. Najpierw kamery lub czujniki rejestrują obrazy upraw. Następnie obrazy te są przetwarzane za pomocą algorytmów w celu identyfikacji oznak chorób.

Na przykład, Kamery RGB wykonują kolorowe zdjęcia w celu wychwycenia widocznych objawów, takich jak plamy na liściach, podczas gdy kamery hiperspektralne wykrywają ukryte sygnały stresu, analizując setki długości fal światła.

Po zarejestrowaniu obrazy są one poddawane wstępnemu przetwarzaniu w celu poprawy jakości. Techniki takie jak progowanie izolują obszary chorobowe na podstawie koloru, a wykrywanie krawędzi mapuje granice zmian lub przebarwień.

Następnie modele głębokiego uczenia analizują wstępnie przetworzone dane. Sieci neuronowe splotowe (CNN), najpopularniejsze narzędzia sztucznej inteligencji w rolnictwie, skanują obrazy warstwa po warstwie w celu identyfikacji wzorców, takich jak nietypowe tekstury lub kolory.

W badaniu przeprowadzonym w 2022 r., ResNet50—popularny model CNN—osiągnął dokładność 99,07% w diagnozowaniu chorób pomidorów.

Tymczasem, Transformatory wizji (ViTs) Podziel obrazy na fragmenty i zbadaj ich relacje, naśladując sposób, w jaki ludzie analizują kontekst. To podejście pomogło wykryć wirusa oczyszczającego żyłki winorośli z dokładnością 71% w badaniu z 2020 roku.

“Przyszłość rolnictwa nie leży w zastępowaniu ludzi, lecz w wyposażaniu ich w inteligentne narzędzia”.”

Rola zaawansowanych czujników w nowoczesnym rolnictwie

Różne czujniki oferują wyjątkowe korzyści dla rolnictwa precyzyjnego. Kamery RGB, choć niedrogie i łatwe w użyciu, mają problemy z wykrywaniem chorób we wczesnym stadium ze względu na ograniczoną szczegółowość widmową. W przeciwieństwie do tego, kamery hiperspektralne zbierać dane w setkach długości fal światła, ujawniając sygnały stresu niewidoczne gołym okiem.

Na przykład badacze wykorzystali obrazowanie hiperspektralne do diagnozy raka jabłoni Valsa z dokładnością 98% w 2022 roku. Jednak te kamery kosztują $10,000–$50 000, co czyni je zbyt drogimi dla drobnych rolników.

Kamery termowizyjne Z innej perspektywy, mierząc zmiany temperatury spowodowane infekcjami. Badanie z 2019 roku wykazało, że liście zainfekowane zielenią cytrusów wykazują wyraźne wzorce temperatur, co pozwala na wczesne wykrycie.

Tymczasem, kamery multispektralne—opcja pośrednia — śledzenie poziomu chlorofilu w celu oceny stanu zdrowia roślin.

Czujniki te zmapowały rdzę pasiastą pszenicy w 2014 roku, pomagając rolnikom skuteczniej dobierać metody zwalczania szkodników. Pomimo korzyści, koszty czujników i czynniki środowiskowe, takie jak wiatr czy nierównomierne oświetlenie, pozostają wyzwaniem.

Publiczne zbiory danych: kręgosłup sztucznej inteligencji w rolnictwie

Szkolenie niezawodnych modeli sztucznej inteligencji wymaga ogromnych ilości oznaczonych danych. Zestaw danych PlantVillage, darmowe źródło zawierające 87 000 zdjęć 14 upraw i 26 chorób, stało się złotym standardem dla badaczy.

Ponad 90% badań cytowanych w artykule wykorzystało ten zbiór danych do trenowania i testowania swoich modeli. Innym kluczowym źródłem jest Zestaw danych o chorobie manioku, obejmuje 11 670 obrazów choroby mozaikowej manioku i osiągnął dokładność 96% z modelami CNN.

Jednak luki wciąż istnieją. Rzadkie choroby, takie jak węgorek sosnowiec, mają mniej niż 100 oznaczonych obrazów, co ogranicza możliwości sztucznej inteligencji w ich wykrywaniu. Ponadto większość zbiorów danych zawiera obrazy zarejestrowane w laboratorium, które nie uwzględniają zmiennych rzeczywistych, takich jak pogoda czy oświetlenie.

Aby temu zaradzić, projekty takie jak AI4Ag opierają się na crowdsourcingu obrazów terenowych pochodzących od rolników z całego świata, co ma na celu stworzenie bardziej solidnych i realistycznych zestawów danych.

Pomiar wydajności sztucznej inteligencji: dokładność, precyzja i nie tylko

Naukowcy wykorzystują szereg wskaźników do oceny systemów wykrywania chorób roślin opartych na sztucznej inteligencji. Dokładność—odsetek prawidłowych diagnoz—wynosi od 76.9% we wczesnych modelach Do 99.97% w zaawansowanych systemach, takich jak EfficientNet-B5.

Jednak sama dokładność może być myląca. Precyzja mierzy, ile oznaczonych chorób jest prawdziwych (unikając fałszywych alarmów), podczas gdy wskaźnik rozpoznawalności śledzi liczbę wykrytych rzeczywistych zakażeń.

Na przykład, Maska R-CNN, model do wykrywania obiektów, osiągnął dokładność 93,5% w wykrywaniu antraknozy truskawki, ale tylko 45% w wykrywaniu zgnilizny korzeni bawełny.

Ten Wynik F1 Łączy precyzję i przywołanie, oferując holistyczny obraz wydajności. W badaniu z 2023 roku, PlantViT—hybrydowy model sztucznej inteligencji — uzyskał wynik 98,61% F1-Score w zestawie danych PlantVillage.

Do wykrywania obiektów, średnia precyzja (mAP) jest krytyczny. Szybszy R-CNN, popularny model, osiągnął 73.07% mAP w badaniach nad chorobami jabłoni, co oznacza, że w większości przypadków prawidłowo zlokalizował i sklasyfikował zakażenia.

Wyzwania hamujące rozwój sztucznej inteligencji w rolnictwie

Pomimo swojego potencjału, wykrywanie chorób za pomocą sztucznej inteligencji napotyka na przeszkody. Po pierwsze, niedobór danych utrudnia wykrywanie rzadkich lub nowo pojawiających się chorób.

• Przykładowo, w badaniu z 2021 r. dostępnych było tylko 20 zdjęć mączniaka prawdziwego ogórków, co ograniczało wiarygodność modelu.
• Po drugie, czynniki środowiskowe, takie jak wiatr, cienie lub zmienne warunki oświetleniowe, zmniejszają dokładność pomiaru w terenie o 20–30% w porównaniu z warunkami laboratoryjnymi.
• Po trzecie, wysokie koszty utrudniają adopcję. Kamery hiperspektralne, choć wydajne, pozostają nieosiągalne dla drobnych rolników, a narzędzia AI wymagają smartfonów lub dostępu do internetu, co nadal stanowi barierę na obszarach wiejskich.
• Wreszcie, wciąż utrzymują się problemy z zaufaniem. Badanie z 2023 roku wykazało, że 68% rolników waha się przed wdrożeniem sztucznej inteligencji ze względu na jej “czarną skrzynkę” – nie widzą, jak podejmowane są decyzje.

Aby temu zaradzić, naukowcy opracowują interpretowalną sztuczną inteligencję, która będzie w prosty sposób wyjaśniać diagnozy, np. podświetlając zainfekowane obszary liści lub wymieniając objawy.

Przyszłość rolnictwa: 5 innowacji, na które warto zwrócić uwagę

1. Edge Computing do analizy w czasie rzeczywistymLekkie modele sztucznej inteligencji, takie jak MobileNetV2 (rozmiar 7 MB), działają na smartfonach lub dronach, oferując wykrywanie chorób w czasie rzeczywistym bez internetu. W 2023 roku model ten osiągnął dokładność 99,42% w klasyfikacji chorób ziemniaka, umożliwiając rolnikom podejmowanie natychmiastowych decyzji.

2. Transfer wiedzy dla szybszej adaptacjiWstępnie wytrenowane modele, takie jak PlantViT, można precyzyjnie dostroić do nowych upraw przy minimalnej ilości danych. Badanie z 2023 roku dostosowało PlantViT do wykrywania zarazy ryżu, osiągając dokładność 87,87% przy użyciu zaledwie 1000 obrazów.

3. Modele wizyjno-językowe (VLM)Systemy takie jak CLIP firmy OpenAI pozwalają rolnikom na wysyłanie zapytań do sztucznej inteligencji za pomocą tekstu (np. “Znajdź brązowe plamy na liściach”). Ta naturalna interakcja łączy zaawansowaną technologię z codziennym rolnictwem.

4. Modele podstawowe dla sztucznej inteligencji ogólnego przeznaczeniaDuże modele, takie jak GPT-4, mogłyby symulować rozprzestrzenianie się chorób lub zalecać metody leczenia, działając jak wirtualni agronomowie.

5. Współpracujące globalne bazy danychPlatformy typu open source, takie jak PlantVillage i AI4Ag, gromadzą dane pochodzące od rolników i badaczy z całego świata, przyspieszając innowacje.

Studium przypadku: Uprawa mango wspomagana sztuczną inteligencją w Indiach

W 2024 roku naukowcy opracowali lekki model DenseNet do zwalczania chorób mango, takich jak antraknoza i mączniak prawdziwy. Model, wytrenowany na 12 332 obrazach terenowych, osiągnął dokładność 99,21 TP3T – wyższą niż większość systemów laboratoryjnych.

Dzięki mniejszej liczbie parametrów (50%) system działa płynnie na niedrogich smartfonach. Indyjscy rolnicy korzystają teraz z aplikacji $10 zbudowanej na tej sztucznej inteligencji, aby skanować liście i otrzymywać natychmiastowe diagnozy, zmniejszając zużycie pestycydów o 30% i ratując plony.

Wniosek

Wykrywanie chorób roślin za pomocą sztucznej inteligencji i technologie rolnictwa precyzyjnego zmieniają rolnictwo, dając nadzieję na walkę z brakiem bezpieczeństwa żywnościowego. Umożliwiając wczesną diagnostykę, ograniczając stosowanie środków chemicznych i dając większe możliwości drobnym rolnikom, narzędzia te mogą zwiększyć globalne plony o 20–301 TP3T.

Aby wykorzystać ten potencjał, interesariusze muszą zająć się kosztami czujników, zwiększyć różnorodność danych i budować zaufanie rolników poprzez edukację.

Odniesienie: Upadhyay, A., Chandel, NS, Singh, KP i in. Głębokie uczenie i widzenie komputerowe w wykrywaniu chorób roślin: kompleksowy przegląd technik, modeli i trendów w rolnictwie precyzyjnym. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x