{"id":11429,"date":"2025-04-02T23:23:55","date_gmt":"2025-04-02T21:23:55","guid":{"rendered":"https:\/\/geopard.tech\/?p=11429"},"modified":"2025-04-02T23:23:55","modified_gmt":"2025-04-02T21:23:55","slug":"rola-aplikacji-glebokiego-uczenia-sie-i-komputerowego-widzenia-we-wczesnym-wykrywaniu-chorob-roslin","status":"publish","type":"post","link":"https:\/\/geopard.tech\/pl\/blog\/role-of-deep-learning-computer-vision-applications-for-early-plant-disease-detection\/","title":{"rendered":"Rola zastosowa\u0144 g\u0142\u0119bokiego uczenia si\u0119 w komputerowym widzeniu we wczesnym wykrywaniu chor\u00f3b ro\u015blin"},"content":{"rendered":"

Choroby ro\u015blin po cichu zagra\u017caj\u0105 globalnemu bezpiecze\u0144stwu \u017cywno\u015bciowemu, niszcz\u0105c 10\u2013161 TP3 ton upraw rocznie i kosztuj\u0105c sektor rolny 1 TP4 220 miliard\u00f3w dolar\u00f3w strat. Tradycyjne metody, takie jak r\u0119czne inspekcje i testy laboratoryjne, s\u0105 powolne, drogie i cz\u0119sto zawodne.<\/p>\n

Prze\u0142omowe badanie z 2025 r.,\u00a0\u201cG\u0142\u0119bokie uczenie i komputerowe widzenie w wykrywaniu chor\u00f3b ro\u015blin\u201d<\/em>\u00a0(Upadhyay i in.) ujawnia, w jaki spos\u00f3b sztuczna inteligencja w wykrywaniu chor\u00f3b ro\u015blin oraz komputerowe widzenie w rolnictwie zmieniaj\u0105 rolnictwo.<\/p>\n

Dlaczego wczesne wykrywanie chor\u00f3b ro\u015blin ma znaczenie dla globalnego bezpiecze\u0144stwa \u017cywno\u015bciowego<\/strong><\/h2>\n

W rolnictwie zatrudnionych jest 281 300 tys. os\u00f3b na \u015bwiecie, a kraje takie jak Indie, Chiny i Stany Zjednoczone przoduj\u0105 w produkcji ro\u015blinnej. Mimo to choroby ro\u015blin wywo\u0142ywane przez grzyby, bakterie i wirusy obni\u017caj\u0105 plony i obci\u0105\u017caj\u0105 gospodark\u0119.<\/p>\n

Na przyk\u0142ad zaraza ry\u017cu powoduje zmniejszenie zbior\u00f3w o 30\u201350% w dotkni\u0119tych regionach, podczas gdy zielenienie cytrus\u00f3w doprowadzi\u0142o do zniszczenia 70% w gajach pomara\u0144czowych na Florydzie od 2005 r. Wczesne wykrywanie ma kluczowe znaczenie, ale wielu rolnik\u00f3w nie ma dost\u0119pu do zaawansowanych narz\u0119dzi ani wiedzy specjalistycznej.<\/p>\n

W tym miejscu pojawia si\u0119 wspomagana sztuczn\u0105 inteligencj\u0105 technologia wykrywania chor\u00f3b, oferuj\u0105ca szybkie, niedrogie i precyzyjne rozwi\u0105zania przewy\u017cszaj\u0105ce tradycyjne metody.<\/p>\n

Jak sztuczna inteligencja i komputerowe widzenie wykrywaj\u0105 choroby upraw<\/strong><\/h2>\n

W badaniu przeanalizowano 278 prac naukowych, aby wyja\u015bni\u0107, jak dzia\u0142aj\u0105 systemy wykrywania chor\u00f3b ro\u015blin oparte na sztucznej inteligencji. Najpierw kamery lub czujniki rejestruj\u0105 obrazy upraw. Nast\u0119pnie obrazy te s\u0105 przetwarzane za pomoc\u0105 algorytm\u00f3w w celu identyfikacji oznak chor\u00f3b.<\/p>\n

Na przyk\u0142ad,\u00a0Kamery RGB<\/strong>\u00a0wykonuj\u0105 kolorowe zdj\u0119cia w celu wychwycenia widocznych objaw\u00f3w, takich jak plamy na li\u015bciach, podczas gdy kamery hiperspektralne wykrywaj\u0105 ukryte sygna\u0142y stresu, analizuj\u0105c setki d\u0142ugo\u015bci fal \u015bwiat\u0142a.<\/p>\n

Po zarejestrowaniu obrazy s\u0105 one poddawane wst\u0119pnemu przetwarzaniu w celu poprawy jako\u015bci. Techniki takie jak progowanie izoluj\u0105 obszary chorobowe na podstawie koloru, a wykrywanie kraw\u0119dzi mapuje granice zmian lub przebarwie\u0144.<\/p>\n

\"Jak<\/p>\n

Nast\u0119pnie modele g\u0142\u0119bokiego uczenia analizuj\u0105 wst\u0119pnie przetworzone dane.\u00a0Sieci neuronowe splotowe (CNN)<\/strong>, najpopularniejsze narz\u0119dzia sztucznej inteligencji w rolnictwie, skanuj\u0105 obrazy warstwa po warstwie w celu identyfikacji wzorc\u00f3w, takich jak nietypowe tekstury lub kolory.<\/p>\n

W badaniu przeprowadzonym w 2022 r.,\u00a0ResNet50<\/strong>\u2014popularny model CNN\u2014osi\u0105gn\u0105\u0142 dok\u0142adno\u015b\u0107 99,07% w diagnozowaniu chor\u00f3b pomidor\u00f3w.<\/p>\n

Tymczasem,\u00a0Transformatory wizji (ViTs)<\/strong>\u00a0Podziel obrazy na fragmenty i zbadaj ich relacje, na\u015bladuj\u0105c spos\u00f3b, w jaki ludzie analizuj\u0105 kontekst. To podej\u015bcie pomog\u0142o wykry\u0107 wirusa oczyszczaj\u0105cego \u017cy\u0142ki winoro\u015bli z dok\u0142adno\u015bci\u0105 71% w badaniu z 2020 roku.<\/p>\n

\u201cPrzysz\u0142o\u015b\u0107 rolnictwa nie le\u017cy w zast\u0119powaniu ludzi, lecz w wyposa\u017caniu ich w inteligentne narz\u0119dzia\u201d.\u201d<\/em><\/p><\/blockquote>\n

Rola zaawansowanych czujnik\u00f3w w nowoczesnym rolnictwie<\/strong><\/h2>\n

R\u00f3\u017cne czujniki oferuj\u0105 wyj\u0105tkowe korzy\u015bci dla rolnictwa precyzyjnego.\u00a0Kamery RGB<\/strong>, cho\u0107 niedrogie i \u0142atwe w u\u017cyciu, maj\u0105 problemy z wykrywaniem chor\u00f3b we wczesnym stadium ze wzgl\u0119du na ograniczon\u0105 szczeg\u00f3\u0142owo\u015b\u0107 widmow\u0105. W przeciwie\u0144stwie do tego,\u00a0kamery hiperspektralne<\/strong>\u00a0zbiera\u0107 dane w setkach d\u0142ugo\u015bci fal \u015bwiat\u0142a, ujawniaj\u0105c sygna\u0142y stresu niewidoczne go\u0142ym okiem.<\/p>\n

Na przyk\u0142ad badacze wykorzystali obrazowanie hiperspektralne do diagnozy raka jab\u0142oni Valsa z dok\u0142adno\u015bci\u0105 98% w 2022 roku. Jednak te kamery kosztuj\u0105\u00a010 000\u2013<\/span>10<\/span>,<\/span>000\u2013<\/span><\/span><\/span><\/span>50 000, co czyni je zbyt drogimi dla drobnych rolnik\u00f3w.<\/p>\n

Kamery termowizyjne<\/strong>\u00a0Z innej perspektywy, mierz\u0105c zmiany temperatury spowodowane infekcjami. Badanie z 2019 roku wykaza\u0142o, \u017ce li\u015bcie zainfekowane zieleni\u0105 cytrus\u00f3w wykazuj\u0105 wyra\u017ane wzorce temperatur, co pozwala na wczesne wykrycie.<\/p>\n

Tymczasem,\u00a0kamery multispektralne<\/strong>\u2014opcja po\u015brednia \u2014 \u015bledzenie poziomu chlorofilu w celu oceny stanu zdrowia ro\u015blin.<\/p>\n

Czujniki te zmapowa\u0142y rdz\u0119 pasiast\u0105 pszenicy w 2014 roku, pomagaj\u0105c rolnikom skuteczniej dobiera\u0107 metody zwalczania szkodnik\u00f3w. Pomimo korzy\u015bci, koszty czujnik\u00f3w i czynniki \u015brodowiskowe, takie jak wiatr czy nier\u00f3wnomierne o\u015bwietlenie, pozostaj\u0105 wyzwaniem.<\/p>\n

Publiczne zbiory danych: kr\u0119gos\u0142up sztucznej inteligencji w rolnictwie<\/strong><\/h2>\n

Szkolenie niezawodnych modeli sztucznej inteligencji wymaga ogromnych ilo\u015bci oznaczonych danych.\u00a0Zestaw danych PlantVillage<\/strong>, darmowe \u017ar\u00f3d\u0142o zawieraj\u0105ce 87 000 zdj\u0119\u0107 14 upraw i 26 chor\u00f3b, sta\u0142o si\u0119 z\u0142otym standardem dla badaczy.<\/p>\n

Ponad 90% bada\u0144 cytowanych w artykule wykorzysta\u0142o ten zbi\u00f3r danych do trenowania i testowania swoich modeli. Innym kluczowym \u017ar\u00f3d\u0142em jest\u00a0Zestaw danych o chorobie manioku<\/strong>, obejmuje 11 670 obraz\u00f3w choroby mozaikowej manioku i osi\u0105gn\u0105\u0142 dok\u0142adno\u015b\u0107 96% z modelami CNN.<\/p>\n

Jednak luki wci\u0105\u017c istniej\u0105. Rzadkie choroby, takie jak w\u0119gorek sosnowiec, maj\u0105 mniej ni\u017c 100 oznaczonych obraz\u00f3w, co ogranicza mo\u017cliwo\u015bci sztucznej inteligencji w ich wykrywaniu. Ponadto wi\u0119kszo\u015b\u0107 zbior\u00f3w danych zawiera obrazy zarejestrowane w laboratorium, kt\u00f3re nie uwzgl\u0119dniaj\u0105 zmiennych rzeczywistych, takich jak pogoda czy o\u015bwietlenie.<\/p>\n

Aby temu zaradzi\u0107, projekty takie jak AI4Ag opieraj\u0105 si\u0119 na crowdsourcingu obraz\u00f3w terenowych pochodz\u0105cych od rolnik\u00f3w z ca\u0142ego \u015bwiata, co ma na celu stworzenie bardziej solidnych i realistycznych zestaw\u00f3w danych.<\/p>\n

Pomiar wydajno\u015bci sztucznej inteligencji: dok\u0142adno\u015b\u0107, precyzja i nie tylko<\/strong><\/h2>\n

\"Wska\u017aniki<\/p>\n

Naukowcy wykorzystuj\u0105 szereg wska\u017anik\u00f3w do oceny system\u00f3w wykrywania chor\u00f3b ro\u015blin opartych na sztucznej inteligencji.\u00a0Dok\u0142adno\u015b\u0107<\/strong>\u2014odsetek prawid\u0142owych diagnoz\u2014wynosi od\u00a076.9% we wczesnych modelach<\/strong>\u00a0Do\u00a099.97% w zaawansowanych systemach, takich jak EfficientNet-B5<\/strong>.<\/p>\n

Jednak sama dok\u0142adno\u015b\u0107 mo\u017ce by\u0107 myl\u0105ca. Precyzja mierzy, ile oznaczonych chor\u00f3b jest prawdziwych (unikaj\u0105c fa\u0142szywych alarm\u00f3w), podczas gdy wska\u017anik rozpoznawalno\u015bci \u015bledzi liczb\u0119 wykrytych rzeczywistych zaka\u017ce\u0144.<\/p>\n

Na przyk\u0142ad,\u00a0Maska R-CNN<\/strong>, model do wykrywania obiekt\u00f3w, osi\u0105gn\u0105\u0142 dok\u0142adno\u015b\u0107 93,5% w wykrywaniu antraknozy truskawki, ale tylko 45% w wykrywaniu zgnilizny korzeni bawe\u0142ny.<\/p>\n

Ten\u00a0Wynik F1<\/strong>\u00a0\u0141\u0105czy precyzj\u0119 i przywo\u0142anie, oferuj\u0105c holistyczny obraz wydajno\u015bci. W badaniu z 2023 roku,\u00a0PlantViT<\/strong>\u2014hybrydowy model sztucznej inteligencji \u2014 uzyska\u0142 wynik 98,61% F1-Score w zestawie danych PlantVillage.<\/p>\n

Do wykrywania obiekt\u00f3w,\u00a0\u015brednia precyzja (mAP)<\/strong>\u00a0jest krytyczny.\u00a0Szybszy R-CNN<\/strong>, popularny model, osi\u0105gn\u0105\u0142 73.07% mAP w badaniach nad chorobami jab\u0142oni, co oznacza, \u017ce w wi\u0119kszo\u015bci przypadk\u00f3w prawid\u0142owo zlokalizowa\u0142 i sklasyfikowa\u0142 zaka\u017cenia.<\/p>\n

Wyzwania hamuj\u0105ce rozw\u00f3j sztucznej inteligencji w rolnictwie<\/strong><\/h2>\n

Pomimo swojego potencja\u0142u, wykrywanie chor\u00f3b za pomoc\u0105 sztucznej inteligencji napotyka na przeszkody. Po pierwsze, niedob\u00f3r danych utrudnia wykrywanie rzadkich lub nowo pojawiaj\u0105cych si\u0119 chor\u00f3b.<\/p>\n