Uprawa pomidor\u00f3w stanowi \u017ar\u00f3d\u0142o po\u017cywienia dla przemys\u0142u przetw\u00f3rstwa spo\u017cywczego, targ\u00f3w \u015bwie\u017cych produkt\u00f3w i ogrod\u00f3w przydomowych na wszystkich kontynentach. Wed\u0142ug Centrum Bada\u0144 nad Marketingiem Rolniczym, w samych Stanach Zjednoczonych warto\u015b\u0107 produkcji \u015bwie\u017cych pomidor\u00f3w w 2023 roku przekroczy\u0142a kilka miliard\u00f3w dolar\u00f3w.<\/p>\n
Choroby li\u015bci stanowi\u0105 g\u0142\u00f3wne zagro\u017cenie dla produktywno\u015bci pomidor\u00f3w. Organizacja Narod\u00f3w Zjednoczonych ds. Wy\u017cywienia i Rolnictwa (FAO) szacuje, \u017ce choroby ro\u015blin odpowiadaj\u0105 za ok. 40% strat upraw na ca\u0142ym \u015bwiecie<\/strong>, co przek\u0142ada si\u0119 na ogromne problemy z bezpiecze\u0144stwem \u017cywno\u015bciowym i konsekwencje gospodarcze.<\/p>\n Same choroby grzybowe powoduj\u0105 roczne straty rz\u0119du $60 miliard\u00f3w na ca\u0142ym \u015bwiecie<\/strong>. W przypadku pomidor\u00f3w, w sprzyjaj\u0105cych warunkach chorobowych, plamisto\u015b\u0107 bakteryjna mo\u017ce zmniejszy\u0107 plony, do 90%<\/strong>, co sprawia, \u017ce czas wykrycia i reakcji jest krytyczny.<\/p>\n Wczesna i dok\u0142adna identyfikacja choroby to kluczowy punkt. Rolnik, kt\u00f3ry wykryje wczesn\u0105 zaraz\u0119 li\u015bci w jej pocz\u0105tkowym stadium, mo\u017ce j\u0105 powstrzyma\u0107 dzi\u0119ki ukierunkowanemu stosowaniu fungicyd\u00f3w. Rolnik, kt\u00f3ry nie zauwa\u017cy jej a\u017c do momentu widocznej defoliacji, ponosi straty w plonach, kt\u00f3rych \u017cadna interwencja nie b\u0119dzie w stanie w pe\u0142ni odwr\u00f3ci\u0107. To w\u0142a\u015bnie tutaj sztuczna inteligencja, a konkretnie inteligentne wykrywanie chor\u00f3b li\u015bci pomidora oparte na uczeniu g\u0142\u0119bokim, zmienia sytuacj\u0119.<\/p>\n Szerszy kontekst potwierdza t\u0119 zmian\u0119. Globalny rynek sztucznej inteligencji w rolnictwie precyzyjnym zosta\u0142 wyceniony na $3,1 miliarda w 2024 roku<\/strong> i prognozuje si\u0119, \u017ce osi\u0105gnie $12,7 miliarda do 2034 roku<\/strong> w CAGR 15,1%<\/strong> (Market.us, 2024). Inteligentny monitoring chor\u00f3b upraw to jeden z najszybciej rozwijaj\u0105cych si\u0119 segment\u00f3w w ramach tej ekspansji.<\/p>\n Zanim jakikolwiek system detekcji zacznie dzia\u0142a\u0107, konieczne jest dok\u0142adne zrozumienie celu, jaki ma on znale\u017a\u0107. Li\u015bcie pomidor\u00f3w s\u0105 atakowane przez szerok\u0105 gam\u0119 patogen\u00f3w, z kt\u00f3rych ka\u017cdy pozostawia wyra\u017ane, ale czasami nak\u0142adaj\u0105ce si\u0119 na siebie \u015blady wizualne.<\/p>\n Zaraza wczesna<\/strong>, spowodowane przez grzyba Alternaria solani<\/em>, tworzy ciemnobr\u0105zowe, koncentryczne plamy pier\u015bcieniowe na starszych li\u015bciach. Pier\u015bcienie przypominaj\u0105 wz\u00f3r tarczy, a \u017c\u00f3\u0142kni\u0119cie otacza ka\u017cd\u0105 plam\u0119 w miar\u0119 obumierania tkanki.<\/p>\n Zaraza p\u00f3\u017ana<\/strong>, wywo\u0142ane przez l\u0119gniowce Phytophthora infestans<\/em> \u2014 ten sam organizm, kt\u00f3ry wywo\u0142a\u0142 kl\u0119sk\u0119 g\u0142odu w Irlandii \u2014 wytwarza nasi\u0105kni\u0119te wod\u0105, szarozielone plamy, kt\u00f3re szybko br\u0105zowiej\u0105 w ciep\u0142ych i wilgotnych warunkach. Rozprzestrzenia si\u0119 niezwykle szybko i mo\u017ce zniszczy\u0107 ca\u0142e pole w ci\u0105gu kilku dni.<\/p>\n Septoria li\u015bci<\/strong> Wyst\u0119puje jako ma\u0142e, okr\u0105g\u0142e plamki z ciemnobr\u0105zowymi brzegami i ja\u015bniejszymi, jasnobr\u0105zowymi \u015brodkami. Zwykle zaczyna si\u0119 na dolnych li\u015bciach i post\u0119puje w g\u00f3r\u0119, powodowana przez grzyb. Septoria lycopersici<\/em>.<\/p>\n Plamka bakteryjna<\/strong>, spowodowane przez Xanthomonas vesicatoria<\/em>, wytwarza ma\u0142e, nasi\u0105kni\u0119te wod\u0105 plamy, kt\u00f3re staj\u0105 si\u0119 br\u0105zowe i kanciaste, cz\u0119sto otoczone \u017c\u00f3\u0142tymi obw\u00f3dkami. W przeciwie\u0144stwie do plam grzybiczych, zmiany bakteryjne nie reaguj\u0105 na zabiegi fungicydowe.<\/p>\n Ple\u015b\u0144 li\u015bciowa<\/strong>, spowodowane przez Passalora fulva<\/em>, objawia si\u0119 bladozielonymi lub \u017c\u00f3\u0142tymi plamami na g\u00f3rnej powierzchni li\u015bci, z oliwkowo-zielonym lub szaro-fioletowym nalotem ple\u015bni pod spodem. Dobrze ro\u015bnie w wilgotnych szklarniach.<\/p>\n Wirus mozaiki pomidora (ToMV)<\/strong> Tworzy plamiste, jasno- i ciemnozielone wzory na li\u015bciach, cz\u0119sto z ich zwijaniem si\u0119 i p\u0119cherzami. Nier\u00f3wnomierny rozk\u0142ad kolor\u00f3w odr\u00f3\u017cnia go od niedobor\u00f3w sk\u0142adnik\u00f3w od\u017cywczych.<\/p>\n Wirus \u017c\u00f3\u0142tej k\u0119dzierzawo\u015bci li\u015bci pomidora (TYLCV)<\/strong>, przenoszony przez m\u0105czlika szklarniowego Bemisia tabaci<\/em>, powoduje podwijanie si\u0119 brzeg\u00f3w li\u015bci, \u017c\u00f3\u0142kni\u0119cie mi\u0119dzynerwowe i powa\u017cne zahamowanie wzrostu. Jest to jedna z najbardziej szkodliwych dla gospodarki chor\u00f3b wirusowych w ciep\u0142ych regionach uprawy pomidor\u00f3w na \u015bwiecie.<\/p>\n Wyzwanie wizualnej identyfikacji jest istotne nawet dla do\u015bwiadczonych agronom\u00f3w. Wczesne objawy r\u00f3\u017cnych chor\u00f3b mog\u0105 wygl\u0105da\u0107 niemal identycznie na zdj\u0119ciu zrobionym smartfonem. Septoria i bakteryjna plamisto\u015b\u0107 li\u015bci powoduj\u0105 ma\u0142e, okr\u0105g\u0142e zmiany. Zaraza wczesna i p\u00f3\u017ana powoduj\u0105 brunatne obumieranie tkanek. Czynniki \u015brodowiskowe, takie jak niedob\u00f3r azotu, stres zwi\u0105zany z nisk\u0105 temperatur\u0105 i fitotoksyczno\u015b\u0107 oprysk\u00f3w, mog\u0105 imitowa\u0107 objawy wirusowe.<\/p>\n To nie tylko komplikacje akademickie. Maj\u0105 one bezpo\u015bredni wp\u0142yw na spos\u00f3b budowania zestaw\u00f3w danych detekcyjnych, trenowania modeli i walidacji system\u00f3w detekcji przed wdro\u017ceniem.<\/p>\n Wczesne wykrycie to nie tylko kwestia szybszego dzia\u0142ania. Chodzi o podj\u0119cie dzia\u0142a\u0144, gdy s\u0105 one jeszcze skuteczne. Fungicydy stosowane przy pierwszych oznakach wczesnych zmian chorobowych zapobiegaj\u0105 zarodnikowaniu i rozprzestrzenianiu si\u0119 choroby. Te same fungicydy stosowane po defoliacji \u0142anu za pomoc\u0105 30% przynosz\u0105 niewielkie korzy\u015bci ekonomiczne.<\/p>\n Logika ekonomiczna i agronomiczna jest przekonuj\u0105ca: inwestuj\u0105c w technologi\u0119 wczesnego wykrywania chor\u00f3b, mo\u017cna znacznie obni\u017cy\u0107 koszty dalszego zarz\u0105dzania chorobami.<\/p>\n S\u00e1nchez-S\u00e1nchez i in. (2024) oszacowali, \u017ce same choroby wirusowe zmniejszaj\u0105 globaln\u0105 warto\u015b\u0107 produkcji pomidor\u00f3w o od 2 do 5% rocznie<\/strong>, co bior\u0105c pod uwag\u0119 skal\u0119 \u015bwiatowego rynku tej uprawy, oznacza straty liczone w miliardach dolar\u00f3w.<\/p>\n Nawet niewielka redukcja strat zwi\u0105zanych z chorobami dzi\u0119ki wczesnemu wykrywaniu sztucznej inteligencji mo\u017ce zapewni\u0107 zwrot z inwestycji w technologi\u0119 ju\u017c w ci\u0105gu jednego sezonu wegetacyjnego w przypadku du\u017cych producent\u00f3w pomidor\u00f3w.<\/p>\n Rolnictwo precyzyjne to praktyka traktowania gospodarstwa rolnego jako mozaiki odr\u0119bnych stref, a nie jednolitego pola. Zamiast stosowa\u0107 t\u0119 sam\u0105 norm\u0119 wysiewu, obj\u0119to\u015b\u0107 wody lub dawk\u0119 fungicydu na ka\u017cdym metrze kwadratowym, systemy precyzyjne wykorzystuj\u0105 dane w czasie rzeczywistym, aby modyfikowa\u0107 nak\u0142ady w zale\u017cno\u015bci od rzeczywistych warunk\u00f3w w danej lokalizacji.<\/p>\n Rolnictwo oparte na danych opiera si\u0119 na ci\u0105g\u0142ej p\u0119tli: czujniki i systemy obrazowania zbieraj\u0105 dane terenowe, oprogramowanie przetwarza i interpretuje te dane, a narz\u0119dzia wspomagaj\u0105ce podejmowanie decyzji przek\u0142adaj\u0105 interpretacj\u0119 na rekomendacje dotycz\u0105ce dzia\u0142a\u0144. Ka\u017cde ogniwo w tym \u0142a\u0144cuchu musi by\u0107 precyzyjne, aby system przynosi\u0142 warto\u015b\u0107.<\/p>\n Inteligentne zarz\u0105dzanie uprawami rozszerza t\u0119 logik\u0119 na zagro\u017cenia biologiczne. Zamiast czeka\u0107 na wyra\u017ane objawy choroby lub polega\u0107 na cotygodniowych patrolach, inteligentny system monitorowania wykrywa chorob\u0119 przy pierwszym widocznym lub widmowym sygnale i uruchamia alert, kt\u00f3ry okre\u015bla lokalizacj\u0119, to\u017csamo\u015b\u0107 i prawdopodobny stopie\u0144 nasilenia infekcji.<\/p>\n Obrazowanie cyfrowe stanowi podstawowe \u017ar\u00f3d\u0142o danych dla wi\u0119kszo\u015bci inteligentnych system\u00f3w wykrywania chor\u00f3b. Kamery RGB rejestruj\u0105 widzialne dla cz\u0142owieka informacje o kolorze. Kamery multispektralne rejestruj\u0105 d\u0142ugo\u015bci fal wykraczaj\u0105ce poza \u015bwiat\u0142o widzialne, w tym blisk\u0105 podczerwie\u0144, kt\u00f3ra ujawnia stres chlorofilu, zanim stanie si\u0119 on widoczny go\u0142ym okiem.<\/p>\n Kamery hiperspektralne rejestruj\u0105 setki w\u0105skich pasm d\u0142ugo\u015bci fal i mog\u0105 wykrywa\u0107 zmiany biochemiczne na poziomie molekularnym, cho\u0107 w wi\u0119kszo\u015bci zastosowa\u0144 rolniczych s\u0105 one nadal kosztowne.<\/p>\n Czujniki naziemne i sieci Internetu Rzeczy (IoT) uzupe\u0142niaj\u0105 obrazowanie. Czujniki temperatury i wilgotno\u015bci umieszczone w koronach ro\u015blin dostarczaj\u0105 danych mikroklimatycznych, kt\u00f3re wskazuj\u0105, kiedy rozwijaj\u0105 si\u0119 warunki sprzyjaj\u0105ce chorobom.<\/p>\n Okres d\u0142ugotrwa\u0142ej wilgotno\u015bci li\u015bci powy\u017cej 10 godzin w po\u0142\u0105czeniu z temperatur\u0105 pomi\u0119dzy 18 a 22\u00b0C jest znanym sygna\u0142em wyzwalaj\u0105cym zaraz\u0119 ziemniaka \u2014 system IoT mo\u017ce wys\u0142a\u0107 ostrze\u017cenie o ryzyku wyst\u0105pienia choroby przed pojawieniem si\u0119 jakichkolwiek zmian.<\/p>\n Drony i bezza\u0142ogowe statki powietrzne (UAV) dodaj\u0105 do monitorowania chor\u00f3b wymiar przestrzenny, kt\u00f3rego nie mog\u0105 zapewni\u0107 obrazy z poziomu gruntu. UAV wyposa\u017cony w kamer\u0119 multispektraln\u0105 mo\u017ce zbada\u0107 10-hektarowe pole pomidor\u00f3w w mniej ni\u017c 30 minut, generuj\u0105c georeferencyjn\u0105 map\u0119 ryzyka chor\u00f3b, kt\u00f3ra dok\u0142adnie pokazuje, kt\u00f3re rz\u0119dy i strefy wykazuj\u0105 wczesne oznaki stresu.<\/p>\n Umo\u017cliwia to ukierunkowane leczenie obszar\u00f3w wysokiego ryzyka, zamiast stosowania na ca\u0142ym polu. Systemy rolnicze oparte na IoT integruj\u0105 wszystkie te strumienie danych w jedn\u0105 platform\u0119, przekazuj\u0105c obserwacje z poziomu pola do analityki w chmurze lub w\u0119z\u0142\u00f3w przetwarzania brzegowego, gdzie algorytmy klasyfikacji chor\u00f3b dzia\u0142aj\u0105 niemal w czasie rzeczywistym.<\/p>\n G\u0142\u0119bokie uczenie to ga\u0142\u0105\u017a uczenia maszynowego, w kt\u00f3rej algorytmy ucz\u0105 si\u0119 wyodr\u0119bnia\u0107 wzorce bezpo\u015brednio z surowych danych \u2014 w tym przypadku obraz\u00f3w \u2014 za pomoc\u0105 hierarchicznych warstw przekszta\u0142ce\u0144 matematycznych.<\/p>\n Istotn\u0105 zalet\u0105 w por\u00f3wnaniu z klasycznym uczeniem maszynowym jest to, \u017ce g\u0142\u0119bokie uczenie nie wymaga od eksperta r\u0119cznego definiowania cech (kszta\u0142t\u00f3w, tekstur, gradient\u00f3w kolor\u00f3w) na obraz chorego li\u015bcia. Algorytm uczy si\u0119 tych cech na podstawie przyk\u0142ad\u00f3w treningowych.<\/p>\n Jaki\u015b Sztuczna sie\u0107 neuronowa (ANN)<\/strong> (system obliczeniowy lu\u017ano inspirowany neuronami biologicznymi) przetwarza dane wej\u015bciowe za pomoc\u0105 warstw po\u0142\u0105czonych ze sob\u0105 w\u0119z\u0142\u00f3w.<\/p>\n Ka\u017cde po\u0142\u0105czenie ma przypisan\u0105 wag\u0119 liczbow\u0105, kt\u00f3ra okre\u015bla, jak silnie aktywacja jednego w\u0119z\u0142a wp\u0142ywa na kolejny. Trenowanie sieci polega na dostosowywaniu tych wag za pomoc\u0105 przyk\u0142ad\u00f3w z etykietami, a\u017c do momentu, gdy przewidywania wyj\u015bciowe sieci b\u0119d\u0105 odpowiada\u0142y prawid\u0142owym etykietom z minimalnym b\u0142\u0119dem.<\/p>\n A Sie\u0107 neuronowa splotowa (CNN)<\/strong> (specjalistyczna architektura sieci neuronowej zaprojektowana dla danych obrazowych) stosuje operacje matematyczne zwane splotami w obrazie. Splot przesuwa ma\u0142e okno filtru \u2013 zazwyczaj o wymiarach 3\u00d73 lub 5\u00d75 pikseli \u2013 po obrazie i oblicza wa\u017con\u0105 sum\u0119 w ka\u017cdej pozycji, tworz\u0105c map\u0119 cech, kt\u00f3ra uwzgl\u0119dnia lokalne wzorce, takie jak kraw\u0119dzie, tekstury i gradienty kolor\u00f3w.<\/p>\n U\u0142o\u017cenie wielu warstw splotowych umo\u017cliwia sieci stopniowe uczenie si\u0119 bardziej abstrakcyjnych cech: kraw\u0119dzi w warstwach pocz\u0105tkowych, kszta\u0142t\u00f3w w warstwach \u015brodkowych i wzorc\u00f3w charakterystycznych dla danej choroby w warstwach g\u0142\u0119bszych.<\/p>\n To w\u0142a\u015bnie hierarchiczne uczenie si\u0119 cech sprawia, \u017ce sieci neuronowe CNN s\u0105 tak skuteczne w wykrywaniu chor\u00f3b pomidor\u00f3w. Okr\u0105g\u0142a granica zmiany chorobowej, jej wewn\u0119trzny gradient tekstury, otaczaj\u0105ca j\u0105 \u017c\u00f3\u0142ta po\u015bwiata \u2013 wszystkie te elementy staj\u0105 si\u0119 mo\u017cliwymi do nauczenia kombinacjami cech w r\u00f3\u017cnych warstwach sieci.<\/p>\n Tradycyjne uczenie maszynowe do wykrywania chor\u00f3b ro\u015blin wymaga\u0142o od ekspert\u00f3w dziedzinowych r\u0119cznego projektowania cech: wyodr\u0119bniania histogram\u00f3w kolor\u00f3w, obliczania deskryptor\u00f3w tekstury lub pomiaru parametr\u00f3w kszta\u0142tu z obraz\u00f3w li\u015bci, a nast\u0119pnie wprowadzania tych warto\u015bci do klasyfikator\u00f3w, takich jak maszyny wektor\u00f3w no\u015bnych (SVM). Ten proces by\u0142 pracoch\u0142onny, wymaga\u0142 specjalistycznej wiedzy i by\u0142 niestabilny, gdy wygl\u0105d choroby r\u00f3\u017cni\u0142 si\u0119 od warunk\u00f3w treningowych.<\/p>\n Lobna i in. (2024) przeszkolili sie\u0107 neuronow\u0105 kapsu\u0142kow\u0105 na du\u017cym zbiorze danych 70 834 zdj\u0119\u0107 li\u015bci pomidora<\/strong> i osi\u0105gn\u0119li\u015bmy dok\u0142adno\u015b\u0107 klasyfikacji na poziomie 96.39%<\/strong> w wielu kategoriach chor\u00f3b, uzyskuj\u0105c lepsze wyniki ni\u017c standardowe dane bazowe CNN.<\/p>\n Du\u017ce, zr\u00f3\u017cnicowane zbiory danych w po\u0142\u0105czeniu ze zoptymalizowan\u0105 architektur\u0105 zapewniaj\u0105 niezmiennie poziom dok\u0142adno\u015bci przewy\u017cszaj\u0105cy poziom osi\u0105galny w przypadku tradycyjnych metod przetwarzania obrazu komputerowego.<\/p>\n Geopard Agriculture buduje w\u0142a\u015bnie t\u0119 warstw\u0119. Jego precyzyjna platforma scoutingowa \u0142\u0105czy obserwacj\u0119 terenu, identyfikacj\u0119 chor\u00f3b i wsparcie decyzyjne w jeden proces, kt\u00f3rym ka\u017cdy agronom lub plantator mo\u017ce zarz\u0105dza\u0107 ze smartfona.<\/p>\n Inteligentny system rozpoznania Geopard identyfikuje obszary pola o najwi\u0119kszej warto\u015bci dodanej, umo\u017cliwiaj\u0105c ukierunkowan\u0105 inspekcj\u0119, zamiast wymaga\u0107 r\u00f3wnomiernego pokrycia ka\u017cdego rz\u0119du. Automatycznie sygnalizuje anomalie we wschodach ro\u015blin i kieruje dzia\u0142ania rozpoznawcze do stref, w kt\u00f3rych presja chor\u00f3b lub stres jest najbardziej prawdopodobny.<\/p>\n Rozwi\u0105zanie to bezpo\u015brednio rozwi\u0105zuje problem pokrycia pola, kt\u00f3ry ogranicza r\u0119czne programy rozpoznania w du\u017cych gospodarstwach. Platforma obs\u0142uguje wykrywanie i rejestrowanie wszystkich g\u0142\u00f3wnych kategorii zagro\u017ce\u0144 wyst\u0119puj\u0105cych w polu, istotnych dla produkcji pomidor\u00f3w:<\/p>\n Planowanie stref jest wbudowane w etap przygotowa\u0144 do rozpoznania. Geopard konwertuje surowe dane z czujnik\u00f3w terenowych i satelitarnych na mapy powierzchni o ci\u0105g\u0142ym gradiencie, kt\u00f3re wizualizuj\u0105 niejednorodno\u015b\u0107 pola, umo\u017cliwiaj\u0105c agronomom zdefiniowanie stref zarz\u0105dzania przed rozpocz\u0119ciem rozpoznania. Mapy strefowe i dane glebowe w trybie offline s\u0105 dost\u0119pne bez po\u0142\u0105czenia, co ma znaczenie w gospodarstwach rolnych o niestabilnym zasi\u0119gu sieci kom\u00f3rkowej.<\/p>\n Wszystkie obserwacje terenowe s\u0105 rejestrowane za po\u015brednictwem aplikacji mobilnej Geopard. Harcerze zapisuj\u0105 notatki, zdj\u0119cia i obserwacje georeferencyjne w czasie rzeczywistym, a uko\u0144czone zapisy zwiadowcze s\u0105 przesy\u0142ane bezpo\u015brednio do panelu raportowania platformy.<\/p>\n Kierownicy terenowi mog\u0105 zobaczy\u0107, jakie zagro\u017cenia zosta\u0142y zidentyfikowane, gdzie je znaleziono, jakie dzia\u0142ania podj\u0119to i kt\u00f3re strefy pozostaj\u0105 pod nadzorem \u2014 bez konieczno\u015bci konsolidowania danych z formularzy papierowych lub oddzielnych aplikacji.<\/p>\n System ostrzegania o zagro\u017ceniach monitoruje wzorce rozprzestrzeniania si\u0119 chor\u00f3b w sieci platformy i wysy\u0142a powiadomienia, gdy presja choroby narasta w danym regionie. Ta funkcja wczesnego ostrzegania wyd\u0142u\u017ca okres skutecznego wykrywania poza mo\u017cliwo\u015bci pojedynczego wewn\u0119trznego rozpoznania, daj\u0105c rolnikom czas na przygotowanie dzia\u0142a\u0144 zapobiegawczych, zanim choroba dotrze do ich p\u00f3l.<\/p>\n Podej\u015bcie firmy Geopard stanowi praktyczny przyk\u0142ad \u015bcie\u017cki integracji, kt\u00f3r\u0105 teoretycznie opisuj\u0105 badacze rolnictwa precyzyjnego: dane satelitarne i z czujnik\u00f3w informuj\u0105 o priorytetach rozpoznania, narz\u0119dzia mobilne umo\u017cliwiaj\u0105ce gromadzenie obserwacji w czasie rzeczywistym oraz wspomagana sztuczn\u0105 inteligencj\u0105 identyfikacja zagro\u017ce\u0144, kt\u00f3ra umo\u017cliwia szybsze i bardziej ukierunkowane podejmowanie decyzji na poziomie gospodarstwa.<\/p>\n Model g\u0142\u0119bokiego uczenia jest tak niezawodny, jak dane, na kt\u00f3rych zosta\u0142 wytrenowany. Przygotowanie zbioru danych do wykrywania chor\u00f3b li\u015bci pomidora to wieloetapowy proces, kt\u00f3ry okre\u015bla g\u00f3rny limit wydajno\u015bci dowolnego modelu w warunkach rzeczywistych.<\/p>\n Zdj\u0119cia terenowe wykonane w rzeczywistych warunkach rolniczych \u2014 przy zmiennym o\u015bwietleniu, cz\u0119\u015bciowej okluzji, kroplach wody i tle gleby \u2014 stanowi\u0105 z\u0142oty standard pod wzgl\u0119dem r\u00f3\u017cnorodno\u015bci zbior\u00f3w danych, mimo \u017ce ich zebranie jest trudniejsze i dro\u017csze ni\u017c w przypadku obraz\u00f3w w kontrolowanym \u015brodowisku.<\/p>\n Zdj\u0119cia wykonane smartfonami przez rolnik\u00f3w w trakcie rutynowych dzia\u0142a\u0144 rozpoznawczych coraz cz\u0119\u015bciej stanowi\u0105 praktyczne \u017ar\u00f3d\u0142o danych, kt\u00f3re \u0142\u0105czy warunki laboratoryjne ze scenariuszami rzeczywistego wykorzystania gruntu.<\/p>\n Publiczne zbiory danych znacznie przyspieszy\u0142y badania. Zestaw danych PlantVillage<\/strong>, opracowany przez Penn State University, zawiera ponad 54 000 obraz\u00f3w<\/strong> zdrowych i chorych li\u015bci ro\u015blin 26 gatunk\u00f3w, w tym 10 kategorii chor\u00f3b pomidor\u00f3w.<\/p>\n Sta\u0142 si\u0119 podstaw\u0105 szkoleniow\u0105 dla setek opublikowanych modeli wykrywania chor\u00f3b pomidor\u00f3w i pozostaje najszerzej stosowanym zbiorem danych por\u00f3wnawczych w tej dziedzinie.<\/p>\n Surowe obrazy zebrane z r\u00f3\u017cnych \u017ar\u00f3de\u0142 zawieraj\u0105 szum, niesp\u00f3jne rozmiary i r\u00f3\u017cnice w kalibracji kolor\u00f3w, kt\u00f3re mog\u0105 wprowadza\u0107 b\u0142\u0119dne wzorce do treningu modelu. Wst\u0119pne przetwarzanie standaryzuje dane przed ich dotarciem do modelu.<\/p>\n Ka\u017cdy obraz w zbiorze danych uczenia nadzorowanego musi zawiera\u0107 etykiet\u0119 z informacj\u0105 o rzeczywistej chorobie: do kt\u00f3rej kategorii chor\u00f3b nale\u017cy lub czy li\u015b\u0107 jest zdrowy. To oznaczenie musi zosta\u0107 wykonane lub zweryfikowane przez fitopatolog\u00f3w, a nie tylko specjalist\u00f3w od rolnictwa, poniewa\u017c wizualne nak\u0142adanie si\u0119 chor\u00f3b sprawia, \u017ce amatorskie adnotacje s\u0105 ma\u0142o wiarygodne.<\/p>\n Adnotacja na poziomie klasy w celu klasyfikowania chor\u00f3b jest stosunkowo prosta, ale adnotacja w formie pola ograniczaj\u0105cego w modelach wykrywania obiekt\u00f3w \u2014 oznaczaj\u0105ca dok\u0142adnie miejsce, w kt\u00f3rym na obrazie pojawia si\u0119 zmiana \u2014 wymaga znacznie wi\u0119cej czasu i wiedzy na obraz.<\/p>\n Spo\u0142eczno\u015b\u0107 badawcza oceni\u0142a dziesi\u0105tki architektur pod k\u0105tem klasyfikacji chor\u00f3b li\u015bci pomidora. Zrozumienie, kt\u00f3re architektury dominuj\u0105 i dlaczego, pomaga praktykom podejmowa\u0107 \u015bwiadome decyzje podczas wdra\u017cania tych system\u00f3w.<\/p>\n Podstawowe modele CNN s\u0142u\u017c\u0105ce do klasyfikacji chor\u00f3b opieraj\u0105 si\u0119 na standardowym schemacie: warstwy splotowe s\u0142u\u017c\u0105ce do ekstrakcji cech, warstwy grupuj\u0105ce, kt\u00f3re redukuj\u0105 wymiary przestrzenne, zachowuj\u0105c jednocze\u015bnie dominuj\u0105ce cechy, oraz w pe\u0142ni po\u0142\u0105czone warstwy na ko\u0144cu, kt\u00f3re odwzorowuj\u0105 wyodr\u0119bnione cechy na prawdopodobie\u0144stwa klas chor\u00f3b.<\/p>\n Wczesne prace nad zbiorem danych PlantVillage wykaza\u0142y, \u017ce nawet skromne sieci CNN z 5\u20137 warstwami mog\u0105 osi\u0105gn\u0105\u0107 dok\u0142adno\u015b\u0107 ponad 90% na czystych obrazach uzyskanych w laboratorium.<\/p>\n Transfer uczenia si\u0119<\/strong> (praktyka rozpoczynania od modelu wst\u0119pnie wytrenowanego na du\u017cym, og\u00f3lnym zbiorze danych i dostrajania go na zbiorze danych dotycz\u0105cym konkretnej dziedziny) zmieni\u0142a badania nad wykrywaniem chor\u00f3b pomidor\u00f3w, umo\u017cliwiaj\u0105c trenowanie modeli o wysokiej dok\u0142adno\u015bci przy u\u017cyciu stosunkowo ma\u0142ych zbior\u00f3w danych rolniczych.<\/p>\n 1. VGG16 i VGG19<\/strong>, Opracowane przez Visual Geometry Group z Oxfordu, wykorzystuj\u0105 16 lub 19 warstw wagowych z jednorodnymi splotami 3\u00d73. Pozostaj\u0105 one wiarygodnymi punktami odniesienia dla klasyfikacji chor\u00f3b pomidor\u00f3w, osi\u0105gaj\u0105c zazwyczaj dok\u0142adno\u015b\u0107 94-97% po dostrojeniu do zbior\u00f3w danych dotycz\u0105cych chor\u00f3b.<\/p>\n 2. Sie\u0107 ResNet<\/strong> (Sie\u0107 Residual) wprowadzi\u0142a po\u0142\u0105czenia pomijaj\u0105ce, kt\u00f3re umo\u017cliwiaj\u0105 bezpo\u015bredni przep\u0142yw gradient\u00f3w mi\u0119dzy warstwami, rozwi\u0105zuj\u0105c problem zanikaj\u0105cego gradientu, kt\u00f3ry wcze\u015bniej ogranicza\u0142 g\u0142\u0119boko\u015b\u0107 treningu. Sie\u0107 ResNet50, dostrojona do danych o chorobach pomidor\u00f3w, konsekwentnie osi\u0105ga dok\u0142adno\u015b\u0107 96-98% w najnowszych badaniach.<\/p>\n 3. Sie\u0107 DenseNet<\/strong> rozszerza koncepcj\u0119 po\u0142\u0105cze\u0144 pomijaj\u0105cych, \u0142\u0105cz\u0105c ka\u017cd\u0105 warstw\u0119 z ka\u017cd\u0105 kolejn\u0105 warstw\u0105 w g\u0119stym bloku, maksymalizuj\u0105c ponowne wykorzystanie funkcji i tworz\u0105c kompaktowe modele o wysokiej wydajno\u015bci klasyfikacji.<\/p>\n 4. EfficientNet<\/strong>, opracowany przez Google Brain, skaluje szeroko\u015b\u0107, g\u0142\u0119boko\u015b\u0107 i rozdzielczo\u015b\u0107 sieci jednocze\u015bnie, wykorzystuj\u0105c wsp\u00f3\u0142czynnik z\u0142o\u017cony. Osi\u0105gni\u0119to EfficientNetB0 z modu\u0142em uwagi Dok\u0142adno\u015b\u0107 99,39%<\/strong> na temat klasyfikacji chor\u00f3b ro\u015blin w badaniu opublikowanym przez Gonz\u00e1lez-Briones i in. (2025), z wydajno\u015bci\u0105 odpowiedni\u0105 do wdro\u017cenia urz\u0105dzenia brzegowego.<\/p>\n 5. Sie\u0107 mobilna<\/strong>, zaprojektowany specjalnie dla urz\u0105dze\u0144 o ograniczonych zasobach, wykorzystuje sploty rozdzielne pod wzgl\u0119dem g\u0142\u0119boko\u015bci, aby znacz\u0105co zmniejszy\u0107 obliczenia przy jednoczesnym zachowaniu wysokiej dok\u0142adno\u015bci \u2014 co czyni go preferowan\u0105 architektur\u0105 wdro\u017ce\u0144 sztucznej inteligencji na smartfonach i urz\u0105dzeniach brzegowych w rolnictwie precyzyjnym.<\/p>\n Najnowsze badania wykroczy\u0142y poza standardowe sieci CNN i zmierzaj\u0105 w kierunku architektur, kt\u00f3re mog\u0105 uchwyci\u0107 bardziej odleg\u0142e zale\u017cno\u015bci przestrzenne w obrazach li\u015bci.<\/p>\n Vision Transformers (ViT)<\/strong> (sieci neuronowe stosuj\u0105ce mechanizm uwagi Transformer, pierwotnie opracowany do przetwarzania j\u0119zyka naturalnego, do fragment\u00f3w obrazu) wykaza\u0142y dobre wyniki w wykrywaniu chor\u00f3b ro\u015blin, gdy dost\u0119pna jest wystarczaj\u0105ca ilo\u015b\u0107 danych szkoleniowych.<\/p>\n W przeciwie\u0144stwie do sieci CNN, kt\u00f3re przetwarzaj\u0105 lokalne obszary obrazu za pomoc\u0105 splot\u00f3w, sieci ViT ucz\u0105 si\u0119 relacji pomi\u0119dzy wszystkimi fragmentami obrazu jednocze\u015bnie, co pozwala im wykrywa\u0107 wzorce rozproszone przestrzennie w ca\u0142ym li\u015bciu.<\/p>\n Hybrydy CNN oparte na uwadze<\/strong> po\u0142\u0105czenie mocy ekstrakcji lokalnych cech splot\u00f3w z mechanizmami uwagi, kt\u00f3re umo\u017cliwiaj\u0105 modelowi skupienie zasob\u00f3w przetwarzania na obszarach obrazu najbardziej istotnych z punktu widzenia choroby.<\/p>\n Opracowano lekk\u0105 platform\u0119 opart\u0105 na sieci syjamskiej do wykrywania chor\u00f3b pomidor\u00f3w Dok\u0142adno\u015b\u0107 96,97% w podzbiorze pomidor\u00f3w Plant Village<\/strong> na podstawie zaledwie ok. 2,96 mln parametr\u00f3w (Frontiers in Plant Science, 2025), co dowodzi, \u017ce wysoka dok\u0142adno\u015b\u0107 i wydajno\u015b\u0107 sprz\u0119tu nie wykluczaj\u0105 si\u0119 wzajemnie.<\/p>\n Modele uczenia si\u0119 zespo\u0142owego<\/strong> \u0141\u0105czenie prognoz z wielu niezale\u017cnie trenowanych architektur, u\u015brednianie lub g\u0142osowanie mi\u0119dzy nimi, aby uzyska\u0107 ostateczn\u0105 prognoz\u0119, kt\u00f3ra jest bardziej niezawodna ni\u017c jakikolwiek pojedynczy model. Wu i in. (2024) zastosowali ResNet50 z technikami rozszerzania funkcji, aby uzyska\u0107 lepsz\u0105 wydajno\u015b\u0107 klasyfikacji dzi\u0119ki temu podej\u015bciu.<\/p>\n Abdullah i in. (Agronomy, 2024) por\u00f3wnali YOLOv8s, YOLOv5 i Faster R-CNN w celu wykrywania chorych li\u015bci pomidor\u00f3w i stwierdzili, \u017ce YOLOv8s osi\u0105gn\u0105\u0142 \u015bredni\u0105 precyzj\u0119 (mAP) na poziomie 92.5%<\/strong>, przewy\u017cszaj\u0105c YOLOv5 na poziomie 89,1% i Faster R-CNN na poziomie 77,5%, a tak\u017ce wykazuj\u0105c wi\u0119ksz\u0105 szybko\u015b\u0107 wnioskowania i mniejszy rozmiar modelu.<\/p>\n W przypadku zastosowa\u0144 w terenie wymagaj\u0105cych wykrywania w czasie rzeczywistym modele klasy YOLOv8 oferuj\u0105 najlepsz\u0105 r\u00f3wnowag\u0119 mi\u0119dzy dok\u0142adno\u015bci\u0105 i szybko\u015bci\u0105 przetwarzania, dzi\u0119ki czemu doskonale nadaj\u0105 si\u0119 do monta\u017cu na dronach lub urz\u0105dzeniach brzegowych.<\/p>\n Wdro\u017ceniowy, inteligentny system wykrywania chor\u00f3b to co\u015b wi\u0119cej ni\u017c wyszkolony model. To kompleksowy proces, kt\u00f3ry przechodzi od przechwytywania surowych obraz\u00f3w do praktycznych zalece\u0144 dotycz\u0105cych leczenia chor\u00f3b.<\/p>\n G\u0142\u00f3wny proces sk\u0142ada si\u0119 z pi\u0119ciu kolejnych etap\u00f3w, z kt\u00f3rych ka\u017cdy przetwarza dane przed przekazaniem ich do nast\u0119pnego.<\/p>\n 1. Wej\u015bcie obrazu akceptuje surowe zdj\u0119cia li\u015bci z dowolnego \u017ar\u00f3d\u0142a \u2014 smartfona terenowego, kamery zamontowanej na bezza\u0142ogowym statku powietrznym (UAV) lub sta\u0142ej kamery w szklarni. Modu\u0142y obs\u0142ugi wej\u015bcia weryfikuj\u0105 rozdzielczo\u015b\u0107 obrazu i oznaczaj\u0105 niewyra\u017ane lub bezu\u017cyteczne zdj\u0119cia przed ich wej\u015bciem do procesu przetwarzania.<\/p>\n 2. Na etapie wst\u0119pnego przetwarzania stosowane s\u0105 kroki normalizacji, zmiany rozmiaru i poprawy jako\u015bci opisane w rozdziale 6.2, co zapewnia zgodno\u015b\u0107 danych wej\u015bciowych z formatem oczekiwanym przez wytrenowany model.<\/p>\n 3. Ekstrakcja cech przepuszcza wst\u0119pnie przetworzony obraz przez warstwy splotowe wytrenowanego modelu g\u0142\u0119bokiego uczenia. Na tym etapie model przekszta\u0142ca surowe dane pikselowe w zwart\u0105 reprezentacj\u0119 numeryczn\u0105 (wektor cech), kt\u00f3ra koduje istotne dla choroby cechy wizualne li\u015bcia.<\/p>\n 4. Klasyfikacja chor\u00f3b stosuje w pe\u0142ni po\u0142\u0105czone warstwy i funkcj\u0119 wyj\u015bciow\u0105 softmax do wektora cech, obliczaj\u0105c wynik prawdopodobie\u0144stwa dla ka\u017cdej kategorii choroby. Kategoria o najwy\u017cszym prawdopodobie\u0144stwie staje si\u0119 przewidywan\u0105 diagnoz\u0105.<\/p>\n 5. Dane wyj\u015bciowe wsparcia decyzyjnego przekszta\u0142caj\u0105 wynik klasyfikacji w praktyczne zalecenie: zidentyfikowan\u0105 nazw\u0119 choroby, poziom ufno\u015bci, sugerowane dzia\u0142anie zaradcze (celowany fungicyd, \u015brodek kontroli biologicznej, usuni\u0119cie zaatakowanych ro\u015blin) oraz dane georeferencyjne dotycz\u0105ce lokalizacji, je\u015bli obraz zosta\u0142 zarejestrowany przez urz\u0105dzenie wyposa\u017cone w GPS.<\/p>\n W rzeczywistym wdro\u017ceniu rolnik otwiera aplikacj\u0119 mobiln\u0105 i fotografuje dotkni\u0119ty li\u015b\u0107. Obraz jest albo przesy\u0142any do serwera w chmurze, na kt\u00f3rym dzia\u0142a model detekcji, albo przetwarzany lokalnie na urz\u0105dzeniu przez skompresowany model brzegowy.<\/p>\n W ci\u0105gu kilku sekund aplikacja zwraca diagnoz\u0119: \u201cWczesna zaraza ziemniaka \u2014 poziom pewno\u015bci 94%. Zalecane dzia\u0142anie: Zastosowa\u0107 fungicyd na bazie mankozebu w dawce 1,5 kg\/ha w strefie dotkni\u0119tej chorob\u0105.<\/p>\n Monitoruj s\u0105siednie ro\u015bliny przez nast\u0119pne 5 dni\u201d. Wynik georeferencyjny jest rejestrowany na cyfrowej mapie stanu zdrowia gospodarstwa, a je\u015bli ta sama choroba pojawi si\u0119 w kilku strefach, system sygnalizuje alert o podwy\u017cszonym ryzyku dla ca\u0142ego bloku pola.<\/p>\n Demilie (2024), recenzja 161 publikacji<\/strong> w zakresie wykrywania chor\u00f3b ro\u015blin na podstawie g\u0142\u0119bokiego uczenia si\u0119 ustalono, \u017ce pomidor by\u0142 ro\u015blin\u0105, kt\u00f3r\u0105 zbadano najlepiej we wszystkich badaniach, co stanowi 39% wszystkich publikacji<\/strong> \u2014 zasi\u0119g ponad dwukrotnie wi\u0119kszy ni\u017c zasi\u0119g drugiej najcz\u0119\u015bciej badanej uprawy (ry\u017c 16%), co potwierdza wyj\u0105tkowe po\u0142\u0105czenie znaczenia ekonomicznego z podatno\u015bci\u0105 na choroby w przypadku tej uprawy.<\/p>\n Dojrza\u0142o\u015b\u0107 bada\u0144 nad wykrywaniem chor\u00f3b pomidor\u00f3w oznacza, \u017ce praktycy mog\u0105 uzyska\u0107 dost\u0119p do szerokiej gamy sprawdzonych architektur i wst\u0119pnie wyszkolonych modeli, zamiast tworzy\u0107 je od podstaw.<\/p>\n Wyb\u00f3r w\u0142a\u015bciwej metody oceny jest r\u00f3wnie wa\u017cny jak wyb\u00f3r w\u0142a\u015bciwej architektury, szczeg\u00f3lnie w przypadku wykrywania chor\u00f3b, gdzie wyniki fa\u0142szywie negatywne (niewykrycie prawdziwej choroby) wi\u0105\u017c\u0105 si\u0119 z innymi kosztami ni\u017c wyniki fa\u0142szywie pozytywne (b\u0142\u0119dna identyfikacja zdrowego li\u015bcia jako chorego).<\/p>\n Dok\u0142adno\u015b\u0107<\/strong> Mierzy odsetek wszystkich trafnych prognoz. Jest to najcz\u0119\u015bciej raportowana metryka, ale mo\u017ce by\u0107 myl\u0105ca, gdy klasy chor\u00f3b s\u0105 niezr\u00f3wnowa\u017cone \u2014 model, kt\u00f3ry zawsze przewiduje \u201czdrowy\u201d w zbiorze danych ze zdrowymi obrazami 90%, osi\u0105ga dok\u0142adno\u015b\u0107 90%, b\u0119d\u0105c jednocze\u015bnie ca\u0142kowicie bezu\u017cytecznym w wykrywaniu chor\u00f3b.<\/p>\n Precyzja<\/strong> Mierzy, jaki odsetek wykrytych chor\u00f3b to prawdziwe przypadki pozytywne, rejestruj\u0105c wska\u017anik fa\u0142szywych alarm\u00f3w. Wysoka precyzja oznacza, \u017ce model rzadko generuje niepotrzebne zalecenia dotycz\u0105ce leczenia.<\/p>\n Przypomnienie (czu\u0142o\u015b\u0107)<\/strong> Mierzy, jaki u\u0142amek faktycznie chorych ro\u015blin zosta\u0142 prawid\u0142owo oznaczony. Wysoka czu\u0142o\u015b\u0107 oznacza, \u017ce model rzadko pomija rzeczywiste infekcje \u2014 wa\u017cniejszy wska\u017anik w zarz\u0105dzaniu chorobami.<\/p>\n Wynik F1<\/strong> to \u015brednia harmoniczna precyzji i trafno\u015bci, zapewniaj\u0105ca pojedyncz\u0105, zr\u00f3wnowa\u017con\u0105 miar\u0119, kt\u00f3ra karze modele po\u015bwi\u0119caj\u0105ce jedno na rzecz drugiego. Jest to preferowana metryka, gdy zar\u00f3wno wyniki fa\u0142szywie dodatnie, jak i fa\u0142szywie ujemne wi\u0105\u017c\u0105 si\u0119 ze znacz\u0105cymi kosztami.<\/p>\n Specyficzno\u015b\u0107<\/strong> mierzy dok\u0142adno\u015b\u0107, z jak\u0105 model identyfikuje naprawd\u0119 zdrowe li\u015bcie jako zdrowe, co ma znaczenie dla zapobiegania zb\u0119dnemu stosowaniu pestycyd\u00f3w w uprawach wolnych od chor\u00f3b.<\/p>\n Ten Macierz pomy\u0142ek<\/strong> pokazuje pe\u0142ne zestawienie prognoz we wszystkich klasach, ujawniaj\u0105c, kt\u00f3re pary chor\u00f3b s\u0105 najcz\u0119\u015bciej mylone \u2014 jest to kluczowa informacja do udoskonalania danych szkoleniowych lub architektury modelu.<\/p>\n Ten ROC-AUC (Charakterystyka pracy odbiornika \u2014 obszar pod krzyw\u0105)<\/strong> mierzy og\u00f3ln\u0105 rozr\u00f3\u017cnialno\u015b\u0107 modelu w obr\u0119bie wszystkich prog\u00f3w klasyfikacji, przy czym warto\u015b\u0107 1,0 oznacza doskona\u0142\u0105 rozr\u00f3\u017cnialno\u015b\u0107, a 0,5 oznacza wydajno\u015b\u0107 na poziomie szans.<\/p>\n Przeniesienie modelu o wysokiej dok\u0142adno\u015bci z notatnika badawczego do dzia\u0142aj\u0105cego systemu farmy wymaga rozwi\u0105zania innego zestawu problem\u00f3w ni\u017c trenowanie modelu. \u015arodowiska wdro\u017ceniowe maj\u0105 ograniczenia sprz\u0119towe, ograniczenia \u0142\u0105czno\u015bci i wymagania dotycz\u0105ce op\u00f3\u017anie\u0144, kt\u00f3re kszta\u0142tuj\u0105 wyb\u00f3r architektury i infrastruktury.<\/p>\n Aplikacje na smartfony stanowi\u0105 najbardziej dost\u0119pn\u0105 \u015bcie\u017ck\u0119 wdra\u017cania dla drobnych i \u015brednich rolnik\u00f3w. Aplikacje oparte na modelach MobileNet lub EfficientNet-Lite przeprowadzaj\u0105 wnioskowanie w ca\u0142o\u015bci na urz\u0105dzeniu, nie wymagaj\u0105c po\u0142\u0105czenia z internetem w momencie przechwytywania.<\/p>\n Model o najwy\u017cszej dok\u0142adno\u015bci jest bezu\u017cyteczny w rolnictwie precyzyjnym, je\u015bli nie mo\u017cna go uruchomi\u0107 na urz\u0105dzeniu, kt\u00f3re rolnik ju\u017c ma w kieszeni.<\/p><\/blockquote>\n Ma to ogromne znaczenie dla gospodarstw na obszarach wiejskich lub w regionach o s\u0142abej \u0142\u0105czno\u015bci. Rolnik fotografuje podejrzany li\u015b\u0107, otrzymuje prognoz\u0119 choroby w ci\u0105gu 1-3 sekund i rejestruje wynik w bazie danych, kt\u00f3ra agreguje dane dotycz\u0105ce stanu zdrowia z ca\u0142ego gospodarstwa w ci\u0105gu sezonu wegetacyjnego.<\/p>\n Sztuczna inteligencja kraw\u0119dziowa<\/strong> (uruchamianie wnioskowania AI bezpo\u015brednio na sprz\u0119cie znajduj\u0105cym si\u0119 w punkcie gromadzenia danych, zamiast wysy\u0142ania danych do zdalnego serwera) rozwi\u0105zuje problemy z op\u00f3\u017anieniami i \u0142\u0105czno\u015bci\u0105 w detekcji w chmurze. Dedykowane urz\u0105dzenia brzegowe, takie jak seria NVIDIA Jetson czy akceleratory Coral TPU firmy Google, mog\u0105 przetwarza\u0107 skompresowane modele CNN z szybko\u015bci\u0105 ponad 30 klatek na sekund\u0119, umo\u017cliwiaj\u0105c ci\u0105g\u0142y monitoring li\u015bci w czasie rzeczywistym z kamer stacjonarnych zamontowanych na szynach szklarni lub konstrukcjach nawadniaj\u0105cych pola.<\/p>\n Techniki kompresji modelu \u2014 kwantyzacja (zmniejszanie precyzji numerycznej wag modelu), przycinanie (usuwanie po\u0142\u0105cze\u0144 sieciowych o niskim znaczeniu) i destylacja wiedzy (uczenie ma\u0142ego modelu, aby na\u015bladowa\u0142 du\u017cy) \u2014 umo\u017cliwiaj\u0105 to bez po\u015bwi\u0119cania akceptowalnej dok\u0142adno\u015bci.<\/p>\n W przypadku gospodarstw o powierzchni przekraczaj\u0105cej 20\u201330 hektar\u00f3w, inspekcja naziemna nie jest w stanie zapewni\u0107 zasi\u0119gu przestrzennego niezb\u0119dnego do wykrycia ognisk chor\u00f3b, zanim si\u0119 rozprzestrzeni\u0105. Systemy bezza\u0142ogowe (UAV) wyposa\u017cone w kamery multispektralne rejestruj\u0105 sygnatury stresu chorobowego na poziomie ca\u0142ego pola.<\/p>\n Zarejestrowane obrazy s\u0105 przesy\u0142ane do pok\u0142adowego procesora brzegowego lub transmitowane do stacji naziemnej, gdzie model wykrywania identyfikuje strefy zainfekowane i generuje map\u0119 georeferencyjn\u0105 nak\u0142adan\u0105 na cyfrowe dane dotycz\u0105ce dzia\u0142ki farmy.<\/p>\n Przesuwa to zarz\u0105dzanie chorob\u0105 z reaktywnego (reagowanie po tym, jak objawy stan\u0105 si\u0119 oczywiste) na proaktywne podej\u015bcie przestrzenne (reagowanie na okre\u015blone wsp\u00f3\u0142rz\u0119dne pola, gdzie wykryto wczesny stres).<\/p>\n W tej dziedzinie poczyniono znaczne post\u0119py, jednak uczciwa ocena pozosta\u0142ych wyzwa\u0144 zapobiega nadmiernej pewno\u015bci siebie przy podejmowaniu decyzji o rozmieszczeniu si\u0142.<\/p>\n Ograniczone zestawy danych terenowych<\/strong> Pozostaj\u0105 najpowszechniejszym problemem. Wi\u0119kszo\u015b\u0107 modeli o wysokiej dok\u0142adno\u015bci jest trenowana i oceniana w systemie PlantVillage, kt\u00f3ry wykorzystuje obrazy pojedynczych li\u015bci z kontrolowanym o\u015bwietleniem i czystym t\u0142em. Rzeczywista wydajno\u015b\u0107 w terenie znacznie spada, gdy te same modele s\u0105 por\u00f3wnywane ze z\u0142o\u017conymi, wieloelementowymi obrazami wykonanymi w zmiennych warunkach o\u015bwietleniowych.<\/p>\n Zmiany warunk\u00f3w o\u015bwietleniowych<\/strong> \u2014 bezpo\u015brednie \u015bwiat\u0142o s\u0142oneczne powoduj\u0105ce odbicia lustrzane na powierzchni li\u015bci, rozproszone \u015bwiat\u0142o w zachmurzeniu sp\u0142aszczaj\u0105ce faktur\u0119 lub cie\u0144 rzucany przez korony ro\u015blin \u2014 zmieniaj\u0105 widoczny kolor i faktur\u0119 zmian w spos\u00f3b, kt\u00f3ry mo\u017ce obni\u017cy\u0107 klasyfikacj\u0119 o 5\u201315 punkt\u00f3w procentowych w por\u00f3wnaniu z warunkami kontrolowanymi.<\/p>\n Z\u0142o\u017cono\u015b\u0107 t\u0142a<\/strong> W obrazach terenowych wprowadzane s\u0105 nieistotne informacje wizualne. Gleba, \u015bci\u00f3\u0142ka, linie nawadniaj\u0105ce, owoce i inne li\u015bcie mog\u0105 pojawia\u0107 si\u0119 w tej samej ramce obrazu co chory li\u015b\u0107, a modele nieuczone na z\u0142o\u017conym tle cz\u0119sto myl\u0105 elementy t\u0142a z cechami choroby.<\/p>\n Wiele chor\u00f3b<\/strong> Na pojedynczym li\u015bciu stanowi\u0105 wyzwanie klasyfikacyjne, z kt\u00f3rym wi\u0119kszo\u015b\u0107 modeli jednoznacznych nie jest w stanie sobie poradzi\u0107. Li\u015b\u0107, w kt\u00f3rym jednocze\u015bnie wyst\u0119puje ekspresja plamisto\u015bci bakteryjnej i wczesnej zarazy ro\u015blinnej, wymaga mo\u017cliwo\u015bci klasyfikacji wieloznacznikowej, co zwi\u0119ksza z\u0142o\u017cono\u015b\u0107 uczenia i wymagania dotycz\u0105ce adnotacji zbioru danych.<\/p>\n Nier\u00f3wnowaga klasowa<\/strong> w zestawach danych szkoleniowych \u2014 znacznie wi\u0119cej obraz\u00f3w powszechnych chor\u00f3b, takich jak wczesna zaraza ziemniaka, ni\u017c rzadkich, takich jak wirus mozaiki \u2014 powoduje, \u017ce modele s\u0105 zbyt pewne siebie w przypadku cz\u0119stych klas i ma\u0142o wiarygodne w przypadku klas s\u0142abiej reprezentowanych.<\/p>\n Interpretowalno\u015b\u0107 modelu<\/strong> stanowi istotn\u0105 barier\u0119 dla zaufania na poziomie gospodarstwa. Kiedy model klasyfikuje li\u015b\u0107 jako chory z 97%, wi\u0119kszo\u015b\u0107 rolnik\u00f3w i agronom\u00f3w chce zrozumie\u0107, kt\u00f3re cechy wizualne wp\u0142yn\u0119\u0142y na t\u0119 decyzj\u0119, zanim zastosuje si\u0119 do rekomendacji.<\/p>\n Badania naukowe rozwijaj\u0105 si\u0119 r\u00f3wnocze\u015bnie na wielu p\u0142aszczyznach, zajmuj\u0105c si\u0119 r\u00f3\u017cnymi aspektami opisanego powy\u017cej wyzwania.<\/p>\n 1. Wyja\u015bnialna sztuczna inteligencja (XAI)<\/strong> Narz\u0119dzia \u2014 szczeg\u00f3lnie Grad-CAM (Gradient-weighted Class Activation Mapping), kt\u00f3ry tworzy nak\u0142adki map cieplnych pokazuj\u0105ce, na kt\u00f3rych obszarach obrazu li\u015bcia skupi\u0142 si\u0119 model podczas podejmowania decyzji \u2014 bezpo\u015brednio rozwi\u0105zuj\u0105 problem interpretowalno\u015bci.<\/p>\n Wizualizacja Grad-CAM pokazuj\u0105ca, \u017ce uwaga modelu skupiona jest na ciemnym pier\u015bcieniu zmian, stanowi form\u0119 uzasadnienia, kt\u00f3r\u0105 agronomowie mog\u0105 oceni\u0107 i kt\u00f3rej mog\u0105 zaufa\u0107.<\/p>\n 2. Transformatory wizyjne (ViT)<\/strong> nadal zyskuj\u0105 na popularno\u015bci w wykrywaniu chor\u00f3b pomidor\u00f3w, gdy\u017c strategie wst\u0119pnego szkolenia ulegaj\u0105 udoskonaleniu, a wymagania dotycz\u0105ce danych do precyzyjnego dostrajania ViT malej\u0105.<\/p>\n Ich zdolno\u015b\u0107 do wychwytywania globalnych wzorc\u00f3w na poziomie li\u015bcia, a nie tylko cech lokalnych, sprawia, \u017ce s\u0105 one szczeg\u00f3lnie obiecuj\u0105ce w wykrywaniu chor\u00f3b wirusowych, kt\u00f3re wp\u0142ywaj\u0105 na ca\u0142\u0105 powierzchni\u0119 li\u015bcia, a nie powoduj\u0105 lokalnych zmian.<\/p>\n 3. Uczenie federacyjne<\/strong> rozwi\u0105zuje problem zbior\u00f3w danych terenowych, umo\u017cliwiaj\u0105c wsp\u00f3lne trenowanie modeli w wielu gospodarstwach bez konieczno\u015bci centralizacji poufnych danych.<\/p>\n Ka\u017cda farma trenuje model lokalny na w\u0142asnych obrazach, a w celu ulepszenia centralnego modelu globalnego udost\u0119pniane s\u0105 tylko aktualizacje parametr\u00f3w modelu (a nie same obrazy). Zapewnia to prywatno\u015b\u0107 danych rolnik\u00f3w, a jednocze\u015bnie znacz\u0105co zwi\u0119ksza r\u00f3\u017cnorodno\u015b\u0107 danych treningowych.<\/p>\n Precyzyjne zarz\u0105dzanie chorobami nie b\u0119dzie zale\u017ce\u0107 od dok\u0142adno\u015bci pojedynczego modelu \u2014 b\u0119dzie zale\u017ce\u0107 od inteligencji systemu \u0142\u0105cz\u0105cego wykrywanie, podejmowanie decyzji i dzia\u0142anie.<\/p><\/blockquote>\n 4. Samodzielne uczenie si\u0119<\/strong> Wst\u0119pnie trenuje modele na du\u017cych zbiorach nieoznakowanych obraz\u00f3w ro\u015blin, aby nauczy\u0107 si\u0119 og\u00f3lnych reprezentacji wizualnych, a nast\u0119pnie dostraja je na ma\u0142ych, oznakowanych zbiorach danych chor\u00f3b. Zmniejsza to obci\u0105\u017cenie adnotacjami i umo\u017cliwia tworzenie wysokiej jako\u015bci modeli dla kategorii chor\u00f3b, w kt\u00f3rych oznakowane przyk\u0142ady s\u0105 rzadkie.<\/p>\n 5. Multimodalne wykrywanie chor\u00f3b<\/strong> Integruje dane z obrazu li\u015bcia z odczytami czujnik\u00f3w spektralnych, danymi ze stacji meteorologicznych i historycznymi zapisami chor\u00f3b, tworz\u0105c ujednolicony model danych wej\u015bciowych. Po\u0142\u0105czenie danych wizualnych i \u015brodowiskowych mo\u017ce zwi\u0119kszy\u0107 wydajno\u015b\u0107 detekcji poza mo\u017cliwo\u015bci samych danych obrazowych, szczeg\u00f3lnie w przypadku chor\u00f3b, kt\u00f3rych objawy wizualne s\u0105 poprzedzone zmianami biochemicznymi wykrywalnymi w sygnaturach spektralnych.<\/p>\n Przej\u015bcie z modeli badawczych o wysokiej dok\u0142adno\u015bci na niezawodne wdro\u017cenie na poziomie gospodarstwa rolnego wymaga skoncentrowanej pracy na kilku frontach.<\/p>\n Walidacja wdro\u017cenia w warunkach rzeczywistych<\/strong> Aby rzetelnie scharakteryzowa\u0107 r\u00f3\u017cnic\u0119 w wydajno\u015bci mi\u0119dzy wykrywaniem warunk\u00f3w kontrolowanych i warunk\u00f3w polowych, konieczne jest przeprowadzenie analiz obejmuj\u0105cych r\u00f3\u017cne obszary geograficzne i systemy rolnicze \u2014 nie tylko testy PlantVillage.<\/p>\n Solidna detekcja na poziomie pola<\/strong> b\u0119dzie wymaga\u0107 specjalnie przygotowanych zestaw\u00f3w danych terenowych, gromadzonych w ci\u0105gu wielu sezon\u00f3w wegetacyjnych, w wielu krajach, wraz z systematyczn\u0105 dokumentacj\u0105 warunk\u00f3w pogodowych w momencie wykonywania zdj\u0119cia.<\/p>\n Integracja z IoT i inteligentn\u0105 infrastruktur\u0105 rolnicz\u0105<\/strong> \u2014 bezpo\u015brednie po\u0142\u0105czenie alert\u00f3w o wykryciu chor\u00f3b z systemami automatycznego nawadniania i fertygacji, platformami do oprysk\u00f3w dronami i oprogramowaniem do zarz\u0105dzania gospodarstwem \u2014 zamknie p\u0119tl\u0119 mi\u0119dzy wykrywaniem chor\u00f3b a podejmowaniem dzia\u0142a\u0144.<\/p>\n Prognozowanie chor\u00f3b predykcyjnych,<\/strong> po\u0142\u0105czenie bie\u017c\u0105cych danych dotycz\u0105cych wykrywania chor\u00f3b z modelami prognozowania pogody i historycznymi wzorcami rozprzestrzeniania si\u0119 chor\u00f3b spowoduje zmian\u0119 paradygmatu z reaktywnego wykrywania na wyprzedzaj\u0105ce zarz\u0105dzanie: zalecanie dzia\u0142a\u0144 zapobiegawczych przed pojawieniem si\u0119 objaw\u00f3w.<\/p>\n Autonomiczne systemy rolnicze<\/strong> \u2014 Floty bezza\u0142ogowych statk\u00f3w powietrznych, kt\u00f3re prowadz\u0105 ci\u0105g\u0142y nadz\u00f3r nad polami, wyznaczaj\u0105 strefy wyst\u0119powania chor\u00f3b i wsp\u00f3\u0142pracuj\u0105 z automatycznymi opryskiwaczami bez ingerencji cz\u0142owieka \u2014 stanowi\u0105 horyzont, w kierunku kt\u00f3rego zmierza wsp\u00f3\u0142czesna technologia rolnictwa precyzyjnego.<\/p>\n Inteligentne wykrywanie chor\u00f3b li\u015bci pomidora z wykorzystaniem g\u0142\u0119bokiego uczenia nie jest ju\u017c technologi\u0105 eksperymentaln\u0105. To dojrza\u0142a, dobrze sprawdzona aplikacja, kt\u00f3rej rosn\u0105ca liczba recenzowanych dowod\u00f3w naukowych potwierdza jej zdolno\u015b\u0107 do dok\u0142adnego, szybkiego i przyst\u0119pnego cenowo identyfikowania chor\u00f3b pomidor\u00f3w. Od podstawowych modeli CNN trenowanych na zbiorze danych PlantVillage, po hybrydowe architektury oparte na uwadze, osi\u0105gaj\u0105ce dok\u0142adno\u015b\u0107 99%+, mo\u017cliwo\u015bci techniczne przewy\u017cszaj\u0105 obecnie infrastruktur\u0119 wdro\u017ceniow\u0105 dost\u0119pn\u0105 dla wi\u0119kszo\u015bci gospodarstw rolnych.<\/p>\n Droga naprz\u00f3d jest jasna. Systemy rolnictwa precyzyjnego, integruj\u0105ce detekcj\u0119 chor\u00f3b opart\u0105 na obrazach z sieciami czujnik\u00f3w IoT, nadzorem bezza\u0142ogowych statk\u00f3w powietrznych (UAV) i predykcyjnymi modelami pogody, zdefiniuj\u0105 konkurencyjno\u015b\u0107 produkcji pomidor\u00f3w w tej dekadzie. Rynek sztucznej inteligencji w rolnictwie precyzyjnym ro\u015bnie w szybkim tempie. CAGR 15,1%<\/strong> bliski $12,7 miliarda do 2034 roku<\/strong> sygnalizuje, \u017ce inwestycja ta jest ju\u017c realizowana na du\u017c\u0105 skal\u0119.<\/p>","protected":false},"excerpt":{"rendered":" Inteligentne wykrywanie chor\u00f3b li\u015bci pomidor\u00f3w znajduje si\u0119 na przeci\u0119ciu dw\u00f3ch pot\u0119\u017cnych si\u0142 zmieniaj\u0105cych globalne rolnictwo: ci\u0119\u017caru ekonomicznego samych upraw pomidor\u00f3w oraz\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":"\n![\"Dlaczego](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Why-Tomato-Cultivation-and-Disease-Detection-Matter.png?resize=564%2C564&ssl=1\")
<\/p>\nChoroby li\u015bci pomidora: przegl\u0105d prac detekcyjnych<\/h2>\n
1. Cz\u0119ste choroby li\u015bci pomidora i ich czynniki sprawcze<\/h3>\n
2. Objawy choroby i wyzwanie zwi\u0105zane z wykrywaniem rdzenia<\/h3>\n
\n
Kluczowa rola wczesnego wykrywania chor\u00f3b w zarz\u0105dzaniu uprawami<\/h2>\n
\n
Precyzyjne rolnictwo i inteligentne systemy monitorowania chor\u00f3b<\/h2>\n
1. Podstawowe koncepcje rolnictwa precyzyjnego<\/h3>\n
2. Technologie monitorowania chor\u00f3b w nowoczesnym rolnictwie precyzyjnym<\/h3>\n
![\"Technologie](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Disease-Monitoring-Technologies-in-Modern-Precision-Farming.png?resize=540%2C540&ssl=1\")
<\/p>\nG\u0142\u0119bokie uczenie si\u0119 w wykrywaniu chor\u00f3b li\u015bci pomidora<\/h2>\n
1. Podstawy g\u0142\u0119bokiego uczenia si\u0119 w klasyfikacji obraz\u00f3w<\/h3>\n
![\"G\u0142\u0119bokie](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Deep-Learning-for-Tomato-Leaf-Disease-Detection.png?resize=563%2C563&ssl=1\")
<\/p>\n2. Dlaczego g\u0142\u0119bokie uczenie si\u0119 przewy\u017csza tradycyjne metody<\/h3>\n
\n
Wykorzystanie Geopard Agriculture w wykrywaniu chor\u00f3b na rzeczywistych polach<\/h2>\n
Co oferuje Geopard w zakresie zwalczania chor\u00f3b pomidor\u00f3w<\/h3>\n
\n
Mobilne wykonywanie zada\u0144, raportowanie i alerty alarmowe<\/h3>\n
![\"Wykorzystanie](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Use-of-Geopard-Agriculture-in-Disease-Detection-for-Real-Fields.png?resize=580%2C580&ssl=1\")
<\/p>\nPrzygotowanie zbioru danych do fundament\u00f3w modelu wykrywania<\/h2>\n
1. \u0179r\u00f3d\u0142a pozyskiwania obrazu<\/h3>\n
2. Etapy wst\u0119pnego przetwarzania danych<\/h3>\n
\n
3. Adnotacja i etykietowanie zbioru danych<\/h3>\n
Architektury g\u0142\u0119bokiego uczenia wykorzystywane do wykrywania chor\u00f3b pomidor\u00f3w<\/h2>\n
1. Standardowe sieci neuronowe splotowe<\/h3>\n
2. Transfer wiedzy z wykorzystaniem wst\u0119pnie wyszkolonych architektur<\/h3>\n
3. Modele hybrydowe i zaawansowane<\/h3>\n
![\"Architektury](\"https:\/\/i0.wp.com\/geopard.tech\/wp-content\/uploads\/2026\/06\/Deep-Learning-Architectures-Used-for-Tomato-Disease-Detection.png?resize=605%2C605&ssl=1\")
<\/p>\nInteligentne ramy wykrywania chor\u00f3b<\/h2>\n
1. Architektura systemu<\/h3>\n
2. Przebieg pracy kompletnego systemu detekcji w praktyce<\/h3>\n
Metryki oceny wydajno\u015bci<\/h2>\n
Wykrywanie chor\u00f3b pomidor\u00f3w w czasie rzeczywistym: wdro\u017cenie<\/h2>\n
1. Aplikacje na smartfony do mobilnej diagnostyki chor\u00f3b<\/h3>\n
2. Wdra\u017canie sztucznej inteligencji na kraw\u0119dzi sieci: wnioskowanie na urz\u0105dzeniu<\/h3>\n
3. Systemy monitoringu oparte na dronach do nadzoru gospodarstw rolnych na du\u017c\u0105 skal\u0119<\/h3>\n
Wyzwania w zakresie wykrywania chor\u00f3b opartego na uczeniu g\u0142\u0119bokim<\/h2>\n
Najnowsze post\u0119py w inteligentnym wykrywaniu chor\u00f3b<\/h2>\n
Przysz\u0142e kierunki bada\u0144: czego jeszcze potrzebuje ta dziedzina<\/h2>\n
Wniosek<\/h2>\n