Роль приложений глубокого обучения компьютерного зрения для раннего обнаружения болезней растений

Болезни растений угрожают глобальной продовольственной безопасности, ежегодно уничтожая 10-16% урожая и нанося сельскохозяйственной отрасли убытки в размере $220 миллиардов. Традиционные методы, такие как ручные проверки и лабораторные анализы, медленны, дороги и зачастую ненадежны.

Новаторское исследование 2025 года, “Глубокое обучение и компьютерное зрение в обнаружении болезней растений” (Upadhyay et al.) рассказывает о том, как искусственный интеллект для обнаружения болезней растений и компьютерное зрение в сельском хозяйстве преобразуют фермерство.

Почему раннее обнаружение болезней растений важно для глобальной продовольственной безопасности

В сельском хозяйстве занято 28% мировой рабочей силы, а такие страны, как Индия, Китай и США, лидируют в производстве сельскохозяйственных культур. Несмотря на это, болезни растений, вызываемые грибками, бактериями и вирусами, снижают урожайность и создают нагрузку на экономику.

Например, заболевание риса взрывной болезнью снижает урожай на 30-50% в пострадавших регионах, а озеленение цитрусовых уничтожило 70% апельсиновых рощ во Флориде с 2005 года. Раннее обнаружение имеет решающее значение, но многие фермеры не имеют доступа к современным инструментам и опыту.

Именно здесь на помощь приходит система обнаружения заболеваний на основе искусственного интеллекта, предлагающая быстрые, доступные и точные решения, превосходящие традиционные методы.

Как искусственный интеллект и компьютерное зрение обнаруживают болезни сельскохозяйственных культур

Авторы исследования проанализировали 278 научных работ, чтобы объяснить, как работают системы обнаружения болезней растений с помощью искусственного интеллекта. Сначала камеры или датчики делают снимки сельскохозяйственных культур. Затем эти изображения обрабатываются с помощью алгоритмов для выявления признаков заболевания.

Например, RGB-камеры Цветные фотографии позволяют выявить видимые симптомы, например, пятна на листьях, а гиперспектральные камеры обнаруживают скрытые сигналы стресса, анализируя сотни длин волн света.

После получения изображений они подвергаются предварительной обработке для улучшения качества. Такие методы, как пороговое выделение, позволяют выделить больные участки по цвету, а определение краев определяет границы поражения или обесцвечивания.

Далее модели глубокого обучения анализируют предварительно обработанные данные. Конволюционные нейронные сети (CNN), Наиболее распространенные инструменты искусственного интеллекта в сельском хозяйстве сканируют изображения слой за слоем, чтобы выявить закономерности, например, необычные текстуры или цвета.

В испытании 2022 года, ResNet50-Популярная модель CNN достигла точности 99,07% при диагностике болезней томатов.

Тем временем, Трансформаторы видения (ViTs) Разделите изображение на участки и изучите их взаимосвязь, подражая тому, как человек анализирует контекст. В исследовании 2020 года этот подход помог обнаружить вирус, очищающий жилки виноградной лозы, с точностью 71%.

“Будущее сельского хозяйства - не в замене людей, а в оснащении их интеллектуальными инструментами”.”

Роль передовых датчиков в современном сельском хозяйстве

Различные датчики обеспечивают уникальные преимущества для точного земледелия. RGB-камеры, Несмотря на доступность и простоту использования, они с трудом справляются с заболеваниями на ранних стадиях из-за ограниченной детализации спектра. В отличие от них, гиперспектральные камеры Захватывают данные в сотнях длин световых волн, выявляя сигналы стресса, невидимые невооруженным глазом.

Например, в 2022 году исследователи использовали гиперспектральную съемку для диагностики яблонной язвы с точностью 98%. Однако эти камеры стоят $10,000–$50 000, что делает их слишком дорогими для мелких фермеров.

Тепловизионные камеры В этом исследовании представлен другой угол зрения - измерение изменений температуры, вызванных инфекциями. Исследование 2019 года показало, что листья, зараженные цитрусовым озеленением, демонстрируют отчетливые тепловые паттерны, что позволяет обнаружить их на ранней стадии.

Тем временем, мультиспектральные камеры-Средний вариант - отслеживание уровня хлорофилла для оценки состояния растений.

В 2014 году с помощью этих датчиков было проведено картирование полосатой ржавчины пшеницы, что помогло фермерам более эффективно проводить обработку. Несмотря на их преимущества, стоимость датчиков и факторы окружающей среды, такие как ветер или неравномерное освещение, остаются проблемами.

Публичные наборы данных: Основа сельскохозяйственного ИИ

Для обучения надежных моделей ИИ требуются огромные объемы маркированных данных. Сайт Набор данных PlantVillage, бесплатный ресурс, содержащий 87 000 изображений 14 культур и 26 болезней, стал золотым стандартом для исследователей.

Более 90% исследований, приведенных в статье, использовали этот набор данных для обучения и тестирования своих моделей. Еще один ключевой ресурс - Набор данных по болезням кассавы, Включает 11 670 изображений мозаичной болезни маниоки и достигает точности 96% с помощью CNN-моделей.

Однако пробелы все еще остаются. Для таких редких заболеваний, как нематода остриц, существует менее 100 помеченных изображений, что ограничивает возможности ИИ по их выявлению. Кроме того, большинство наборов данных содержат изображения, полученные в лабораторных условиях, которые не учитывают такие переменные реального мира, как погода или освещение.

Для решения этой проблемы такие проекты, как AI4Ag, привлекают краудсорсинг снимков полей, полученных от фермеров со всего мира, с целью создания более надежных и реалистичных наборов данных.

Измерение эффективности ИИ: Точность, точность и не только

Исследователи используют несколько показателей для оценки систем обнаружения болезней растений с помощью ИИ. Точность-процент правильных диагнозов - варьируется от 76.9% в ранних моделях на 99,97% в передовых системах, таких как EfficientNet-B5.

Однако одна лишь точность может ввести в заблуждение. Точность измеряет, сколько отмеченных заболеваний являются реальными (исключая ложные тревоги), в то время как отзыв отслеживает, сколько реальных инфекций было обнаружено.

Например, Маска R-CNN, Модель обнаружения объектов позволила получить 93,5% отзыва при обнаружении антракноза клубники, но только 45% точности при обнаружении корневой гнили хлопка.

Сайт F1-Score балансирует между точностью и запоминанием, обеспечивая целостную картину производительности. В испытании 2023 года, PlantViT-Гибридная модель искусственного интеллекта набрала 98,61% F1-Score на наборе данных PlantVillage.

Для обнаружения объектов, Средняя точность (mAP) имеет решающее значение. Более быстрый R-CNN, Популярная модель достигла 73,07% mAP в испытаниях на болезни яблок, что означает, что она правильно находила и классифицировала инфекции в большинстве случаев.

Проблемы, сдерживающие применение искусственного интеллекта в сельском хозяйстве

Несмотря на свой потенциал, выявление заболеваний с помощью ИИ сталкивается с трудностями. Во-первых, нехватка данных является проблемой для редких и новых заболеваний.

• Например, для исследования 2021 года было доступно только 20 изображений мучнистой росы огурцов, что ограничило надежность модели.
• Во-вторых, такие факторы окружающей среды, как ветер, тень или переменная освещенность, снижают точность полевых измерений на 20-30% по сравнению с лабораторными условиями.
• В-третьих, высокая стоимость препятствует внедрению. Гиперспектральные камеры, хотя и являются мощными, остаются недоступными для мелких фермеров, а инструменты искусственного интеллекта требуют наличия смартфонов или доступа в Интернет, что по-прежнему является препятствием в сельских районах.
• Наконец, сохраняется проблема доверия. По данным исследования 2023 года, 68% фермеров не решаются внедрять ИИ из-за его “черной коробки” - они не могут видеть, как принимаются решения.

Чтобы решить эту проблему, исследователи разрабатывают интерпретируемый ИИ, который объясняет диагнозы простыми словами, например, выделяя зараженные участки листьев или перечисляя симптомы.

Будущее фермерства: 5 инноваций, за которыми стоит следить

1. Пограничные вычисления для анализа в реальном времени: Легкие модели ИИ, такие как MobileNetV2 (размер 7 МБ), работают на смартфонах или дронах, позволяя обнаруживать болезни в режиме реального времени без интернета. В 2023 году эта модель достигла точности 99,42% при классификации болезней картофеля, что позволило фермерам принимать мгновенные решения.

2. Трансферное обучение для более быстрой адаптации: Предварительно обученные модели, такие как PlantViT, могут быть точно настроены для новых культур с минимальным количеством данных. В исследовании 2023 года PlantViT была адаптирована для обнаружения взрывов на рисе и достигла точности 87,87%, используя всего 1 000 изображений.

3. Зрительно-языковые модели (ЗЯМ): Системы, подобные CLIP от OpenAI, позволяют фермерам запрашивать ИИ с помощью текста (например, “Найти коричневые пятна на листьях”). Это естественное взаимодействие устраняет разрыв между сложными технологиями и повседневным сельским хозяйством.

4. Базовые модели для ИИ общего назначения: Большие модели, такие как GPT-4, могут имитировать распространение болезней или рекомендовать лечение, выступая в роли виртуальных агрономов.

5. Совместные глобальные базы данных: Платформы с открытым исходным кодом, такие как PlantVillage и AI4Ag, объединяют данные фермеров и исследователей со всего мира, ускоряя инновации.

Тематическое исследование: Выращивание манго в Индии с помощью искусственного интеллекта

В 2024 году исследователи разработали легкую модель DenseNet для борьбы с такими болезнями манго, как антракноз и мучнистая роса. Обученная на 12 332 изображениях полей, модель достигла точности 99,2% - выше, чем у большинства лабораторных систем.

С меньшим количеством параметров 50% он прекрасно работает на бюджетных смартфонах. Индийские фермеры используют приложение $10, созданное на основе этого ИИ, для сканирования листьев и получения мгновенных диагнозов, что позволяет сократить использование пестицидов на 30% и сохранить урожай.

Заключение

Технологии обнаружения болезней растений с помощью искусственного интеллекта и точного земледелия меняют систему ведения сельского хозяйства, давая надежду на борьбу с отсутствием продовольственной безопасности. Благодаря ранней диагностике, сокращению использования химикатов и расширению возможностей мелких фермеров эти инструменты могут повысить урожайность в мире на 20-30%.

Чтобы реализовать этот потенциал, заинтересованные стороны должны решить проблему стоимости датчиков, улучшить разнообразие данных и укрепить доверие фермеров с помощью обучения.

Ссылка: Upadhyay, A., Chandel, N.S., Singh, K.P. et al. Deep learning and computer vision in plant disease detection: a comprehensive review of techniques, models, and trends in precision agriculture. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x