Интеллектуальное обнаружение болезней листьев томата в точном земледелии

Интеллектуальная система обнаружения болезней листьев томатов находится на стыке двух мощных сил, меняющих мировое сельское хозяйство: экономического значения самой культуры томатов и быстрого развития технологий компьютерного зрения. Томаты — самая распространенная овощная культура в мире, ее производство охватывает более 5 миллионов гектаров в более чем 170 странах.

Потери от болезней листьев ежегодно снижают урожайность на значительную часть из-за самих болезней, а традиционный визуальный осмотр, проводимый работниками фермы, слишком медленный, непостоянный и слишком дорогостоящий для масштабирования. Точное земледелие, основанное на искусственном интеллекте, предлагает лучший путь. В этом руководстве рассматривается весь спектр интеллектуального обнаружения болезней листьев томата, от фундаментальной биологии до передовых архитектурных решений.

Почему важны выращивание томатов и выявление болезней

Помидор (Solanum lycopersicumТомат является наиболее изученной овощной культурой в фитопатологии, и экономическое обоснование такой направленности очевидно. Мировое производство томатов достигло 186 миллионов метрических тонн в 2024 году, при участии Китая 37% от общего объема производства.

Эта культура поставляется в пищевую промышленность, на рынки свежих продуктов и в приусадебные участки по всем континентам. Только в Соединенных Штатах, по данным Центра исследований сельскохозяйственного маркетинга, стоимость продукции из помидоров для продажи на свежем рынке в 2023 году превысила несколько миллиардов долларов.

Болезни листьев представляют собой основную угрозу для урожайности томатов. По оценкам Продовольственной и сельскохозяйственной организации ООН (ФАО), на болезни растений приходится приблизительно 401 тыс. тонн потерь урожая в мире, что повлечет за собой огромные последствия для продовольственной безопасности и экономики.

Одни только грибковые заболевания ежегодно наносят ущерб на сумму, эквивалентную... $60 миллиардов по всему миру. В частности, для томатов бактериальная пятнистость при благоприятных условиях поражения может снизить урожайность. до 90%, что делает время обнаружения и реагирования критически важными.

Раннее и точное выявление заболеваний является ключевым фактором. Фермер, обнаруживший фитофтороз на начальной стадии поражения, может локализовать его с помощью целенаправленного применения фунгицидов. Фермер, пропустивший заболевание до появления видимого опадания листьев, сталкивается с потерями урожая, которые никакие меры не смогут полностью компенсировать. Именно здесь искусственный интеллект, а именно интеллектуальное обнаружение заболеваний листьев томата на основе глубокого обучения, меняет ситуацию.

Более широкий контекст подтверждает этот сдвиг. Глобальный рынок ИИ в точном земледелии оценивался в 1 триллион танзанийских шиллингов, 4 триллиона рупий, 3,1 миллиарда в 2024 году. и, согласно прогнозам, достигнет $12,7 млрд к 2034 году в Среднегодовой темп роста составил 15,11 тыс. тонн. (Market.us, 2024). Интеллектуальный мониторинг болезней сельскохозяйственных культур является одним из наиболее быстрорастущих сегментов в рамках этой экспансии.

Болезни листьев томата: обзор методов обнаружения.

Прежде чем любая система обнаружения сможет работать, необходимо точно понимать, что именно она должна обнаружить. Листья томатов поражаются широким спектром патогенов, каждый из которых оставляет отчетливые, но иногда перекрывающиеся визуальные следы.

1. Распространенные болезни листьев томата и их возбудители.

Ранняя фитофтора, вызвано грибком Alternaria solani, Этот гриб образует на старых листьях темно-коричневые концентрические кольцевые поражения. Кольца напоминают мишень, а вокруг каждого поражения появляется пожелтение по мере отмирания ткани.

Поздняя фитофтора, вызвано оомицетом Phytophthora infestans — Тот же самый организм, вызвавший картофельный голод в Ирландии, — образует водянистые серовато-зеленые пятна, которые в теплых и влажных условиях быстро становятся коричневыми. Он распространяется чрезвычайно быстро и может уничтожить целое поле за несколько дней.

Септориозная пятнистость листьев Проявляется в виде небольших круглых пятен с темно-коричневыми краями и более светлыми коричневыми центрами. Обычно начинается на нижних листьях и распространяется вверх, вызывается грибком. Septoria lycopersici.

Бактериальная пятнистость, вызвано Xanthomonas vesicatoria, Бактериальные поражения вызывают появление мелких, пропитанных водой пятен, которые становятся коричневыми и угловатыми, часто окруженными желтыми ореолами. В отличие от грибковых пятен, бактериальные поражения не поддаются обработке фунгицидами.

Листовой перегной, вызвано Пассалора фульва, Поражает в виде бледно-зеленых или желтых пятен на верхней поверхности листьев, а снизу покрывается оливково-зеленой или серовато-фиолетовой плесенью. Хорошо растет во влажных тепличных условиях.

Вирус томатной мозаики (ToMV) Растение образует пятнистые узоры светло- и темно-зеленого цвета на листьях, часто сопровождающиеся скручиванием и образованием волдырей. Неравномерное распределение цвета отличает его от растений, испытывающих дефицит питательных веществ.

Вирус желтой курчавости листьев томата (TYLCV), передается белокрылкой Bemisia tabaci, Вызывает загибание краев листьев вверх, пожелтение межжилковых промежутков и сильное замедление роста. Это одно из наиболее экономически разрушительных вирусных заболеваний в теплых регионах мира, где выращивают томаты.

2. Симптомы заболевания и основная проблема обнаружения

Визуальная идентификация представляет собой серьезную проблему даже для опытных агрономов. На ранних стадиях симптомы различных заболеваний могут выглядеть практически одинаково на фотографии, сделанной на смартфоне. Септориоз листьев и бактериальная пятнистость вызывают появление небольших круглых пятен. Ранняя и поздняя фитофтора приводят к отмиранию бурых тканей. Факторы окружающей среды, такие как дефицит азота, холодовой стресс и фитотоксичность при опрыскивании, могут имитировать симптомы вирусных заболеваний.

• Условия освещения при съемке изображения существенно меняют цвет и текстуру поражений, при этом переэкспонированные фотографии размывают кольцевидные узоры, имеющие решающее значение для ранней диагностики фитофтороза.
• На одном листе одновременно может возникать несколько заболеваний, при этом симптомы одного патогена визуально могут совпадать с симптомами другого — ситуация, которая представляет собой сложную задачу как для экспертов-людей, так и для моделей искусственного интеллекта.
• Заболевание прогрессирует, и его проявления меняются со временем, поэтому модель, обученная только на поражениях на поздних стадиях, часто пропускает самые ранние и наиболее поддающиеся лечению стадии инфекции.
• Сложный фон на полевых изображениях — почва, другие листья, плоды и ирригационное оборудование — добавляет визуальный шум, который снижает точность классификации в реальных условиях по сравнению с лабораторными.

Это не просто академические сложности. Они напрямую определяют, как должны создаваться наборы данных для обнаружения, как должны обучаться модели и как должны проверяться системы обнаружения перед развертыванием.

Критическая роль раннего выявления заболеваний в управлении урожаем

Раннее обнаружение — это не просто вопрос более быстрых действий. Это вопрос действий, когда они еще эффективны. Фунгициды, применяемые при первых признаках ранних поражений фитофторозом, предотвращают спорообразование и боковое распространение. Те же самые фунгициды, применяемые после дефолиации листвы с использованием препарата 30%, имеют незначительную экономическую отдачу.

• Урожайность сельскохозяйственных культур Наиболее очевидная польза заключается в защите: на полях, где болезнь выявляется в первые 10-14 дней после появления симптомов, потери урожая неизменно значительно меньше, чем на тех, где обнаружение задерживается на две и более недели.
• Использование пестицидов Сокращение численности вредителей достигается за счет точного планирования. Вместо применения фунгицидов по календарному графику, фермеры, обладающие возможностью раннего обнаружения, могут применять их только тогда, когда подтверждается пороговый уровень заражения, сокращая использование химикатов на 40-501 ТП3Т.
• Экономия средств Эффект накапливается быстро в течение вегетационного периода. Меньшее количество опрыскиваний означает меньшие затраты труда, топлива и химикатов. Для среднего по размеру томатного хозяйства, обрабатывающего более 50 гектаров, эта экономия существенна.
• Цели устойчивого сельского хозяйства Эти утверждения имеют прямую поддержку. Сокращение применения пестицидов уменьшает сток в водные системы и снижает селективное давление на устойчивые штаммы патогенов.
• профилактика распространения болезней Это защищает не только отдельные поля, но и целые сельскохозяйственные районы. Например, фитофтороз вызывает распространение спор ветром, которые могут заразить соседние фермы в течение нескольких часов после спорообразования.

Экономическая и агрономическая логика убедительна: инвестиции в технологии раннего выявления приводят к резкому снижению последующих затрат на борьбу с болезнями.

Санчес-Санчес и др. (2024) подсчитали, что одни только вирусные заболевания снижают мировую стоимость производства томатов на от 2 до 5% ежегодно, Эта цифра, учитывая масштабы мирового рынка этой культуры, означает убытки в миллиарды долларов США.

Даже незначительное снижение потерь, связанных с болезнями, благодаря раннему выявлению заболеваний с помощью искусственного интеллекта может окупить инвестиции в технологии в течение одного вегетационного сезона для крупных производителей томатов.

Точное земледелие и интеллектуальные системы мониторинга заболеваний

Точное земледелие — это практика обработки фермы как мозаики отдельных зон, а не как однородного поля. Вместо применения одинаковой нормы высева, объема воды или дозы фунгицида к каждому квадратному метру, системы точного земледелия используют данные в реальном времени для изменения параметров в зависимости от фактических условий в каждом месте.

1. Основные концепции точного земледелия

Сельское хозяйство, основанное на данных, опирается на непрерывный цикл: датчики и системы визуализации собирают полевые данные, программное обеспечение обрабатывает и интерпретирует эти данные, а инструменты поддержки принятия решений преобразуют интерпретацию в рекомендации по действиям. Каждое звено в этой цепочке должно быть точным, чтобы система приносила пользу.

Интеллектуальное управление посевами распространяет эту логику и на биологические угрозы. Вместо того чтобы ждать появления симптомов заболевания или полагаться на еженедельные обходы, интеллектуальная система мониторинга обнаруживает заболевание при первых видимых или спектральных признаках и запускает оповещение, указывающее местоположение, идентификацию и вероятную степень тяжести инфекции.

2. Технологии мониторинга заболеваний в современном точном земледелии

Цифровая визуализация является основным источником данных для большинства интеллектуальных систем обнаружения заболеваний. RGB-камеры захватывают видимую цветовую информацию, воспринимаемую человеком. Мультиспектральные камеры захватывают длины волн, выходящие за пределы видимого света, включая ближний инфракрасный диапазон, который позволяет выявить дефицит хлорофилла до того, как он станет видимым невооруженным глазом.

Гиперспектральные камеры улавливают сотни узких диапазонов длин волн и могут обнаруживать биохимические изменения на молекулярном уровне, хотя для большинства фермерских хозяйств они остаются дорогостоящими.

Наземные датчики и сети Интернета вещей (IoT) дополняют системы визуализации. Датчики температуры и влажности, размещенные внутри растительного покрова, предоставляют данные о микроклимате, указывающие на развитие благоприятных для болезней условий.

Длительное увлажнение листьев (более 10 часов) в сочетании с температурой от 18 до 22°C является известным сигналом, запускающим развитие фитофтороза — система IoT может выдать предупреждение о риске заболевания еще до появления каких-либо поражений.

Дроны и беспилотные летательные аппараты (БПЛА) добавляют пространственное измерение в мониторинг заболеваний, которое недоступно при наземной съемке. БПЛА, оснащенный мультиспектральной камерой, может обследовать томатное поле площадью 10 гектаров менее чем за 30 минут, создавая геопривязанную карту риска заболеваний, которая точно показывает, в каких рядах и зонах наблюдаются ранние признаки стресса.

Это позволяет проводить целенаправленную обработку зон высокого риска, а не обрабатывать все поле целиком. Системы для сельского хозяйства с поддержкой IoT интегрируют все эти потоки данных в единую платформу, передавая данные наблюдений на уровне поля в облачные аналитические системы или на периферийные вычислительные узлы, где алгоритмы классификации заболеваний работают практически в режиме реального времени.

Глубинное обучение для обнаружения болезней листьев томата

Глубокое обучение — это раздел машинного обучения, в котором алгоритмы учатся извлекать закономерности непосредственно из исходных данных — в данном случае, изображений — посредством иерархических слоев математических преобразований.

Главное преимущество глубокого обучения перед классическим машинным обучением заключается в том, что оно не требует от эксперта ручного определения того, какие признаки (формы, текстуры, цветовые градиенты) следует искать на изображении больного листа. Алгоритм изучает эти признаки на основе обучающих примеров.

1. Основы глубокого обучения для классификации изображений

. Искусственная нейронная сеть (ИНС) (Вычислительная система, в общих чертах вдохновленная биологическими нейронами) обрабатывает входные данные через слои взаимосвязанных узлов.

Каждое соединение имеет числовой вес, определяющий, насколько сильно активация одного узла влияет на следующий. Обучение сети заключается в корректировке этих весов с использованием размеченных примеров до тех пор, пока выходные предсказания сети не будут соответствовать правильным меткам с минимальной погрешностью.

A Сверточная нейронная сеть (CNN) (Специализированная архитектура нейронной сети, разработанная для обработки изображений) применяет математические операции, называемые свертками, к изображению. Свертка перемещает небольшое окно фильтра — обычно 3×3 или 5×5 пикселей — по изображению и вычисляет взвешенную сумму в каждой позиции, создавая карту признаков, которая улавливает локальные закономерности, такие как края, текстуры и цветовые градиенты.

Послойное наложение сверточных слоев позволяет сети постепенно изучать все более абстрактные признаки: границы на ранних слоях, формы на средних слоях и специфические для заболеваний паттерны на более глубоких слоях.

Именно иерархическое обучение признакам делает сверточные нейронные сети (CNN) эффективными для обнаружения болезней томатов. Круглая граница поражения, внутренний градиент текстуры, желтоватый ореол вокруг него — все это становится обучаемыми комбинациями признаков на разных уровнях сети.

2. Почему глубокое обучение превосходит традиционные методы?

Традиционные методы машинного обучения для обнаружения болезней растений требовали от экспертов в данной области ручной разработки признаков: извлечения цветовых гистограмм, вычисления дескрипторов текстуры или измерения параметров формы на изображениях листьев, а затем передачи этих данных в классификаторы, такие как машины опорных векторов (SVM). Этот процесс был трудоемким, зависел от квалификации специалистов и был нестабильным, когда проявления болезни отличались от условий обучения.

• Глубокое обучение выполняет автоматическое извлечение признаков, обучаясь непосредственно на основе пиксельных данных без ручной обработки признаков, устраняя узкое место, связанное с экспертно определяемыми дескрипторами.
• Точность классификации с использованием глубокого обучения обычно превышает 95% и часто достигает 99%+ на эталонных наборах данных, по сравнению с точностью 80-88% для традиционных подходов на основе SVM на тех же данных.
• Модели глубокого обучения эффективно масштабируются для больших наборов данных. По мере добавления большего количества размеченных изображений заболеваний производительность модели улучшается, в то время как традиционные методы достигают плато при фиксированном наборе признаков.

Лобна и др. (2024) обучили капсульную нейронную сеть на крупномасштабном наборе данных. 70 834 изображений листьев томата и достигнута точность классификации 96.39% В различных категориях заболеваний демонстрирует превосходные результаты по сравнению со стандартными базовыми моделями CNN на тех же данных.

Большие, разнообразные наборы данных в сочетании с оптимизированными архитектурами неизменно обеспечивают уровни точности, превосходящие те, которые достижимы с помощью традиционных конвейеров компьютерного зрения.

Применение технологии Geopard Agriculture для выявления заболеваний растений на реальных полях.

Geopard Agriculture создает именно такой уровень. Ее платформа точного мониторинга объединяет полевые наблюдения, выявление болезней и поддержку принятия решений в единый рабочий процесс, которым может управлять любой агроном или фермер со смартфона.

Что предлагает Geopard для борьбы с болезнями томатов

Интеллектуальная система мониторинга Geopard определяет наиболее ценные участки вашего поля для целенаправленного осмотра, вместо того чтобы требовать равномерного обследования каждого ряда. Она автоматически отмечает аномалии во всходах и направляет усилия по мониторингу в зоны, где наиболее вероятно развитие заболеваний или стресса.

Это напрямую решает проблему охвата полей, которая ограничивает возможности ручного мониторинга на крупных хозяйствах. Платформа поддерживает обнаружение и регистрацию всех основных категорий угроз в полевых условиях, имеющих отношение к выращиванию томатов:

• Распознавание грибковых заболеваний, включая фитофтороз, фитофтороз, септориозную пятнистость листьев и плесень на листьях — заболевания, при которых время обнаружения наиболее непосредственно определяет успешность вмешательства.
• Идентификация бактериальных и вирусных заболеваний, включая симптомы бактериальной пятнистости и мозаичной болезни, с фотодокументацией, привязанной к GPS-координатам для точного картирования местности.
• Выявление проблем с орошением и удобрением позволяет группам мониторинга выявлять симптомы абиотического стресса, которые могут имитировать или усугублять симптомы заболеваний томатов.
• Идентификация сорняков и насекомых наряду с мониторингом заболеваний позволяет за один обход поля получить полную картину угроз, в отличие от разрозненных отчетов по отдельным программам.
• Поддержка анализа повреждений листьев и образцов тканей, позволяющая интегрировать физический лабораторный отбор проб в цифровой рабочий процесс мониторинга.

Планирование зонирования заложено на этапе подготовки к обследованию. Geopard преобразует необработанные данные полевых датчиков и спутников в непрерывные градиентные карты поверхности, которые визуализируют неоднородность поля, позволяя агрономам определять зоны управления до начала обследования. Доступ к картам зонирования и данным о почве возможен в автономном режиме без подключения к сети, что важно для ферм, где покрытие сотовой связи нестабильно.

Выполнение операций, составление отчетов и оповещения о чрезвычайных ситуациях с мобильного устройства.

Все полевые наблюдения фиксируются через мобильное приложение Geopard. Разведчики записывают заметки, фотографии и геолокационные данные в режиме реального времени, а завершенные записи разведки напрямую поступают на панель отчетности платформы.

Руководители на местах могут видеть, какие угрозы были выявлены, где они были обнаружены, какие действия были предприняты и какие зоны остаются под наблюдением — без необходимости объединять данные из бумажных форм или отдельных приложений.

Система экстренного оповещения отслеживает распространение болезней в сети платформы и отправляет уведомления, когда в вашем районе усиливается угроза заболевания. Эта функция раннего предупреждения расширяет период эффективного обнаружения за пределы возможностей внутреннего мониторинга на отдельном фермерском хозяйстве, предоставляя фермерам время для подготовки профилактических мер до того, как болезнь достигнет их полей.

Подход Geopard демонстрирует практический путь интеграции, который исследователи в области точного земледелия описывают в теории: спутниковые и сенсорные данные для определения приоритетов при обследовании, мобильные инструменты, позволяющие фиксировать наблюдения в режиме реального времени, и выявление угроз с помощью ИИ, способствующее более быстрому и целенаправленному принятию решений на уровне фермерского хозяйства.

Подготовка набора данных для основы модели обнаружения

Надежность модели глубокого обучения зависит от качества данных, на которых она обучалась. Подготовка набора данных для обнаружения болезней листьев томата — это многоэтапный процесс, определяющий предельные возможности любой модели в реальных условиях.

1. Источники получения изображений

Полевые снимки, сделанные в реальных сельскохозяйственных условиях — с переменным освещением, частичным перекрытием, каплями воды и фоном почвы — представляют собой золотой стандарт разнообразия наборов данных, несмотря на то, что их сбор сложнее и дороже, чем сбор снимков в контролируемой среде.

Изображения, полученные фермерами с помощью смартфонов во время плановых обследований, все чаще становятся практическим источником данных, позволяющим преодолеть разрыв между лабораторными условиями и реальными сценариями применения.

Общедоступные наборы данных значительно ускорили исследования. Набор данных PlantVillage, Разработанная Университетом штата Пенсильвания, эта система содержит более 54 000 изображений Исследование здоровых и больных листьев 26 видов растений, включая 10 категорий заболеваний томатов.

Он послужил основой для обучения сотен опубликованных моделей обнаружения болезней томатов и остается наиболее широко используемым эталонным набором данных в этой области.

2. Этапы предварительной обработки данных

Исходные изображения, собранные из различных источников, содержат шум, несоответствующие размеры и различия в цветовой калибровке, что может привести к появлению ложных закономерностей в процессе обучения модели. Предварительная обработка стандартизирует данные до того, как они попадут в модель.

1. Изменение размера изображений масштабирует все изображения до единого разрешения — обычно 224×224 или 256×256 пикселей для архитектур CNN — обеспечивая единообразное применение пространственных операций внутри сети ко всем обучающим примерам.
2. Для удаления шума используются сглаживающие фильтры, такие как размытие по Гауссу, чтобы уменьшить шум сенсора и артефакты сжатия JPEG, которые могут ввести в заблуждение чувствительные к текстуре сверточные слои.
3. Искусственное расширение набора данных позволяет увеличить обучающую выборку за счет применения случайных горизонтальных отражений, поворотов, изменения цвета, регулировки яркости и случайной обрезки к существующим изображениям. Это позволяет модели распознавать признаки заболевания независимо от ориентации листьев, угла освещения или композиции изображения.
4. Нормализация масштабирует значения пикселей из исходного диапазона 0-255 в меньший диапазон, обычно 0-1 или с нулевым средним значением и единичной дисперсией. Это делает обучение на основе градиента более численно стабильным и обеспечивает более быструю сходимость.

3. Аннотирование и разметка набора данных

Каждое изображение в наборе данных для обучения с учителем должно иметь эталонную метку: к какой категории заболеваний оно относится или здоров ли лист. Эта маркировка должна выполняться или проверяться фитопатологами, а не только специалистами в области сельского хозяйства, поскольку визуальное совпадение заболеваний делает любительскую аннотацию ненадежной.

Аннотирование на уровне класса для классификации заболеваний относительно просто, но аннотирование ограничивающих рамок для моделей обнаружения объектов — точное указание места поражения на изображении — требует значительно больше времени и опыта для каждого изображения.

Архитектуры глубокого обучения, используемые для обнаружения болезней томатов.

Научное сообщество оценило десятки архитектур для классификации заболеваний листьев томата. Понимание того, какие архитектуры доминируют и почему, помогает специалистам принимать обоснованные решения при внедрении этих систем.

1. Стандартные сверточные нейронные сети

Базовые модели сверточных нейронных сетей (CNN) для классификации заболеваний следуют стандартной схеме: сверточные слои для извлечения признаков, слои пулинга, которые уменьшают пространственную размерность, сохраняя при этом доминирующие признаки, и полносвязные слои в конце, которые сопоставляют извлеченные признаки с вероятностями классов заболеваний.

Первые исследования на наборе данных PlantVillage показали, что даже простые сверточные нейронные сети с 5-7 слоями могут достичь точности более 90% на чистых изображениях, полученных в лабораторных условиях.

2. Перенос обучения с использованием предварительно обученных архитектур

Перенос обучения (Практика, при которой модель, предварительно обученная на большом общем наборе данных, дорабатывается на наборе данных, специфичном для конкретной области,) преобразовала исследования в области обнаружения болезней томатов, позволив обучать высокоточные модели на относительно небольших сельскохозяйственных наборах данных.

1. VGG16 и VGG19, Разработанные группой визуальной геометрии Оксфордского университета, эти модели используют 16 или 19 весовых слоев с равномерными свертками 3×3. Они остаются надежными базовыми моделями для классификации болезней томатов, обычно достигая точности 94-97% после тонкой настройки на наборах данных о болезнях.

2. ResNet В (Residual Network) были введены пропускные соединения, позволяющие градиентам напрямую проходить между слоями, что решило проблему исчезающего градиента, ранее ограничивавшую глубину обучения. В последних исследованиях ResNet50, доработанная на данных о болезнях томатов, стабильно достигает точности 96-98%.

3. DenseNet Расширяет концепцию пропускных соединений, соединяя каждый слой с каждым последующим слоем в плотном блоке, что максимизирует повторное использование признаков и позволяет создавать компактные модели с высокой эффективностью классификации.

4. EfficientNet, Разработанная Google Brain технология масштабирует ширину, глубину и разрешение сети одновременно с помощью составного коэффициента. EfficientNetB0 с модулем внимания позволила достичь... 99,39% точность в исследовании, опубликованном Гонсалес-Брионес и др. (2025), о классификации болезней растений, с показателями, подходящими для развертывания на периферии сети.

5. MobileNet, Разработанная специально для устройств с ограниченными ресурсами, эта архитектура использует разделяемые по глубине свертки, что позволяет значительно сократить вычислительные затраты при сохранении высокой точности, делая ее предпочтительной для развертывания ИИ на смартфонах и периферийных устройствах в точном земледелии.

3. Гибридные и усовершенствованные модели

В последних исследованиях произошел переход от стандартных сверточных нейронных сетей к архитектурам, способным улавливать пространственные взаимосвязи на больших расстояниях в изображениях листьев.

Vision Transformers (ViT) (Нейронные сети, применяющие механизм внимания Transformer, первоначально разработанный для обработки естественного языка, к фрагментам изображений) показали хорошие результаты в обнаружении болезней растений при наличии достаточного количества обучающих данных.

В отличие от сверточных нейронных сетей (CNN), которые обрабатывают локальные области изображения с помощью сверток, ViT-сети одновременно изучают взаимосвязи между всеми фрагментами изображения, что позволяет им обнаруживать пространственно распределенные закономерности по всему листу.

Гибриды сверточных нейронных сетей на основе механизма внимания Сочетание эффективности извлечения локальных признаков свертками с механизмами внимания позволяет модели сосредоточить вычислительные ресурсы на наиболее релевантных для заболевания областях изображения.

Разработана облегченная система обнаружения болезней томатов на основе сиамской нейронной сети. Точность 96,97% на подмножестве томатов Plant Village Используя всего около 2,96 миллиона параметров (Frontiers in Plant Science, 2025), можно продемонстрировать, что высокая точность и эффективность оборудования не являются взаимоисключающими целями.

Модели ансамблевого обучения Объединение прогнозов от нескольких независимо обученных архитектур, усреднение или голосование по ним для получения окончательного прогноза, который является более надежным, чем любой отдельный модель. Ву и др. (2024) применили ResNet50 с методами расширения признаков для достижения улучшенной производительности классификации с помощью этого подхода.

Абдулла и др. (Агрономия, 2024) сравнили YOLOv8s, YOLOv5 и Faster R-CNN для обнаружения пораженных листьев томата и обнаружили, что YOLOv8s достиг средней точности (mAP) в 2024 году. 92.5%, превзошла YOLOv5 с результатом 89,1% и Faster R-CNN с результатом 77,5%, а также продемонстрировала более высокую скорость вывода и меньший размер модели.

Для задач обнаружения в реальном времени в полевых условиях модели класса YOLOv8 обеспечивают оптимальный баланс точности и скорости обработки, что делает их хорошо подходящими для установки на дроны или периферийные устройства.

Интеллектуальная система обнаружения заболеваний

Развертываемая интеллектуальная система обнаружения заболеваний — это больше, чем просто обученная модель. Это комплексный конвейер, который обеспечивает переход от получения исходных изображений к практическим рекомендациям по лечению заболеваний.

1. Архитектура системы

Основной конвейер обработки данных состоит из пяти последовательных этапов, каждый из которых преобразует данные перед передачей их следующему этапу.

1. Ввод изображений осуществляется с помощью необработанных снимков листьев, полученных из любого источника — полевого смартфона, камеры, установленной на БПЛА, или стационарной камеры, установленной в теплице. Модули обработки входных данных проверяют разрешение изображения и помечают размытые или непригодные снимки до того, как они попадут в конвейер обработки.

2. На этапе предварительной обработки применяются шаги нормализации, изменения размера и улучшения качества, описанные в разделе 6.2, что гарантирует соответствие входных данных формату, ожидаемому обученной моделью.

3. Извлечение признаков: предварительно обработанное изображение пропускают через сверточные слои обученной модели глубокого обучения. На этом этапе модель преобразует исходные пиксельные данные в компактное числовое представление (вектор признаков), кодирующее визуальные характеристики листа, имеющие отношение к заболеванию.

4. Классификация заболеваний использует полносвязные слои и функцию softmax для обработки вектора признаков, вычисляя вероятностную оценку для каждой категории заболевания. Категория с наибольшей вероятностью становится прогнозируемым диагнозом.

5. Система поддержки принятия решений преобразует результаты классификации в практическую рекомендацию: название выявленного заболевания, уровень достоверности, предлагаемые меры борьбы (целевой фунгицид, агент биологического контроля, удаление пораженных растений) и данные о местоположении с привязкой к географическим координатам, если изображение было получено с помощью устройства, оснащенного GPS.

2. Схема работы комплексной системы обнаружения на практике.

В реальных условиях фермер открывает мобильное приложение и фотографирует пораженный лист. Изображение либо отправляется на облачный сервер, на котором работает модель обнаружения, либо обрабатывается локально на устройстве с помощью модели сжатых границ.

Приложение выдает диагноз в течение нескольких секунд: “Ранняя стадия фитофтороза — степень достоверности 94%. Рекомендуемые действия: обработать пораженный участок фунгицидом на основе манкоцеба из расчета 1,5 кг/га».

”В течение следующих 5 дней необходимо следить за соседними растениями». Результаты с привязкой к географическим координатам заносятся на цифровую карту состояния здоровья фермы, и если одно и то же заболевание появляется в нескольких зонах, система подает сигнал повышенного риска для всего полевого участка.

Демили (2024), рецензия 161 публикация В исследовании, посвященном обнаружению болезней растений на основе глубокого обучения, было установлено, что томаты являются наиболее исследованной культурой во всех исследованиях, составляя... 39% всех публикаций — охват более чем в два раза превышает охват второй по изученности культуры (риса, 16%), что подтверждает уникальное сочетание экономической значимости этой культуры и ее уязвимости к болезням.

Высокий уровень развития исследований в области обнаружения болезней томатов позволяет специалистам использовать широкий спектр проверенных архитектур и предварительно обученных моделей, вместо того чтобы создавать их с нуля.

Показатели оценки эффективности

Выбор правильной метрики оценки так же важен, как и выбор правильной архитектуры, особенно для обнаружения заболеваний, где ложноотрицательные результаты (пропуск реального заболевания) имеют другую стоимость, чем ложноположительные результаты (ошибочное определение здорового листа как больного).

Точность Измеряет долю всех правильных прогнозов. Это наиболее часто используемый показатель, но он может вводить в заблуждение, когда классы заболеваний несбалансированы — модель, которая всегда предсказывает “здоровый” результат в наборе данных с 90% изображениями здоровых людей, достигает точности 90%, будучи совершенно бесполезной для обнаружения заболеваний.

Точность Измеряет, какая доля выявленных случаев заболевания является истинно положительными, и фиксирует частоту ложных срабатываний. Высокая точность означает, что модель редко выдает ненужные рекомендации по лечению.

Воспроизведение (чувствительность) Измеряет, какая доля реально пораженных растений правильно помечена. Высокий показатель полноты означает, что модель редко пропускает реальные случаи заражения — наиболее важный показатель для управления болезнями.

F1-Score Это гармоническое среднее точности и полноты, представляющее собой единую сбалансированную меру, которая наказывает модели, жертвующие одним параметром ради другого. Это предпочтительная метрика, когда как ложноположительные, так и ложноотрицательные результаты несут существенные издержки.

Специфичность Этот показатель отражает, насколько точно модель определяет действительно здоровые листья как здоровые, что важно для предотвращения ненужного применения пестицидов на культурах, свободных от болезней.

Сайт Матрица ошибок В этом разделе представлен полный анализ прогнозов по всем классам, показывающий, какие пары заболеваний чаще всего путают — это критически важная информация для уточнения обучающих данных или архитектуры модели.

Сайт ROC-AUC (Характеристика работы приемника — площадь под кривой) Этот показатель измеряет общую различимость модели по всем пороговым значениям классификации, при этом значение 1,0 означает идеальную различимость, а 0,5 — случайный уровень точности.

Система обнаружения болезней томатов в режиме реального времени: внедрение.

Перенос высокоточной модели из исследовательского блокнота в работающую систему фермы требует решения совершенно иного набора задач, чем обучение модели. Среды развертывания имеют аппаратные ограничения, ограничения по подключению и требования к задержке, которые определяют выбор архитектуры и инфраструктуры.

1. Приложения для мобильных телефонов для диагностики заболеваний.

Приложения для смартфонов представляют собой наиболее доступный способ внедрения для мелких и средних фермерских хозяйств. Приложения, созданные на основе моделей MobileNet или EfficientNet-Lite, выполняют обработку данных полностью на устройстве, не требуя подключения к интернету в момент сбора данных.

Самая точная модель бесполезна в точном земледелии, если она не может работать на устройстве, которое уже есть в кармане фермера.

Это имеет огромное значение для ферм в сельской местности или регионах с низкой транспортной доступностью. Фермер фотографирует подозрительный лист, получает прогноз заболевания за 1-3 секунды и записывает результат в базу данных, которая агрегирует данные о состоянии здоровья всего хозяйства за вегетационный период.

2. Развертывание ИИ на периферии сети: вывод данных непосредственно на устройстве.

Edge AI (Выполнение вычислений с использованием ИИ непосредственно на оборудовании, расположенном в точке сбора данных, вместо отправки данных на удаленный сервер) решает проблемы задержки и подключения, характерные для облачного обнаружения. Специализированные периферийные устройства, такие как серия NVIDIA Jetson или ускорители Coral TPU от Google, могут запускать сжатые модели CNN со скоростью более 30 кадров в секунду, обеспечивая непрерывный мониторинг листьев в реальном времени с помощью стационарных камер, установленных на направляющих теплиц или ирригационных сооружениях.

Методы сжатия моделей — квантизация (снижение численной точности весов модели), обрезка (удаление малозначимых сетевых связей) и дистилляция знаний (обучение небольшой модели для имитации большой) — позволяют достичь этого без ущерба для приемлемой точности.

3. Системы мониторинга на основе дронов для крупномасштабного наблюдения за сельскохозяйственными угодьями.

Для ферм площадью более 20-30 гектаров наземный осмотр не обеспечивает необходимого пространственного охвата для выявления вспышек заболеваний до их распространения. Системы беспилотных летательных аппаратов, оснащенные мультиспектральными камерами, позволяют фиксировать признаки поражения болезнями на уровне всего поля.

Полученные изображения передаются на встроенный периферийный процессор или на наземную станцию, где модель обнаружения выявляет зараженные зоны и генерирует геопривязанную карту, наложенную на цифровые записи о земельных участках фермы.

Это меняет подход к управлению заболеваниями с реактивного (реагирование после появления симптомов) на пространственно-проактивный (реагирование на конкретные координаты поля, где обнаруживается ранний стресс).

Проблемы обнаружения заболеваний на основе глубокого обучения

В этой области достигнут значительный прогресс, но честная оценка оставшихся проблем предотвращает чрезмерную самоуверенность при принятии решений о развертывании.

Ограниченные наборы полевых данных Это остается наиболее распространенной проблемой. Большинство высокоточных моделей обучаются и оцениваются на PlantVillage, которая использует изображения отдельных листьев при контролируемом освещении на чистом фоне. Производительность в реальных полевых условиях значительно снижается, когда те же модели сталкиваются со сложными многоэлементными изображениями, полученными в условиях переменного освещения.

Изменения в условиях освещения — Прямые солнечные лучи, вызывающие зеркальные отражения на поверхности листьев, рассеянный свет в пасмурную погоду, сглаживающий текстурные признаки, или затенение от растительного покрова — изменяют видимый цвет и текстуру поражений таким образом, что это может ухудшить классификацию на 5-15 процентных пунктов по сравнению с контролируемыми условиями.

Фоновая сложность На полевых изображениях вводится нерелевантная визуальная информация. Почва, мульча, капельные линии орошения, плоды и другие листья могут отображаться в одном кадре с больным листом, а модели, не обученные специально на сложном фоне, часто путают элементы фона с признаками заболевания.

Множественные заболевания Классификация отдельных листьев представляет собой сложную задачу, с которой большинство моделей с одной меткой не справляются. Лист, одновременно пораженный бактериальной пятнистостью и ранней фитофторой, требует возможности классификации с несколькими метками, что усложняет обучение и увеличивает требования к аннотированию набора данных.

Классовый дисбаланс Использование обучающих наборов данных, в которых гораздо больше изображений распространенных заболеваний, таких как фитофтороз, чем редких, например, мозаичного вируса, приводит к тому, что модели становятся чрезмерно самоуверенными в отношении часто встречающихся классов и ненадежными в отношении менее представленных.

Интерпретируемость модели Это существенное препятствие для доверия на уровне фермерских хозяйств. Когда модель классифицирует лист как пораженный болезнью с вероятностью 97%, большинство фермеров и агрономов хотят понять, какие визуальные признаки повлияли на это решение, прежде чем следовать рекомендации.

Последние достижения в области интеллектуальной диагностики заболеваний

Научные исследования развиваются одновременно по нескольким направлениям, решая различные аспекты описанной выше проблемы.

1. Объяснимый искусственный интеллект (XAI) Инструменты, в частности Grad-CAM (Gradient-weighted Class Activation Mapping), который создает тепловые карты, показывающие, на какие области изображения листа модель сфокусировалась при принятии решения, напрямую решают проблему интерпретируемости.

Визуализация Grad-CAM, показывающая, что внимание модели сосредоточено на темном кольце поражения, предоставляет обоснование, которое агрономы могут оценить и которому могут доверять.

2. Трансформаторы зрения (ViT) Продолжают набирать популярность в области обнаружения болезней томатов по мере совершенствования стратегий предварительного обучения и снижения требований к данным для тонкой настройки ViT.

Благодаря своей способности улавливать глобальные закономерности на уровне листа, а не только локальные особенности, они особенно перспективны для обнаружения вирусных заболеваний, поражающих всю поверхность листа, а не вызывающих локализованные поражения.

3. Федеративное обучение Эта программа решает проблему обработки полевых данных, позволяя обучать модели совместно на нескольких фермах без централизации конфиденциальных данных.

Каждая ферма обучает локальную модель на своих собственных изображениях, и для улучшения центральной глобальной модели передаются только обновления параметров модели (а не сами изображения). Это обеспечивает конфиденциальность данных фермеров, одновременно значительно расширяя разнообразие обучающих данных.

Точность управления заболеваниями будет определяться не точностью одной модели, а интеллектуальностью системы, которая связывает обнаружение, принятие решений и действия.

4. Самостоятельное обучение Модель предварительно обучается на больших коллекциях неразмеченных изображений растений для изучения общих визуальных представлений, а затем дорабатывается на небольших размеченных наборах данных о заболеваниях. Это снижает нагрузку на аннотирование и позволяет разрабатывать высококачественные модели для категорий заболеваний, где размеченных примеров мало.

5. Мультимодальная диагностика заболеваний Интегрирует данные изображений листьев с показаниями спектральных датчиков, данными метеостанций и историческими данными о заболеваниях в единый входной параметр модели. Сочетание визуальных и экологических данных может повысить эффективность обнаружения по сравнению с тем, что обеспечивают только данные изображений, особенно для заболеваний, визуальным симптомам которых предшествуют биохимические изменения, обнаруживаемые в спектральных характеристиках.

Направления будущих исследований: что еще необходимо этой области?

Для перехода от высокоточных исследовательских моделей к стабильно надежному внедрению на уровне фермерских хозяйств необходима целенаправленная работа по нескольким направлениям.

Проверка работоспособности в реальных условиях Для того чтобы объективно оценить разрыв в производительности между обнаружением условий в контролируемых условиях и в полевых условиях, необходимо учитывать различные географические регионы и системы земледелия, а не только эталонные показатели PlantVillage.

Надежное обнаружение на уровне поля Для этого потребуются специально разработанные полевые наборы данных, собранные в течение нескольких вегетационных сезонов в разных странах, с систематической документацией погодных условий во время съемки изображений.

Интеграция с интернетом вещей и инфраструктурой интеллектуального земледелия. — Подключение оповещений об обнаружении заболеваний непосредственно к автоматизированным системам орошения и внесения удобрений, платформам для опрыскивания с помощью дронов и программному обеспечению для управления фермерским хозяйством — позволит замкнуть цикл между обнаружением и принятием мер.

Прогнозирование заболеваний, Сочетание текущих данных по выявлению заболеваний с моделями прогнозирования погоды и историческими закономерностями распространения болезней позволит перейти от реактивного выявления к упреждающему управлению: рекомендациям по профилактическим мерам до появления симптомов.

Автономные сельскохозяйственные системы — Парки беспилотных летательных аппаратов, осуществляющие непрерывное наблюдение за полями, отмечающие зоны распространения болезней и координирующие действия с автоматизированными опрыскивателями без участия человека, — представляют собой горизонт, к которому стремятся современные технологии точного земледелия.

Заключение

Интеллектуальное обнаружение болезней листьев томата с использованием глубокого обучения — это уже не экспериментальная технология. Это зрелое, хорошо проверенное приложение, для которого существует все больше рецензируемых исследований, подтверждающих его способность точно, быстро и недорого выявлять болезни томатов. От базовых моделей CNN, обученных на наборе данных PlantVillage, до гибридных архитектур с механизмом внимания, достигающих точности 99%+, технические возможности теперь превосходят инфраструктуру развертывания, доступную большинству фермерских хозяйств.

Путь вперед ясен. Системы точного земледелия, интегрирующие обнаружение заболеваний на основе изображений с сетями датчиков IoT, наблюдением с помощью БПЛА и прогнозными моделями погоды, определят конкурентоспособность производства томатов в течение этого десятилетия. Рынок ИИ в точном земледелии растет быстрыми темпами. Среднегодовой темп роста составил 15,11 тыс. тонн. к $12,7 млрд к 2034 году это свидетельствует о том, что эти инвестиции уже осуществляются в больших масштабах.