{"id":11429,"date":"2025-04-02T23:23:55","date_gmt":"2025-04-02T21:23:55","guid":{"rendered":"https:\/\/geopard.tech\/?p=11429"},"modified":"2025-04-02T23:23:55","modified_gmt":"2025-04-02T21:23:55","slug":"uloha-aplikacii-pocitacoveho-videnia-s-hlbokym-ucenim-pre-vcasnu-detekciu-chorob-rastlin","status":"publish","type":"post","link":"https:\/\/geopard.tech\/sk\/blog\/role-of-deep-learning-computer-vision-applications-for-early-plant-disease-detection\/","title":{"rendered":"\u00daloha aplik\u00e1ci\u00ed po\u010d\u00edta\u010dov\u00e9ho videnia s hlbok\u00fdm u\u010den\u00edm na v\u010dasn\u00fa detekciu chor\u00f4b rastl\u00edn"},"content":{"rendered":"

Choroby rastl\u00edn v tichosti ohrozuj\u00fa celosvetov\u00fa potravinov\u00fa bezpe\u010dnos\u0165, ro\u010dne zni\u010dia 10-16% plod\u00edn a po\u013enohospod\u00e1rskemu priemyslu sp\u00f4sobia straty vo v\u00fd\u0161ke $220 mili\u00e1rd EUR. Tradi\u010dn\u00e9 met\u00f3dy, ako s\u00fa manu\u00e1lne kontroly a laborat\u00f3rne testy, s\u00fa pomal\u00e9, drah\u00e9 a \u010dasto nespo\u013eahliv\u00e9.<\/p>\n

Prelomov\u00e1 \u0161t\u00fadia z roku 2025,\u00a0\u201cHlbok\u00e9 u\u010denie a po\u010d\u00edta\u010dov\u00e9 videnie pri detekcii chor\u00f4b rastl\u00edn\u201d<\/em>\u00a0(Upadhyay et al.), odha\u013euje, ako AI detekcia chor\u00f4b rastl\u00edn a po\u010d\u00edta\u010dov\u00e9 videnie v po\u013enohospod\u00e1rstve menia po\u013enohospod\u00e1rstvo.<\/p>\n

Pre\u010do je v\u010dasn\u00e9 zis\u0165ovanie chor\u00f4b rastl\u00edn d\u00f4le\u017eit\u00e9 pre glob\u00e1lnu potravinov\u00fa bezpe\u010dnos\u0165<\/strong><\/h2>\n

Po\u013enohospod\u00e1rstvo zamestn\u00e1va 28% svetovej pracovnej sily, pri\u010dom krajiny ako India, \u010c\u00edna a USA s\u00fa l\u00eddrami v rastlinnej v\u00fdrobe. Napriek tomu choroby rastl\u00edn sp\u00f4soben\u00e9 hubami, bakt\u00e9riami a v\u00edrusmi zni\u017euj\u00fa v\u00fdnosy a za\u0165a\u017euj\u00fa hospod\u00e1rstvo.<\/p>\n

Napr\u00edklad choroba sp\u00f4soben\u00e1 v\u00fdbuchom ry\u017ee zni\u017euje \u00farodu v postihnut\u00fdch regi\u00f3noch o 30-50%, zatia\u013e \u010do citrusov\u00e9 zelenie zni\u010dilo od roku 2005 70% pomaran\u010dov\u00fdch h\u00e1jov na Floride. V\u010dasn\u00e9 odhalenie je ve\u013emi d\u00f4le\u017eit\u00e9, ale mnoh\u00ed po\u013enohospod\u00e1ri nemaj\u00fa pr\u00edstup k modern\u00fdm n\u00e1strojom alebo odborn\u00fdm znalostiam.<\/p>\n

Tu nastupuje detekcia chor\u00f4b riaden\u00e1 umelou inteligenciou, ktor\u00e1 pon\u00faka r\u00fdchle, cenovo dostupn\u00e9 a presn\u00e9 rie\u0161enia, ktor\u00e9 prekon\u00e1vaj\u00fa tradi\u010dn\u00e9 met\u00f3dy.<\/p>\n

Ako umel\u00e1 inteligencia a po\u010d\u00edta\u010dov\u00e9 videnie zis\u0165uj\u00fa choroby plod\u00edn<\/strong><\/h2>\n

V \u0161t\u00fadii sa analyzovalo 278 v\u00fdskumn\u00fdch pr\u00e1c s cie\u013eom vysvetli\u0165, ako funguj\u00fa syst\u00e9my detekcie chor\u00f4b rastl\u00edn s umelou inteligenciou. Najprv kamery alebo senzory zachyt\u00e1vaj\u00fa obr\u00e1zky plod\u00edn. Tieto sn\u00edmky sa potom spracuj\u00fa pomocou algoritmov na identifik\u00e1ciu pr\u00edznakov choroby.<\/p>\n

Napr\u00edklad,\u00a0Kamery RGB<\/strong>\u00a0zhotovuj\u00fa farebn\u00e9 fotografie na zistenie vidite\u013en\u00fdch pr\u00edznakov, ako s\u00fa \u0161kvrny na listoch, zatia\u013e \u010do hyperspektr\u00e1lne kamery zis\u0165uj\u00fa skryt\u00e9 sign\u00e1ly stresu anal\u00fdzou stoviek sveteln\u00fdch vlnov\u00fdch d\u013a\u017eok.<\/p>\n

Po zachyten\u00ed sa sn\u00edmky podrobia predbe\u017en\u00e9mu spracovaniu s cie\u013eom zlep\u0161i\u0165 ich kvalitu. Techniky ako prahovanie izoluj\u00fa chor\u00e9 oblasti pod\u013ea farby a detekcia hr\u00e1n mapuje hranice l\u00e9zi\u00ed alebo zmeny farby.<\/p>\n

\"Ako<\/p>\n

N\u00e1sledne modely hlbok\u00e9ho u\u010denia analyzuj\u00fa predspracovan\u00e9 \u00fadaje.\u00a0Konvolu\u010dn\u00e9 neur\u00f3nov\u00e9 siete (CNN)<\/strong>, najbe\u017enej\u0161ie n\u00e1stroje umelej inteligencie v po\u013enohospod\u00e1rstve, skenuj\u00fa obr\u00e1zky vrstvu po vrstve s cie\u013eom identifikova\u0165 vzory, ako s\u00fa neobvykl\u00e9 text\u00fary alebo farby.<\/p>\n

V s\u00fadnom konan\u00ed v roku 2022,\u00a0ResNet50<\/strong>-ob\u013e\u00faben\u00fd model CNN - dosiahol presnos\u0165 99,07% pri diagnostike chor\u00f4b paradajok.<\/p>\n

Medzit\u00fdm,\u00a0Vision Transformers (ViTs)<\/strong>\u00a0rozdeli\u0165 obr\u00e1zky na \u010dasti a sk\u00fama\u0165 ich vz\u0165ahy, \u010d\u00edm napodob\u0148uj\u00fa sp\u00f4sob, ak\u00fdm \u013eudia analyzuj\u00fa kontext. Tento pr\u00edstup pomohol v \u0161t\u00fadii z roku 2020 odhali\u0165 v\u00edrus \u010distenia \u017e\u00edl vini\u010da s presnos\u0165ou 71%.<\/p>\n

\u201cBud\u00facnos\u0165 po\u013enohospod\u00e1rstva nespo\u010d\u00edva v nahraden\u00ed \u013eud\u00ed, ale vo vybaven\u00ed ich inteligentn\u00fdmi n\u00e1strojmi.\u201d<\/em><\/p><\/blockquote>\n

\u00daloha modern\u00fdch senzorov v modernom po\u013enohospod\u00e1rstve<\/strong><\/h2>\n

R\u00f4zne senzory pon\u00fakaj\u00fa jedine\u010dn\u00e9 v\u00fdhody pre presn\u00e9 po\u013enohospod\u00e1rstvo.\u00a0Kamery RGB<\/strong>, hoci s\u00fa cenovo dostupn\u00e9 a \u013eahko pou\u017eite\u013en\u00e9, maj\u00fa probl\u00e9my s v\u010dasn\u00fdmi \u0161t\u00e1diami ochoren\u00ed kv\u00f4li obmedzen\u00fdm spektr\u00e1lnym detailom. Naproti tomu,\u00a0hyperspektr\u00e1lne kamery<\/strong>\u00a0zachyt\u00e1vaj\u00fa \u00fadaje v stovk\u00e1ch sveteln\u00fdch vlnov\u00fdch d\u013a\u017eok, \u010d\u00edm odha\u013euj\u00fa stresov\u00e9 sign\u00e1ly nevidite\u013en\u00e9 vo\u013en\u00fdm okom.<\/p>\n

V\u00fdskumn\u00edci napr\u00edklad pou\u017eili hyperspektr\u00e1lne zobrazovanie na diagnostiku rakoviny jablone s presnos\u0165ou 98% v roku 2022. Tieto kamery v\u0161ak stoja\u00a010,000\u2013<\/span>10<\/span>,<\/span>000\u2013<\/span><\/span><\/span><\/span>50 000 EUR, tak\u017ee s\u00fa pre mal\u00fdch po\u013enohospod\u00e1rov pr\u00edli\u0161 drah\u00e9.<\/p>\n

Termokamery<\/strong>\u00a0poskytuj\u00fa \u010fal\u0161\u00ed uhol poh\u013eadu prostredn\u00edctvom merania teplotn\u00fdch zmien sp\u00f4soben\u00fdch infekciami. V \u0161t\u00fadii z roku 2019 sa zistilo, \u017ee listy infikovan\u00e9 zelenou farbou citrusov vykazuj\u00fa zrete\u013en\u00e9 tepeln\u00e9 vzory, \u010do umo\u017e\u0148uje ich v\u010dasn\u00fa detekciu.<\/p>\n

Medzit\u00fdm,\u00a0multispektr\u00e1lne kamery<\/strong>-stredn\u00e1 mo\u017enos\u0165 - sledovanie hlad\u00edn chlorofylu na hodnotenie zdravia rastl\u00edn.<\/p>\n

Tieto senzory v roku 2014 mapovali v\u00fdskyt p\u00e1sovej hrdze p\u0161enice, \u010do pomohlo po\u013enohospod\u00e1rom efekt\u00edvnej\u0161ie zamera\u0165 o\u0161etrenie. Napriek ich v\u00fdhod\u00e1m s\u00fa n\u00e1klady na sn\u00edma\u010de a environment\u00e1lne faktory, ako je vietor alebo nerovnomern\u00e9 osvetlenie, na\u010falej v\u00fdzvou.<\/p>\n

Verejn\u00e9 s\u00fabory \u00fadajov: Z\u00e1kladom po\u013enohospod\u00e1rstva s umelou inteligenciou<\/strong><\/h2>\n

Tr\u00e9novanie spo\u013eahliv\u00fdch modelov umelej inteligencie si vy\u017eaduje obrovsk\u00e9 mno\u017estvo ozna\u010den\u00fdch \u00fadajov. Na str\u00e1nke\u00a0S\u00fabor \u00fadajov PlantVillage<\/strong>, bezplatn\u00fd zdroj s 87 000 obr\u00e1zkami 14 plod\u00edn a 26 chor\u00f4b, sa stal pre v\u00fdskumn\u00edkov zlat\u00fdm \u0161tandardom.<\/p>\n

Viac ako 90% \u0161t\u00fadi\u00ed citovan\u00fdch v \u010dl\u00e1nku pou\u017eilo tento s\u00fabor \u00fadajov na tr\u00e9novanie a testovanie svojich modelov. \u010eal\u0161\u00ed k\u013e\u00fa\u010dov\u00fd zdroj, tzv.\u00a0S\u00fabor \u00fadajov o chorob\u00e1ch manioku<\/strong>, obsahuje 11 670 obr\u00e1zkov mozaikovej choroby manioku a dosiahla presnos\u0165 96% s modelmi CNN.<\/p>\n

Nedostatky v\u0161ak pretrv\u00e1vaj\u00fa. Zriedkav\u00e9 choroby, ako napr\u00edklad h\u00e1\u010fatko borovicov\u00e9, maj\u00fa menej ako 100 ozna\u010den\u00fdch obr\u00e1zkov, \u010do obmedzuje schopnos\u0165 umelej inteligencie ich odhali\u0165. Okrem toho v\u00e4\u010d\u0161ina s\u00faborov \u00fadajov obsahuje laborat\u00f3rne sn\u00edmky, ktor\u00e9 nezoh\u013ead\u0148uj\u00fa premenn\u00e9 re\u00e1lneho sveta, ako je po\u010dasie alebo osvetlenie.<\/p>\n

Na rie\u0161enie tohto probl\u00e9mu sa v r\u00e1mci projektov, ako je AI4Ag, z\u00edskavaj\u00fa od po\u013enohospod\u00e1rov z cel\u00e9ho sveta sn\u00edmky z pol\u00ed, ktor\u00fdch cie\u013eom je vytvori\u0165 spo\u013eahlivej\u0161ie a realistickej\u0161ie s\u00fabory \u00fadajov.<\/p>\n

Meranie v\u00fdkonnosti umelej inteligencie: Presnos\u0165, prec\u00edznos\u0165 a viac<\/strong><\/h2>\n

\"V\u00fdkonnostn\u00e9<\/p>\n

V\u00fdskumn\u00edci pou\u017e\u00edvaj\u00fa na hodnotenie syst\u00e9mov detekcie chor\u00f4b rastl\u00edn s umelou inteligenciou nieko\u013eko ukazovate\u013eov.\u00a0Presnos\u0165<\/strong>-percento spr\u00e1vnych diagn\u00f3z - sa pohybuje od\u00a076.9% v prv\u00fdch modeloch<\/strong>\u00a0na\u00a099,97% v pokro\u010dil\u00fdch syst\u00e9moch ako EfficientNet-B5<\/strong>.<\/p>\n

Samotn\u00e1 presnos\u0165 v\u0161ak m\u00f4\u017ee by\u0165 zav\u00e1dzaj\u00faca. Presnos\u0165 meria, ko\u013eko ozna\u010den\u00fdch chor\u00f4b je skuto\u010dn\u00fdch (vyh\u00fdbaj\u00fac sa falo\u0161n\u00fdm poplachom), zatia\u013e \u010do odvolanie sleduje, ko\u013eko skuto\u010dn\u00fdch infekci\u00ed bolo odhalen\u00fdch.<\/p>\n

Napr\u00edklad,\u00a0Maska R-CNN<\/strong>, model detekcie objektov, dosiahol 93,5% odvolania pri detekcii antrakn\u00f3zy jah\u00f4d, ale len 45% presnosti pri detekcii hniloby kore\u0148ov bavlny.<\/p>\n

Str\u00e1nka\u00a0Sk\u00f3re F1<\/strong>\u00a0vyva\u017euje presnos\u0165 a odvolanie, \u010d\u00edm pon\u00faka ucelen\u00fd poh\u013ead na v\u00fdkonnos\u0165. V sk\u00fa\u0161ke v roku 2023,\u00a0PlantViT<\/strong>-hybridn\u00fd model AI dosiahol 98,61% F1-sk\u00f3re na s\u00fabore \u00fadajov PlantVillage.<\/p>\n

Na detekciu objektov,\u00a0priemern\u00e1 priemern\u00e1 presnos\u0165 (mAP)<\/strong>\u00a0je rozhoduj\u00faca.\u00a0R\u00fdchlej\u0161ie R-CNN<\/strong>, popul\u00e1rny model, dosiahol v pokusoch s chorobami jab\u013ak hodnotu 73,07% mAP, \u010do znamen\u00e1, \u017ee vo v\u00e4\u010d\u0161ine pr\u00edpadov spr\u00e1vne lokalizoval a klasifikoval infekcie.<\/p>\n

V\u00fdzvy, ktor\u00e9 brzdia umel\u00fa inteligenciu v po\u013enohospod\u00e1rstve<\/strong><\/h2>\n

Napriek svojmu potenci\u00e1lu \u010del\u00ed detekcia chor\u00f4b na b\u00e1ze umelej inteligencie prek\u00e1\u017ekam. Po prv\u00e9, zriedkav\u00e9 alebo nov\u00e9 choroby tr\u00e1pi nedostatok \u00fadajov.<\/p>\n