Vloga aplikacij računalniškega vida z globokim učenjem za zgodnje odkrivanje rastlinskih bolezni

Rastlinske bolezni tiho ogrožajo svetovno prehransko varnost, saj letno uničijo 10–161 TP3 ton pridelkov in kmetijsko industrijo stanejo 1 TP4 220 milijard funtov izgube. Tradicionalne metode, kot so ročni pregledi in laboratorijski testi, so počasne, drage in pogosto nezanesljive.

Prelomna študija iz leta 2025, “"Globoko učenje in računalniški vid pri odkrivanju rastlinskih bolezni"” (Upadhyay et al.) razkriva, kako odkrivanje rastlinskih bolezni z umetno inteligenco in računalniški vid v kmetijstvu spreminjata kmetijstvo.

Zakaj je zgodnje odkrivanje rastlinskih bolezni pomembno za globalno prehransko varnost

Kmetijstvo zaposluje 28% svetovne delovne sile, pri čemer države, kot so Indija, Kitajska in ZDA, vodijo v pridelavi poljščin. Kljub temu rastlinske bolezni, ki jih povzročajo glive, bakterije in virusi, zmanjšujejo donose in obremenjujejo gospodarstva.

Na primer, bolezen riževe pegavosti zmanjša pridelek za 30–501 TP3T v prizadetih regijah, medtem ko je ozelenitev citrusov od leta 2005 izbrisala 701 TP3T nasadov pomarančevca na Floridi. Zgodnje odkrivanje je ključnega pomena, vendar mnogi kmetje nimajo dostopa do naprednih orodij ali strokovnega znanja.

Tukaj nastopi odkrivanje bolezni s pomočjo umetne inteligence, ki ponuja hitre, cenovno dostopne in natančne rešitve, ki prekašajo tradicionalne metode.

Kako umetna inteligenca in računalniški vid odkrivata bolezni pridelkov

Študija je analizirala 278 raziskovalnih člankov, da bi pojasnila delovanje sistemov za odkrivanje rastlinskih bolezni z umetno inteligenco. Najprej kamere ali senzorji zajamejo slike pridelkov. Te slike se nato obdelajo z algoritmi za prepoznavanje znakov bolezni.

Na primer, RGB kamere fotografirajo barvne fotografije, da bi odkrili vidne simptome, kot so listne pege, medtem ko hiperspektralne kamere zaznavajo skrite signale stresa z analizo stotin svetlobnih valovnih dolžin.

Ko so slike zajete, se predhodno obdelajo za izboljšanje kakovosti. Tehnike, kot je določanje pragov, izolirajo obolela območja po barvi, zaznavanje robov pa preslika meje lezij ali razbarvanja.

Nato modeli globokega učenja analizirajo predhodno obdelane podatke. Konvolucijske nevronske mreže (CNN), najpogostejša orodja umetne inteligence v kmetijstvu, skenirajo slike plast za plastjo, da prepoznajo vzorce, kot so nenavadne teksture ali barve.

V sojenju leta 2022, ResNet50– priljubljen model CNN – je dosegel natančnost 99,07% pri diagnosticiranju bolezni paradižnika.

Medtem, Vision Transformers (ViT) razdelili slike na zaplate in preučili njihove odnose, pri čemer so posnemali, kako ljudje analizirajo kontekst. Ta pristop je v študiji iz leta 2020 pomagal odkriti virus čiščenja žil vinske trte z natančnostjo 71%.

“Prihodnost kmetijstva ni v nadomestitvi ljudi, temveč v tem, da jih opremimo z inteligentnimi orodji.”

Vloga naprednih senzorjev v sodobnem kmetijstvu

Različni senzorji ponujajo edinstvene prednosti za precizno kmetijstvo. RGB kamere, čeprav cenovno dostopni in enostavni za uporabo, se zaradi omejenih spektralnih podrobnosti težko spopadajo z boleznimi v zgodnji fazi. Nasprotno pa, hiperspektralne kamere zajamejo podatke prek stotin svetlobnih valovnih dolžin in razkrijejo signale stresa, ki so nevidni s prostim očesom.

Raziskovalci so na primer leta 2022 s hiperspektralnim slikanjem diagnosticirali rak jabolčne valse z natančnostjo 98%. Vendar te kamere stanejo ... $10,000–$50.000, zaradi česar so za male kmete predragi.

Termovizijske kamere ponujajo še en vidik z merjenjem temperaturnih sprememb, ki jih povzročajo okužbe. Študija iz leta 2019 je pokazala, da listi, okuženi z ozelenitvijo citrusov, kažejo izrazite vzorce toplote, kar omogoča zgodnje odkrivanje.

Medtem, multispektralne kamere– srednja možnost – spremljanje ravni klorofila za oceno zdravja rastlin.

Ti senzorji so leta 2014 kartirali progasto rjo pšenice in kmetom pomagali pri učinkovitejšem usmerjanju tretiranja. Kljub njihovim prednostim ostajajo stroški senzorjev in okoljski dejavniki, kot sta veter ali neenakomerna osvetlitev, izziv.

Javni nabori podatkov: hrbtenica umetne inteligence v kmetijstvu

Usposabljanje zanesljivih modelov umetne inteligence zahteva ogromne količine označenih podatkov. Nabor podatkov PlantVillage, brezplačen vir z 87.000 slikami 14 poljščin in 26 bolezni, je postal zlati standard za raziskovalce.

Več kot 90% študij, navedenih v članku, je uporabilo ta nabor podatkov za učenje in testiranje svojih modelov. Drug ključni vir, Nabor podatkov o bolezni kasave, vključuje 11.670 slik mozaične bolezni kasave in je z modeli CNN dosegel natančnost 96%.

Vendar pa vrzeli še vedno obstajajo. Redke bolezni, kot je borova ogorčica, imajo manj kot 100 označenih slik, kar omejuje sposobnost umetne inteligence, da jih zazna. Poleg tega večina naborov podatkov vsebuje slike, posnete v laboratoriju, ki ne upoštevajo spremenljivk iz resničnega sveta, kot sta vreme ali osvetlitev.

Da bi to rešili, projekti, kot je AI4Ag, zbirajo slike polj od kmetov z vsega sveta, da bi zgradili robustnejše in realistične nabore podatkov.

Merjenje učinkovitosti umetne inteligence: natančnost, preciznost in še več

Raziskovalci uporabljajo več metrik za ocenjevanje sistemov za odkrivanje rastlinskih bolezni z umetno inteligenco. Natančnost—odstotek pravilnih diagnoz – se giblje od 76.9% v zgodnejših modelih do 99.97% v naprednih sistemih, kot je EfficientNet-B5.

Vendar pa je lahko že sama natančnost zavajajoča. Natančnost meri, koliko označenih bolezni je resničnih (s čimer se izognemo lažnim alarmom), medtem ko odpoklic spremlja, koliko dejanskih okužb je odkritih.

Na primer, Maska R-CNN, model za zaznavanje objektov, je dosegel natančnost 93,51 TP3T pri zaznavanju antraknoze jagod, vendar le 451 TP3T natančnost pri zaznavanju gnilobe korenin bombaža.

The Rezultat F1 uravnoteži natančnost in odmev ter ponuja celosten pogled na uspešnost. V poskusu iz leta 2023 je, PlantViT–hibridni model umetne inteligence – je na naboru podatkov PlantVillage dosegel oceno 98,611 TP3T F1.

Za zaznavanje predmetov, povprečna natančnost (mAP) je kritično. Hitrejši R-CNN, priljubljen model, je v poskusih bolezni jablan dosegel 73.07% mAP, kar pomeni, da je v večini primerov pravilno lociral in razvrstil okužbe.

Izzivi, ki ovirajo umetno inteligenco v kmetijstvu

Kljub svojemu potencialu se odkrivanje bolezni s pomočjo umetne inteligence sooča z ovirami. Prvič, pomanjkanje podatkov pesti redke ali nove bolezni.

• Na primer, za študijo iz leta 2021 je bilo na voljo le 20 slik pepelaste plesni kumar, kar je omejilo zanesljivost modela.
• Drugič, okoljski dejavniki, kot so veter, sence ali spremenljive svetlobne razmere, zmanjšajo natančnost polja za 20–30% v primerjavi z laboratorijskimi nastavitvami.
• Tretjič, visoki stroški ovirajo sprejetje. Hiperspektralne kamere, čeprav zmogljive, ostajajo nedostopne za male kmete, orodja umetne inteligence pa zahtevajo pametne telefone ali dostop do interneta – kar je na podeželju še vedno ovira.
• Končno, težave z zaupanjem vztrajajo. Raziskava iz leta 2023 je pokazala, da 68% kmetov okleva z uvedbo umetne inteligence zaradi njene narave “črne škatle” – ne vidijo, kako se sprejemajo odločitve.

Da bi to premagali, raziskovalci razvijajo razumljivo umetno inteligenco, ki diagnoze razlaga na preprost način, kot je označevanje okuženih območij listov ali naštevanje simptomov.

Prihodnost kmetijstva: 5 inovacij, ki jih je vredno spremljati

1. Robno računalništvo za analizo v realnem časuLahki modeli umetne inteligence, kot je MobileNetV2 (velikost 7 MB), delujejo na pametnih telefonih ali dronih in ponujajo odkrivanje bolezni v realnem času brez interneta. Leta 2023 je ta model dosegel natančnost 99,42% pri razvrščanju bolezni krompirja, kar kmetom omogoča takojšnje odločanje.

2. Prenos učenja za hitrejše prilagajanjePredhodno naučene modele, kot je PlantViT, je mogoče natančno prilagoditi za nove pridelke z minimalnimi podatki. Študija iz leta 2023 je prilagodila PlantViT za zaznavanje riževe pepelnice in dosegla natančnost 87,87% z uporabo samo 1000 slik.

3. Modeli vidnega jezika (VLM)Sistemi, kot je OpenAI-jev CLIP, kmetom omogočajo, da poizvedujejo po umetni inteligenci z uporabo besedila (npr. “Poišči rjave lise na listih”). Ta naravna interakcija premošča vrzel med kompleksno tehnologijo in vsakdanjim kmetijstvom.

4. Temeljni modeli za splošno umetno inteligencoVeliki modeli, kot je GPT-4, bi lahko simulirali širjenje bolezni ali priporočali zdravljenje in delovali kot virtualni agronomi.

5. Kolaborativne globalne baze podatkovOdprtokodne platforme, kot sta PlantVillage in AI4Ag, združujejo podatke kmetov in raziskovalcev z vsega sveta ter pospešujejo inovacije.

Študija primera: Gojenje manga v Indiji s pomočjo umetne inteligence

Leta 2024 so raziskovalci razvili lahek model DenseNet za boj proti boleznim manga, kot sta antraknoza in pepelasta plesen. Model, usposobljen na 12.332 terenskih slikah, je dosegel natančnost 99,2% – višjo od večine laboratorijskih sistemov.

Z manj parametri 50% deluje gladko na cenovno ugodnih pametnih telefonih. Indijski kmetje zdaj uporabljajo aplikacijo $10, zgrajeno na tej umetni inteligenci, za skeniranje listov in prejemanje takojšnjih diagnoz, s čimer zmanjšajo uporabo pesticidov za 30% in rešijo pridelke.

Zaključek

Odkrivanje rastlinskih bolezni z umetno inteligenco in tehnologija preciznega kmetijstva preoblikujeta kmetijstvo in ponujata upanje proti prehranski negotovosti. Z omogočanjem zgodnje diagnoze, zmanjšanjem uporabe kemikalij in krepitvijo vloge malih kmetov bi lahko ta orodja povečala svetovni pridelek za 20–301 TP3T.

Da bi uresničili ta potencial, morajo deležniki obravnavati stroške senzorjev, izboljšati raznolikost podatkov in z izobraževanjem vzpostaviti zaupanje kmetov.

ReferencaUpadhyay, A., Chandel, NS, Singh, KP idr. Globoko učenje in računalniški vid pri odkrivanju rastlinskih bolezni: celovit pregled tehnik, modelov in trendov v preciznem kmetijstvu. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x