Улога апликација за дубоко учење и рачунарски вид у раном откривању биљних болести

Биљне болести тихо угрожавају глобалну безбедност хране, уништавајући 10–16% усева годишње и коштајући пољопривредну индустрију 1TP4220 милијарди губитака. Традиционалне методе попут ручних инспекција и лабораторијских тестова су споре, скупе и често непоуздане.

Револуционарна студија из 2025. године, “Дубоко учење и рачунарски вид у откривању биљних болести” (Упадјај и др.), открива како детекција биљних болести помоћу вештачке интелигенције и пољопривреда заснована на компјутерском виду трансформишу пољопривреду.

Зашто је рано откривање биљних болести важно за глобалну безбедност хране

Пољопривреда запошљава 28% глобалне радне снаге, а земље попут Индије, Кине и САД воде у производњи усева. Упркос томе, биљне болести изазване гљивицама, бактеријама и вирусима смањују приносе и оптерећују економије.

На пример, болест пиринчане пламе смањује жетве за 30–50% у погођеним регионима, док је озелењавање цитруса збрисало 70% засада поморанџи на Флориди од 2005. године. Рано откривање је кључно, али многи пољопривредници немају приступ напредним алатима или стручности.

Ту наступа откривање болести засновано на вештачкој интелигенцији, нудећи брза, приступачна и прецизна решења која надмашују традиционалне методе.

Како вештачка интелигенција и компјутерски вид откривају болести усева

Студија је анализирала 278 истраживачких радова како би објаснила како функционишу системи за детекцију биљних болести помоћу вештачке интелигенције. Прво, камере или сензори снимају слике усева. Ове слике се затим обрађују помоћу алгоритама за идентификацију знакова болести.

На пример, RGB камере снимају фотографије у боји како би уочили видљиве симптоме попут пега на листовима, док хиперспектралне камере откривају скривене сигнале стреса анализирајући стотине светлосних таласних дужина.

Када се слике сниме, оне се претходно обрађују ради побољшања квалитета. Технике попут прага изолују оболела подручја по боји, а детекција ивица мапира границе лезија или промене боје.

Затим, модели дубоког учења анализирају претходно обрађене податке. Конволуционе неуронске мреже (КНМ), најчешћи алати вештачке интелигенције у пољопривреди, скенирају слике слој по слој како би идентификовали обрасце попут необичних текстура или боја.

На суђењу из 2022. године, РесНет50—популарни CNN модел — постигао је тачност од 99.07% у дијагностиковању болести парадајза.

У међувремену, Вижн Трансформерси (ВиТ) поделили слике на делове и проучили њихове односе, опонашајући начин на који људи анализирају контекст. Овај приступ је помогао у откривању вируса чишћења жила винове лозе са тачношћу 71% у студији из 2020. године.

“Будућност пољопривреде не лежи у замени људи, већ у њиховом опремању интелигентним алатима.”

Улога напредних сензора у модерној пољопривреди

Различити сензори нуде јединствене предности за прецизну пољопривреду. RGB камере, иако приступачни и једноставни за коришћење, имају проблема са болестима у раној фази због ограничених спектралних детаља. Насупрот томе, хиперспектралне камере снимају податке преко стотина светлосних таласних дужина, откривајући сигнале стреса невидљиве голим оком.

На пример, истраживачи су 2022. године користили хиперспектрално снимање за дијагностиковање рака јабуке валса са тачношћу од 98%. Међутим, ове камере коштају. $10,000–$50.000, што их чини прескупим за мале пољопривреднике.

Термалне камере пружају други угао мерења промена температуре изазваних инфекцијама. Студија из 2019. године открила је да листови заражени цитрусним зеленилом показују изразите обрасце топлоте, што омогућава рано откривање.

У међувремену, мултиспектралне камере— средња опција — пратите нивое хлорофила да бисте проценили здравље биљака.

Ови сензори су мапирали пругасту рђу пшенице 2014. године, помажући пољопривредницима да ефикасније циљају третмане. Упркос њиховим предностима, трошкови сензора и фактори околине попут ветра или неравномерног осветљења остају изазови.

Јавни скупови података: окосница вештачке интелигенције у пољопривреди

Обука поузданих модела вештачке интелигенције захтева огромне количине обележених података. Скуп података PlantVillage-а, бесплатни ресурс са 87.000 слика 14 усева и 26 болести, постао је златни стандард за истраживаче.

Преко 90% студија цитираних у раду користило је овај скуп података за тренирање и тестирање својих модела. Још један кључни ресурс, Скуп података о болести касаве, укључује 11.670 слика мозаичне болести касаве и постигао је тачност од 96% са CNN моделима.

Међутим, празнине и даље постоје. Ретке болести попут борове нематоде имају мање од 100 обележених слика, што ограничава способност вештачке интелигенције да их детектује. Поред тога, већина скупова података садржи слике снимљене у лабораторији, које не узимају у обзир променљиве из стварног света попут времена или осветљења.

Да би се ово решило, пројекти попут AI4Ag прикупљају слике поља од пољопривредника широм света, са циљем да изграде робусније и реалистичније скупове података.

Мерење перформанси вештачке интелигенције: тачност, прецизност и више од тога

Истраживачи користе неколико метрика за процену система за откривање биљних болести помоћу вештачке интелигенције. Тачност—проценат тачних дијагноза — креће се од 76.9% у раним моделима до 99.97% у напредним системима као што је EfficientNet-B5.

Међутим, сама тачност може бити обмањујућа. Прецизност мери колико је означених болести стварно (избегавајући лажне узбуне), док опозив прати колико је стварних инфекција откривено.

На пример, Маска Р-ЦНН, модел за детекцију објеката, постигао је прецизност од 93,5% у откривању антракнозе јагоде, али само 45% у детекцији трулежи корена памука.

То F1-Резултат балансира прецизност и памћење, нудећи холистички поглед на перформансе. У испитивању из 2023. године, PlantViT—хибридни вештачки интелигентни модел — постигао је резултат од 98,61% F1-Score на скупу података PlantVillage.

За детекцију објеката, средња просечна прецизност (mAP) је критично. Бржи R-CNN, популарни модел, постигао је 73.07% mAP у испитивањима болести јабуке, што значи да је у већини случајева правилно лоцирао и класификовао инфекције.

Изазови који коче вештачку интелигенцију у пољопривреди

Упркос свом потенцијалу, откривање болести засновано на вештачкој интелигенцији суочава се са препрекама. Прво, недостатак података погађа ретке или новонастале болести.

• На пример, за студију из 2021. године било је доступно само 20 слика пепелнице краставца, што је ограничавало поузданост модела.
• Друго, фактори околине попут ветра, сенки или различитих услова осветљења смањују тачност терена за 20–30% у поређењу са лабораторијским подешавањима.
• Треће, високи трошкови ометају усвајање. Хиперспектралне камере, иако моћне, остају недоступне малим пољопривредницима, а алати вештачке интелигенције захтевају паметне телефоне или приступ интернету – што је и даље препрека у руралним подручјима.
• Коначно, проблеми са поверењем и даље постоје. Истраживање из 2023. године показало је да 68% пољопривредника оклева да усвоји вештачку интелигенцију због њене природе “црне кутије” – не могу да виде како се доносе одлуке.

Да би превазишли овај проблем, истраживачи развијају интерпретабилну вештачку интелигенцију која објашњава дијагнозе једноставним речима, попут истицања заражених подручја листова или навођења симптома.

Будућност пољопривреде: 5 иновација које треба пратити

1. Edge Computing за анализу у реалном временуЛагани вештачки модели попут MobileNetV2 (величине 7 MB) раде на паметним телефонима или дроновима, нудећи откривање болести у реалном времену без интернета. У 2023. години, овај модел је постигао тачност од 99.42% у класификацији болести кромпира, омогућавајући пољопривредницима да доносе тренутне одлуке.

2. Трансфер учења за бржу адаптацијуПретходно обучени модели попут PlantViT-а могу се фино подесити за нове усеве са минималним подацима. Студија из 2023. године прилагодила је PlantViT за детекцију експлозије пиринча, постижући тачност од 87,87% користећи само 1.000 слика.

3. Модели визуелно-језичког система (VLM)Системи попут OpenAI-јевог CLIP-а омогућавају пољопривредницима да упућују вештачкој интелигенцији текст (нпр. “Пронађите смеђе мрље на лишћу”). Ова природна интеракција премошћује јаз између сложене технологије и свакодневне пољопривреде.

4. Основни модели за вештачку интелигенцију опште наменеВелики модели попут GPT-4 могли би симулирати ширење болести или препоручити третмане, делујући као виртуелни агрономи.

5. Колаборативне глобалне базе податакаПлатформе отвореног кода попут PlantVillage и AI4Ag обједињују податке пољопривредника и истраживача широм света, убрзавајући иновације.

Студија случаја: Узгој манга помоћу вештачке интелигенције у Индији

Истраживачи су 2024. године развили лагани DenseNet модел за борбу против болести манга попут антракнозе и пепелнице. Обучен на 12.332 теренске слике, модел је постигао тачност од 99,2% — већу од већине лабораторијских система.

Са мање параметара, глатко ради на јефтинијим паметним телефонима. Индијски пољопривредници сада користе апликацију $10 изграђену на овој вештачкој интелигенцији за скенирање лишћа и добијање тренутних дијагноза, смањујући употребу пестицида за 30% и штедећи усеве.

Закључак

Детекција биљних болести помоћу вештачке интелигенције и технологија прецизне пољопривреде мењају пољопривреду, пружајући наду против несигурности у снабдевању храном. Омогућавањем ране дијагнозе, смањењем употребе хемикалија и оснаживањем малих пољопривредника, ови алати би могли повећати глобалне приносе усева за 20–30%.

Да би се остварио овај потенцијал, заинтересоване стране морају да се позабаве трошковима сензора, побољшају разноликост података и изграде поверење пољопривредника кроз едукацију.

РеференцаУпадјај, А., Чандел, НС, Синг, КП и др. Дубоко учење и рачунарски вид у откривању биљних болести: свеобухватни преглед техника, модела и трендова у прецизној пољопривреди. Artif Intell Rev 58, 92 (2025). https://doi.org/10.1007/s10462-024-11100-x