Інтелектуальне виявлення хвороб листя томатів у точному землеробстві

Інтелектуальне виявлення хвороб листя томатів знаходиться на перетині двох потужних сил, що змінюють світове сільське господарство: економічної ваги самої культури томатів та швидкого розвитку технологій комп'ютерного зору. Помідори є найпоширенішою овочевою культурою у світі, виробництво якої охоплює понад 5 мільйонів гектарів у понад 170 країнах.

Втрати від хвороб листя самі по собі щосезону знищують значну частину врожаю, а звичайний візуальний огляд сільськогосподарськими працівниками є занадто повільним, занадто мінливим і занадто дорогим для масштабування. Точне землеробство на базі штучного інтелекту пропонує кращий шлях. Цей посібник охоплює весь спектр інтелектуального виявлення хвороб листя томатів, від фундаментальної біології до передових архітектур.

Чому важливо вирощувати помідори та виявляти хвороби

Помідор (Паслін лікоперсікум) є найбільш дослідженою овочевою культурою у фітопатології, і економічне обґрунтування цієї уваги зрозуміле. Світове виробництво томатів досягло 186 мільйонів метричних тонн у 2024 році, за участю Китаю 37% від загального обсягу виробництва.

Ця культура забезпечує харчову промисловість, ринки свіжої продукції та присадибні ділянки на всіх континентах. Тільки у Сполучених Штатах вартість виробництва свіжих ринкових помідорів у 2023 році перевищила кілька мільярдів доларів, згідно з даними Дослідницького центру сільськогосподарського маркетингу.

Хвороби листя є основною загрозою для врожайності томатів. Продовольча та сільськогосподарська організація ООН (ФАО) оцінює, що хвороби рослин становлять приблизно 40% втрат врожаю в усьому світі, що призводить до величезних наслідків для продовольчої безпеки та економіки.

Тільки грибкові захворювання завдають щорічних збитків на суму $60 мільярдів у всьому світі. Зокрема, для помідорів бактеріальна плямистість за сприятливих умов ураження хворобою може знизити врожайність на до 90%, що робить виявлення та час реагування критично важливими.

Раннє та точне виявлення хвороби є ключовим фактором. Фермер, який виявляє фітофтороз на початковій стадії ураження, може стримувати його за допомогою цілеспрямованого застосування фунгіцидів. Фермер, який пропускає його до появи видимої дефоліації, стикається з втратами врожаю, які жодне втручання не може повністю відновити. Саме тут штучний інтелект, зокрема інтелектуальне виявлення хвороб листя томатів на основі глибокого навчання, змінює рівняння.

Ширший контекст підтверджує цей зсув. Глобальний ринок штучного інтелекту в точному землеробстві був оцінений за... $3,1 млрд у 2024 році і, за прогнозами, досягне $12,7 млрд до 2034 року на Сукупний річний темп зростання (CAGR) 15.1% (Market.us, 2024). Інтелектуальний моніторинг хвороб сільськогосподарських культур є одним із сегментів, що найшвидше розвиваються, у рамках цього розширення.

Хвороби листя томатів: огляд для виявлення

Перш ніж будь-яка система виявлення почне працювати, потрібно точно розуміти, що саме вона має знайти. Листя помідорів уражається широким спектром патогенів, кожен з яких залишає різні, але іноді перекриваються візуальні ознаки.

1. Поширені хвороби листя томатів та їх збудники

Ранній фітофтороз, спричинений грибком Альтернарія солані, утворює темно-коричневі концентричні кільцеві ураження на старому листі. Кільця нагадують візерунок-мішень, а пожовтіння оточує кожне ураження, коли тканина відмирає.

Пізній фітофтороз, спричинений ооміцетом Фітофтора інфестанс — той самий організм, що спричинив ірландський картопляний голод, — утворює просочені водою сірувато-зелені плями, які швидко буріють у теплих і вологих умовах. Він поширюється надзвичайно швидко і може знищити ціле поле за лічені дні.

Септоріозна плямистість листя проявляється у вигляді маленьких круглих плям з темно-коричневими краями та світлішими коричневими центрами. Зазвичай починається на нижніх листках і поширюється вгору, спричиняється грибком. Септоріоз лікоперсісі.

Бактеріальна пляма, спричинений Ксантомонада везикаторія, утворює маленькі, просочені водою плями, які стають коричневими та незграбними, часто оточені жовтими ореолами. На відміну від грибкових плям, бактеріальні ураження не реагують на обробку фунгіцидами.

Листова пліснява, спричинений Пассалора фульва, проявляється у вигляді блідо-зелених або жовтих плям на верхній поверхні листя з оливково-зеленим або сірувато-фіолетовим нальотом цвілі знизу. Він добре росте у вологих тепличних умовах.

Вірус мозаїки томатів (ToMV) утворює плямисті світло- та темно-зелені візерунки на листках, часто зі скручуванням листя та утворенням пухирів. Нерівномірний розподіл кольору відрізняє його від дефіциту поживних речовин.

Вірус жовтого кучерявості листя томатів (TYLCV), що передається білокрилкою Бемізія табакі, викликає завивання країв листя вгору, пожовтіння міжжилок та сильну затримку росту. Це одне з найбільш економічно шкідливих вірусних захворювань у теплих регіонах вирощування помідорів у всьому світі.

2. Симптоми захворювання та проблема виявлення ядра

Візуальна ідентифікація є значною проблемою навіть для кваліфікованих агрономів. Ранні стадії симптомів різних хвороб можуть виглядати майже однаково на фотографії зі смартфона. Септоріозна плямистість листя та бактеріальна плямистість призводять до невеликих круглих уражень. Рання та пізня фітофтороз спричиняють відмирання бурих тканин. Фактори навколишнього середовища, такі як дефіцит азоту, холодовий стрес та фітотоксичність обприскування, можуть імітувати вірусні симптоми.

• Умови освітлення під час зйомки зображення суттєво змінюють колір і текстуру уражень, а переекспоновані фотографії розмивають кільцеві візерунки, що є критично важливим для ранньої ідентифікації ураження.
• На одному листку можуть одночасно виникати кілька захворювань, причому симптоми одного патогена візуально перекривають симптоми іншого — сценарій, який ставить під сумнів як фахівців-людей, так і моделі штучного інтелекту.
• Прогресування захворювання змінює свій вигляд з часом, а це означає, що модель, навчена лише на ураженнях на пізніх стадіях, часто пропускає найдавніші та найбільш піддані лікуванню стадії інфекції.
• Складність фону на польових зображеннях — ґрунт, інше листя, плоди та обладнання для зрошення — додає візуальний шум, який погіршує точність класифікації в реальних умовах порівняно з лабораторними.

Це не просто академічні складнощі. Вони безпосередньо впливають на те, як мають бути створені набори даних виявлення, як мають бути навчені моделі та як системи виявлення мають бути перевірені перед розгортанням.

Критична роль раннього виявлення хвороб у веденні сільськогосподарських культур

Раннє виявлення — це не просто питання швидших дій. Йдеться про дії, коли вони ще ефективні. Фунгіциди, що застосовуються за перших ознак ранніх уражень фітофторозом, запобігають спороутворенню та його поширенню. Ті ж фунгіциди, що застосовуються після дефоліації крони 30%, мають незначну економічну віддачу.

• Врожайність сільськогосподарських культур Захист є найбільш прямою перевагою: поля, де хворобу виявляють у перші 10-14 днів після появи симптомів, постійно демонструють значно менші втрати врожаю, ніж ті, де виявлення затримується на два тижні або більше.
• Використання пестицидів Зменшення є результатом точного визначення часу. Замість застосування фунгіцидів за календарним графіком, фермери з можливістю раннього виявлення можуть застосовувати їх лише тоді, коли підтверджено пороговий рівень зараження, скорочуючи витрати хімікатів до 40-50%.
• Економія коштів швидко накопичуються протягом вегетаційного періоду. Менша кількість обприскувань означає менші витрати праці, палива та хімікатів. Для середнього господарства з вирощування томатів, яке обробляє понад 50 гектарів, ця економія є суттєвою.
• Цілі сталого сільського господарства безпосередньо підтримуються. Зменшення застосування пестицидів зменшує стік у водні системи та зменшує селекційний тиск на стійкі штами патогенів.
• Профілактика поширення хвороб захищає не лише окремі поля, а й цілі сільськогосподарські райони. Наприклад, фітофтороз утворює спори, що розносяться вітром, які можуть заразити сусідні ферми протягом кількох годин після утворення спор.

Економічна та агрономічна логіка переконлива: інвестуйте в технології раннього виявлення, і подальші витрати на боротьбу з хворобами різко знизяться.

Санчес-Санчес та ін. (2024) підрахували, що самі лише вірусні захворювання знижують світову вартість виробництва томатів на Від 2 до 5% щорічно, що перекладається у збитки в мільярди доларів США, враховуючи масштаби світового ринку цієї культури.

Навіть незначне скорочення втрат, пов'язаних з хворобами, завдяки ранньому виявленню за допомогою штучного інтелекту може забезпечити окупність інвестицій у технології протягом одного вегетаційного періоду для великих виробників томатів.

Точне землеробство та інтелектуальні системи моніторингу захворювань

Точне землеробство — це практика ставлення до ферми як до мозаїки окремих зон, а не до однорідного поля. Замість застосування однакової норми висіву, об’єму води або дози фунгіцидів до кожного квадратного метру, точні системи використовують дані в режимі реального часу для зміни вхідних даних залежно від фактичних умов у кожному місці.

1. Основні концепції точного землеробства

Сільське господарство на основі даних спирається на безперервний цикл: датчики та системи візуалізації збирають польові дані, програмне забезпечення обробляє та інтерпретує ці дані, а інструменти підтримки прийняття рішень перетворюють інтерпретацію на рекомендації щодо дій. Кожна ланка в цьому ланцюжку має бути точною, щоб система приносила цінність.

Розумне управління сільськогосподарськими культурами поширює цю логіку на біологічні загрози. Замість того, щоб чекати, поки симптоми хвороби стануть очевидними, або покладатися на щотижневі розвідувальні прогулянки, розумна система моніторингу виявляє хворобу за перших видимих або спектральних ознак та запускає сповіщення, яке вказує на місцезнаходження, ідентичність та ймовірну тяжкість інфекції.

2. Технології моніторингу захворювань у сучасному точному землеробстві

Цифрова візуалізація є основним джерелом даних для більшості інтелектуальних систем виявлення захворювань. RGB-камери фіксують видиму кольорову інформацію, яку бачать люди. Мультиспектральні камери фіксують довжини хвиль за межами видимого світла, включаючи ближнє інфрачервоне випромінювання, що виявляє хлорофіловий стрес ще до того, як він стане видимим неозброєним оком.

Гіперспектральні камери фіксують сотні вузьких діапазонів довжин хвиль і можуть виявляти біохімічні зміни на молекулярному рівні, хоча вони залишаються дорогими для більшості сільськогосподарських розгортань.

Наземні датчики та мережі Інтернету речей (IoT) доповнюють візуалізацію. Датчики температури та вологості, розміщені в кронах сільськогосподарських культур, надають дані про мікроклімат, які вказують на розвиток сприятливих для хвороб умов.

Період тривалої вологості листя понад 10 годин у поєднанні з температурою від 18 до 22°C є відомим сигналом-тригером фітофторозу — система Інтернету речей може видавати попередження про ризик захворювання ще до появи будь-якого ураження.

Дрони та безпілотні літальні апарати (БПЛА) додають просторовий вимір до моніторингу захворювань, який не може забезпечити наземне зображення. БПЛА, оснащений мультиспектральною камерою, може обстежити 10-гектарне поле томатів менш ніж за 30 хвилин, створюючи географічну карту ризику захворювання, яка точно показує, які ряди та зони мають ранні ознаки стресу.

Це дозволяє цілеспрямовано обробляти ділянки високого ризику, а не застосовувати їх на цілих полях. Системи землеробства на базі Інтернету речей інтегрують усі ці потоки даних в єдину платформу, передаючи спостереження на рівні поля до хмарної аналітики або вузлів периферійних обчислень, де алгоритми класифікації захворювань працюють майже в режимі реального часу.

Глибоке навчання для виявлення хвороб листя томатів

Глибоке навчання — це розділ машинного навчання, в якому алгоритми навчаються витягувати закономірності безпосередньо з необроблених даних — у цьому випадку зображень — через ієрархічні шари математичних перетворень.

Визначальною перевагою над класичним машинним навчанням є те, що глибоке навчання не вимагає від людини-експерта вручну визначати, які ознаки (форми, текстури, градієнти кольорів) шукати на зображенні хворого листка. Алгоритм вивчає ці ознаки з навчальних прикладів.

1. Основи глибокого навчання для класифікації зображень

Ан Штучна нейронна мережа (ШНМ) (обчислювальна система, вільно натхненна біологічними нейронами) обробляє вхідні дані через шари взаємопов'язаних вузлів.

Кожне з'єднання має числову вагу, яка визначає, наскільки сильно активація одного вузла впливає на наступний. Навчання мережі означає коригування цих ваг за допомогою позначених прикладів, доки прогнозовані результати мережі не почнуть відповідати правильним міткам з мінімальною похибкою.

A Згорткова нейронна мережа (ЗНМ) (спеціалізована архітектура нейронної мережі, розроблена для даних зображень) застосовує математичні операції, які називаються згортками, по всьому зображенню. Згортка ковзає по зображенню невелике вікно фільтра — зазвичай 3×3 або 5×5 пікселів — і обчислює зважену суму в кожній позиції, створюючи карту ознак, яка фіксує локальні візерунки, такі як краї, текстури та градієнти кольорів.

Об'єднання кількох згорткових шарів дозволяє мережі поступово вивчати більш абстрактні ознаки: краї в ранніх шарах, форми в середніх шарах та специфічні для захворювань патерни в глибших шарах.

Саме це ієрархічне навчання ознак робить ЗНС потужними засобами виявлення хвороб томатів. Кругова межа ураження, його внутрішній градієнт текстури, жовтий ореол навколо нього — усе це стає комбінаціями ознак, які можна вивчити, на всіх шарах мережі.

2. Чому глибоке навчання перевершує традиційні методи

Традиційне машинне навчання для виявлення хвороб рослин вимагало від експертів у предметній області ручної інженерії ознак: вилучення гістограм кольорів, обчислення дескрипторів текстури або вимірювання параметрів форми із зображень листя, а потім введення цих чисел у класифікатори, такі як методи опорних векторів (SVM). Цей конвеєр був трудомістким, залежним від експертизи та нестабільним, коли зовнішній вигляд хвороби відрізнявся від умов навчання.

• Глибоке навчання виконує автоматичне вилучення ознак, навчаючись безпосередньо з піксельних даних без ручної розробки ознак, усуваючи вузьке місце, яке становлять дескриптори, визначені експертами.
• Точність класифікації за допомогою глибокого навчання зазвичай перевищує 95% і часто досягає 99%+ на еталонних наборах даних, порівняно з точністю 80-88% для традиційних підходів на основі SVM на тих самих даних.
• Моделі глибокого навчання ефективно масштабуються до великих наборів даних. З додаванням більшої кількості зображень захворювань з позначками продуктивність моделі покращується, тоді як традиційні методи стагнують, коли набори ознак фіксовані.

Лобна та ін. (2024) навчили капсульну нейронну мережу на великомасштабному наборі даних 70 834 зображення листя помідора та досягли точності класифікації 96.39% за кількома категоріями захворювань, перевершуючи стандартні базові показники CNN на тих самих даних.

Великі, різноманітні набори даних у поєднанні з оптимізованими архітектурами постійно забезпечують рівні точності, що перевищують те, що можна досягти за допомогою традиційних конвеєрів комп'ютерного зору.

Використання Geopard Agriculture для виявлення хвороб на реальних полях

Geopard Agriculture створює саме цей рівень. Його платформа точного розвідування об'єднує польове спостереження, ідентифікацію хвороб та підтримку рішень в єдиний робочий процес, яким будь-який агроном чи фермер може керувати зі смартфона.

Що пропонує Geopard для боротьби з хворобами томатів

Інтелектуальна система розвідки Geopard визначає найцінніші ділянки вашого поля для цілеспрямованого огляду, а не вимагає рівномірного покриття кожного ряду. Вона автоматично позначає аномалії у схожості культур та спрямовує розвідувальні зусилля на зони, де найімовірніше розвивається тиск хвороб або стрес.

Це безпосередньо вирішує проблему покриття поля, яка обмежує програми ручного розвідування на великих господарствах. Платформа підтримує виявлення та реєстрацію всіх основних категорій загроз у полі, що стосуються виробництва томатів:

• Розпізнавання грибкових захворювань, що охоплюють ранню фітофтороз, пізню фітофтороз, септоріоз та листкову плісняву — захворювання, час виявлення яких найбільш безпосередньо визначає успіх втручання.
• Виявлення бактеріальних та вірусних захворювань, включаючи симптоми бактеріальної плямистості та мозаїчного вірусу, з фотодокументацією, прив'язаною до GPS-координат для точного картографування полів.
• Виявлення проблем із зрошенням та удобренням, що дозволяє розвідувальним групам виявляти симптоми абіотичного стресу, які можуть імітувати або посилювати симптоми хвороб у полях томатів.
• Ідентифікація бур'янів та комах разом із розвідкою хвороб, тому один польовий огляд створює повну картину загрози, а не ізольовані звіти з окремих програм.
• Підтримка відбору проб пошкоджень листя та тканин, що дозволяє інтегрувати фізичні лабораторні проби в робочий процес цифрової розвідки.

Зонне планування вбудоване в етап підготовки до розвідки. Geopard перетворює необроблені дані польових датчиків та супутників на карти безперервної градієнтної поверхні, які візуалізують неоднорідність поля, дозволяючи агрономам визначати зони управління ще до початку розвідки. Карти зон та дані ґрунту в автономному режимі доступні без підключення до Інтернету, що важливо на фермах, де стільникове покриття нестабільне.

Мобільне виконання, звітність та екстрені сповіщення

Усі польові спостереження фіксуються через мобільний додаток Geopard. Скаути записують нотатки, фотографії та географічні спостереження в режимі реального часу, а завершені записи скаутів безпосередньо надходять на панель звітності платформи.

Польові менеджери можуть бачити, які загрози були виявлені, де вони були знайдені, які дії були вжиті та які зони залишаються під спостереженням — без консолідації даних з паперових форм чи окремих додатків.

Система екстреного оповіщення відстежує схеми поширення хвороб у мережі платформи та надсилає сповіщення, коли тиск хвороби зростає у вашому регіоні. Ця функція раннього попередження розширює ефективне вікно виявлення за межі того, що може досягти внутрішня розвідка будь-якої окремої ферми, даючи виробникам час для підготовки превентивних заходів, перш ніж хвороба досягне їхніх полів.

Підхід Geopard демонструє практичний шлях інтеграції, який дослідники точного землеробства описують теоретично: супутникові та сенсорні дані, що інформують про пріоритети розвідки, мобільні інструменти, що дозволяють фіксувати спостереження в режимі реального часу, та ідентифікація загроз за допомогою штучного інтелекту, що підтримує швидше та більш цілеспрямоване прийняття рішень на рівні ферми.

Підготовка набору даних для створення основи моделі виявлення

Модель глибокого навчання є настільки надійною, наскільки надійними є дані, на яких вона була навчена. Підготовка набору даних для виявлення хвороб листя томатів – це багатоетапний процес, який визначає максимальну продуктивність будь-якої моделі в реальних умовах.

1. Джерела отримання зображень

Польові зображення, отримані в реальних сільськогосподарських умовах — зі змінним освітленням, частковим затемненням, краплями води та фоном ґрунту — є золотим стандартом різноманітності наборів даних, хоча їх складніше та дорожче збирати, ніж зображення в контрольованих умовах.

Знімки зі смартфонів, зроблені фермерами під час планової розвідки, дедалі частіше формують практичне джерело даних, яке усуває розрив між лабораторними умовами та реальними сценаріями використання.

Публічні набори даних значно пришвидшили дослідження. Набір даних PlantVillage, розроблений Університетом штату Пенсильванія, містить понад 54 000 зображень здорового та хворого листя рослин 26 видів, включаючи 10 категорій хвороб томатів.

Він слугував навчальною основою для сотень опублікованих моделей виявлення хвороб томатів і залишається найширше використовуваним набором даних для еталонного аналізу в цій галузі.

2. Етапи попередньої обробки даних

Необроблені зображення, зібрані з різних джерел, містять шум, невідповідні розміри та відмінності в калібруванні кольорів, що може призвести до появи хибних шаблонів у навчанні моделі. Попередня обробка стандартизує дані, перш ніж вони потраплять до моделі.

1. Зміна розміру зображення масштабує всі зображення до однакової роздільної здатності — зазвичай 224×224 або 256×256 пікселів для архітектур CNN — забезпечуючи рівномірне застосування просторових операцій у мережі до всіх навчальних прикладів.
2. Видалення шуму застосовує фільтри згладжування, такі як розмиття за Гаусом, для зменшення шуму сенсора та артефактів стиснення JPEG, які можуть вводити в оману чутливі до текстури згорткові шари.
3. Доповнення даних штучно розширює навчальний набір, застосовуючи випадкові горизонтальні перевороти, повороти, кольорове тремтіння, коригування яскравості та випадкове кадрування до існуючих зображень. Це навчає модель розпізнавати закономірності захворювань незалежно від орієнтації листя, кута освітлення чи композиції зображення.
4. Нормалізація масштабує значення пікселів з їхнього початкового діапазону 0-255 до меншого діапазону, зазвичай 0-1 або нульового середнього, з одиничною дисперсією. Це робить градієнтне навчання більш чисельно стабільним та швидшим до збіжності.

3. Анотація та маркування набору даних

Кожне зображення в наборі даних з контрольованим навчанням повинно мати позначку-ідентифікатор: до якої категорії хвороб воно належить або чи є листок здоровим. Таке маркування має бути виконане або перевірене фітопатологами, а не лише фахівцями з сільського господарства загального профілю, оскільки візуальне перекриття між хворобами робить аматорські анотації ненадійними.

Анотація на рівні класу для класифікації захворювань є відносно простою, але анотація обмежувальної рамки для моделей виявлення об'єктів — точне позначення місця розташування ураження на зображенні — вимагає значно більше часу та досвіду для кожного зображення.

Архітектури глибокого навчання, що використовуються для виявлення хвороб томатів

Дослідницька спільнота оцінила десятки архітектур для класифікації хвороб листя томатів. Розуміння того, які архітектури домінують і чому, допомагає практикам приймати обґрунтовані рішення під час розгортання цих систем.

1. Стандартні згорткові нейронні мережі

Базові моделі CNN для класифікації захворювань дотримуються стандартного шаблону: згорткові шари для вилучення ознак, об'єднуючі шари, які зменшують просторові розміри, зберігаючи домінантні ознаки, та повністю зв'язані шари в кінці, які зіставляють вилучені ознаки з ймовірностями класу захворювання.

Ранні дослідження набору даних PlantVillage продемонстрували, що навіть скромні CNN з 5-7 шарами можуть досягти точності понад 90% на чистих зображеннях, отриманих у лабораторії.

2. Трансферне навчання з попередньо навченими архітектурами

Трансферне навчання (практика початку роботи з моделлю, попередньо навченою на великому загальному наборі даних, та її точного налаштування на специфічному для предметної області наборі даних) трансформувала дослідження виявлення хвороб томатів, дозволивши навчати високоточні моделі на відносно невеликих наборах сільськогосподарських даних.

1. VGG16 та VGG19, розроблені Групою візуальної геометрії в Оксфорді, використовують 16 або 19 вагових шарів з рівномірними згортками 3×3. Вони залишаються надійними базовими рівнями для класифікації хвороб томатів, зазвичай досягаючи точності 94-97% після точного налаштування на наборах даних про хвороби.

2. РесНет (Residual Network) запровадив пропускні з'єднання, які дозволяють градієнтам проходити безпосередньо між шарами, вирішуючи проблему зникнення градієнтів, яка раніше обмежувала глибину навчання. ResNet50, точно налаштований на дані про хвороби томатів, послідовно досягає точності 96-98% у нещодавніх дослідженнях.

3. DenseNet розширює концепцію пропускного з'єднання, з'єднуючи кожен шар з кожним наступним шаром у щільному блоці, максимізуючи повторне використання ознак та створюючи компактні моделі з високою ефективністю класифікації.

4. ЕфективнаНет, розроблений Google Brain, масштабує ширину, глибину та роздільну здатність мережі одночасно, використовуючи складений коефіцієнт. Досягнуто EfficientNetB0 з модулем уваги. Точність 99.39% щодо класифікації хвороб рослин у дослідженні, опублікованому Гонсалесом-Бріонесом та ін. (2025), з продуктивністю, що відповідає розгортанню периферійних пристроїв.

5. Мобільна мережа, розроблена спеціально для пристроїв з обмеженими ресурсами, використовує згортки, що розділяються по глибині, щоб значно скоротити обчислення, зберігаючи при цьому високу точність, що робить її кращою архітектурою для розгортання смартфонів та периферійного штучного інтелекту в точному сільському господарстві.

3. Гібридні та вдосконалені моделі

Найновіші дослідження вийшли за рамки стандартних ЗНС у бік архітектур, які можуть фіксувати просторові зв'язки на більшій відстані у зображеннях листя.

Трансформери Бачення (ViT) (нейронні мережі, що застосовують механізм уваги Transformer, спочатку розроблений для обробки природної мови, до ділянок зображень) показали високі результати у виявленні хвороб рослин за наявності достатньої кількості навчальних даних.

На відміну від CNN, які обробляють локальні області зображення за допомогою згорток, ViT вивчають зв'язки між усіма ділянками зображення одночасно, що дозволяє їм виявляти просторово розподілені візерунки по всьому листку.

Гібриди CNN, орієнтовані на увагу поєднують локальну силу вилучення ознак згорток з механізмами уваги, що дозволяє моделі зосередити ресурси обробки на найбільш релевантних для захворювання областях зображення.

Розроблено легкий фреймворк для виявлення хвороб томатів на основі сіамської мережі Точність 96.97% для підмножини томатів Plant Village маючи лише приблизно 2,96 мільйона параметрів (Frontiers in Plant Science, 2025), що демонструє, що висока точність та ефективність обладнання не є взаємовиключними цілями.

Моделі ансамблю навчання поєднувати прогнози з кількох незалежно навчених архітектур, усереднюючи або голосуючи за ними, щоб отримати остаточний прогноз, який є більш надійним, ніж будь-яка окрема модель окремо. Ву та ін. (2024) застосували ResNet50 з методами доповнення ознак для досягнення покращеної продуктивності класифікації за допомогою цього підходу.

Абдулла та ін. (Агрономія, 2024) порівняли YOLOv8s, YOLOv5 та Faster R-CNN для виявлення хворого листя томатів і виявили, що YOLOv8s досяг середньої точності (mAP) 92.5%, перевершуючи YOLOv5 на рівні 89.1% та Faster R-CNN на рівні 77.5%, а також демонструючи швидшу швидкість логічного висновку та менший розмір моделі.

Для застосування виявлення в реальному часі в польових умовах моделі класу YOLOv8 пропонують найкращий баланс точності та швидкості обробки, що робить їх чудово підходящими для встановлення на дрони або розгортання на периферійних пристроях.

Інтелектуальна система виявлення захворювань

Розгорнута інтелектуальна система виявлення захворювань – це більше, ніж просто навчена модель. Це комплексний конвеєр, який переходить від захоплення необроблених зображень до практичних рекомендацій щодо лікування захворювань.

1. Архітектура системи

Основний конвеєр складається з п'яти послідовних етапів, кожен з яких перетворює дані перед передачею їх наступному.

1. Вхідні зображення приймають необроблені зображення листя з будь-якого джерела захоплення — польового смартфона, встановленої на БПЛА камери або стаціонарної камери навісу в теплиці. Модулі обробки вхідних даних перевіряють роздільну здатність зображення та позначають розмиті або непридатні для використання знімки, перш ніж вони потраплять на етап обробки.

2. На етапі попередньої обробки застосовуються кроки нормалізації, зміни розміру та покращення якості, описані в розділі 6.2, що гарантує відповідність вхідних даних формату, очікуваному навченою моделлю.

3. Вилучення ознак пропускає попередньо оброблене зображення через згорткові шари навченої моделі глибокого навчання. На цьому етапі модель перетворює необроблені піксельні дані в компактне числове представлення (вектор ознак), яке кодує візуальні характеристики листка, що стосуються захворювання.

4. Класифікація захворювань застосовує повністю зв'язані шари та вихідну функцію softmax до вектора ознак, обчислюючи оцінку ймовірності для кожної категорії захворювання. Категорія з найвищою ймовірністю стає прогнозованим діагнозом.

5. Вихідні дані підтримки прийняття рішень перетворюють результат класифікації на практичну рекомендацію: назву виявленої хвороби, рівень достовірності, запропоновані заходи боротьби (цільовий фунгіцид, біоконтрольний агент, видалення уражених рослин) та дані геоприв’язаного місцезнаходження, якщо зображення було отримано за допомогою пристрою з GPS.

2. Робочий процес повноцінної системи виявлення на практиці

У реальному розгортанні фермер відкриває мобільний додаток і фотографує уражений листок. Зображення або надсилається на хмарний сервер, на якому запущено модель виявлення, або обробляється локально на пристрої за допомогою стиснутої моделі країв.

Протягом кількох секунд додаток видає діагноз: “Рання фітофтороз — впевненість 94%». Рекомендована дія: Обробка ураженої зони фунгіцидом на основі манкоцебу в дозі 1,5 кг/га».

”Спостерігайте за сусідніми рослинами протягом наступних 5 днів». Результат із географічною прив’язкою реєструється на цифровій карті здоров’я ферми, і якщо одна й та сама хвороба з’являється в кількох зонах, система позначає підвищений ризик для всього польового блоку.

Демілі (2024), рецензія 161 публікація щодо виявлення хвороб рослин на основі глибокого навчання, виявили, що томати були найбільш досліджуваною культурою в усіх дослідженнях, що враховує 39% усіх публікацій — більш ніж удвічі перевищує охоплення другої за кількістю вивчених культур (рису на рівні 16%), що підтверджує унікальне поєднання економічного значення та вразливості до хвороб цієї культури.

Зрілість досліджень у сфері виявлення хвороб томатів означає, що фахівці мають доступ до широкого спектру перевірених архітектур та попередньо навчених моделей, замість того, щоб створювати їх з нуля.

Метрики оцінки ефективності

Вибір правильної метрики оцінки так само важливий, як і вибір правильної архітектури, особливо для виявлення захворювань, де хибнонегативні результати (пропуск справжнього захворювання) мають інші витрати, ніж хибнопозитивні результати (помилкова ідентифікація здорового листка як хворого).

Точність вимірює частку всіх правильних прогнозів. Це найчастіше повідомляється метрика, але вона може вводити в оману, коли класи захворювань незбалансовані — модель, яка завжди передбачає “здоровий” стан у наборі даних зі здоровими зображеннями 90%, досягає точності 90%, будучи абсолютно марною для виявлення захворювань.

Точність вимірює, яка частка виявлених захворювань є справді позитивними випадками, фіксуючи рівень хибних тривог. Висока точність означає, що модель рідко спрацьовує над непотрібними рекомендаціями щодо лікування.

Чутливість (Відгук) вимірює, яка частка фактично хворих рослин правильно позначена. Висока повнота означає, що модель рідко пропускає реальні інфекції — більш критичний показник для боротьби з хворобами.

F1-Score — це гармонійне середнє точності та повноти, що забезпечує єдиний збалансований показник, який карає моделі, що жертвують одним заради іншого. Це краща метрика, коли як хибнопозитивні, так і хибнонегативні результати несуть значну шкоду.

Специфічність вимірює, наскільки точно модель ідентифікує справді здорове листя як здорове, що важливо для запобігання непотрібному застосуванню пестицидів на культурах, вільних від хвороб.

У "The Матриця плутанини показує повний розподіл прогнозів за всіма класами, виявляючи, які пари захворювань найчастіше плутають — критично важлива інформація для уточнення навчальних даних або архітектури моделі.

У "The ROC-AUC (Робоча характеристика приймача — площа під кривою) вимірює загальну розрізнюваність моделі за всіма порогами класифікації, де значення 1,0 представляє ідеальну розрізнюваність, а 0,5 – ефективність на рівні випадковості.

Виявлення хвороб томатів у режимі реального часу: розгортання

Перенесення високоточної моделі з дослідницького блокнота до робочої фермерської системи вимагає вирішення іншого набору проблем, ніж навчання моделі. Середовища розгортання мають апаратні обмеження, обмеження щодо підключення та вимоги до затримки, які формують вибір архітектури та інфраструктури.

1. Додатки на базі смартфонів для мобільної діагностики захворювань

Додатки для смартфонів є найдоступнішим шляхом розгортання для дрібних та середніх фермерів. Додатки, створені на моделях MobileNet або EfficientNet-Lite, повністю виконують логічний висновок на пристрої, не потребуючи підключення до Інтернету в момент збору даних.

Найточніша модель нічого не варта в точному землеробстві, якщо вона не може працювати на пристрої, який вже є в кишені фермера.

Це надзвичайно важливо для ферм у сільській місцевості або регіонах з низьким рівнем комунікації. Фермер фотографує підозрілий листок, отримує прогноз захворювання за 1-3 секунди та заносить результат до бази даних, яка агрегує дані про здоров'я всієї ферми протягом вегетаційного періоду.

2. Розгортання периферійного штучного інтелекту: логічний висновок на пристрої

Штучний інтелект на краю (запуск штучного інтелекту безпосередньо на обладнанні, розташованому в точці збору даних, а не надсилання даних на віддалений сервер) вирішує проблеми затримки та підключення хмарного виявлення. Спеціалізовані периферійні пристрої, такі як серія NVIDIA Jetson або прискорювачі Google Coral TPU, можуть запускати стиснуті моделі CNN зі швидкістю понад 30 кадрів на секунду, що дозволяє безперервно моніторити листя в режимі реального часу зі стаціонарних камер, встановлених на рейках теплиць або польових зрошувальних спорудах.

Методи стиснення моделей — квантування (зменшення числової точності вагових коефіцієнтів моделі), обрізання (видалення маловажливих мережевих зв'язків) та дистиляція знань (навчання малої моделі імітації великої) — роблять це можливим без шкоди для прийнятної точності.

3. Системи моніторингу на основі дронів для великомасштабного спостереження за фермерськими господарствами

Для ферм площею понад 20-30 гектарів наземний огляд не може забезпечити просторове покриття, необхідне для виявлення спалахів хвороб до їх поширення. Системи БПЛА, оснащені мультиспектральними камерами, фіксують ознаки стресу хвороби на рівні всього поля.

Отримані зображення надходять на бортовий процесор периферійного зв'язку або передаються на наземну станцію, де модель виявлення ідентифікує заражені зони та генерує географічну карту, що накладається на цифрові записи ділянок ферми.

Це зміщує управління захворюваннями від реактивного (реагування після того, як симптоми стають очевидними) до просторово проактивного (реагування на конкретні координати поля, де виявляється ранній стрес).

Проблеми виявлення захворювань на основі глибокого навчання

У цій галузі досягнуто значного прогресу, але чесна оцінка проблем, що залишилися, запобігає надмірній впевненості в рішеннях про розгортання.

Обмежені набори польових даних залишаються найпоширенішою проблемою. Більшість високоточних моделей навчаються та оцінюються на PlantVillage, який використовує зображення одного листка з контрольованим освітленням на чистому фоні. Реальна польова продуктивність значно падає, коли ті ж моделі стикаються зі складними багатоелементними зображеннями, отриманими за змінних умов освітлення.

Різниця в умовах освітлення — прямі сонячні промені, що спричиняють дзеркальні відблиски на поверхні листя, розсіяне світло в похмурих умовах, що сплющує текстурні ознаки, або затінення від крони сільськогосподарських культур — змінюють видимий колір і текстуру уражень таким чином, що це може погіршити класифікацію на 5-15 відсоткових пунктів порівняно з контрольованими умовами.

Складність фону На польових зображеннях візуальна інформація не має значення. Ґрунт, мульча, крапельні лінії зрошення, плоди та інше листя можуть відображатися в одному кадрі зображення з хворим листком, а моделі, які не були спеціально навчені працювати зі складними фонами, часто плутають елементи фону з ознаками хвороби.

Множинні захворювання на одному листку створюють проблему класифікації, з якою більшість моделей з однією міткою не розраховані. Листок, що одночасно експресує бактеріальну плямистість та ранній фітофтороз, вимагає можливості класифікації за кількома мітками, що додає складності навчанню та вимог до анотації набору даних.

Класовий дисбаланс у навчальних наборах даних — набагато більше зображень поширених хвороб, таких як ранній фітофтороз, ніж рідкісних, таких як вірус мозаїки — призводить до надмірної впевненості моделей щодо частих класів та ненадійності для менш представлених.

Інтерпретованість моделі є значною перешкодою для довіри на рівні ферми. Коли модель класифікує листок як уражений хворобою з впевненістю 97%, більшість фермерів та агрономів хочуть зрозуміти, які візуальні ознаки спонукали до цього рішення, перш ніж діяти відповідно до рекомендації.

Останні досягнення в інтелектуальному виявленні захворювань

Дослідницький фронт рухається одночасно кількома напрямками, вирішуючи різні аспекти вищезазначеної проблеми.

1. Пояснимий ШІ (XAI) Інструменти, зокрема Grad-CAM (Gradient-weighted Class Activation Mapping), які створюють накладання теплових карт, що показують, на яких областях зображення листка модель зосередилася під час прийняття рішення, безпосередньо вирішують проблему інтерпретації.

Візуалізація Grad-CAM, яка показує, як увага моделі зосереджена на темному кільці ураження, надає форму обґрунтування, яку агрономи можуть оцінити та якій довіряти.

2. Трансформери Бачення (ViT) продовжують набирати обертів для виявлення хвороб томатів, оскільки стратегії попереднього навчання вдосконалюються, а вимоги до даних для точного налаштування ViT зменшуються.

Їхня здатність фіксувати глобальні закономірності на рівні листя, а не суто локальні особливості, робить їх особливо перспективними для виявлення вірусних захворювань, які вражають всю поверхню листя, а не спричиняють локальні ураження.

3. Федеративне навчання вирішує проблему набору даних польових ресурсів, дозволяючи спільно навчати моделі на кількох фермах без централізації конфіденційних даних.

Кожна ферма навчає локальну модель на власних зображеннях, і для покращення центральної глобальної моделі використовуються лише оновлення параметрів моделі (не самі зображення). Це зберігає конфіденційність даних фермерів, водночас значно розширюючи різноманітність навчальних даних.

Точне лікування захворювань не буде визначатися точністю однієї моделі — воно буде визначатися інтелектом системи, яка пов'язує виявлення, прийняття рішень та дії.

4. Самостійне навчання попередньо навчає моделі на великих колекціях немаркованих зображень рослин для вивчення загальних візуальних представлень, а потім виконує точне налаштування на невеликих наборах даних про марковані захворювання. Це зменшує навантаження на анотування та дозволяє розробляти високоякісні моделі для категорій захворювань, де марковані приклади є рідкісними.

5. Виявлення мультимодальних захворювань інтегрує дані зображень листя з показниками спектральних датчиків, даними метеостанцій та історичними даними про захворювання в єдиний вхідний сигнал моделі. Поєднання візуальних та екологічних даних може розширити ефективність виявлення за межі того, що підтримують лише дані зображень, особливо для захворювань, візуальним симптомам яких передують біохімічні зміни, що виявляються в спектральних сигнатурах.

Майбутні напрямки досліджень: що ще потрібно цій галузі

Перехід від високоточних дослідницьких моделей до стабільно надійного впровадження на рівні ферм вимагає цілеспрямованої роботи за кількома напрямками.

Перевірка розгортання в реальних умовах Для чесної характеристики розриву в продуктивності між виявленням у контрольованих умовах та польових умовах необхідне дослідження не лише показників PlantVillage у різних географічних регіонах та сільськогосподарських системах.

Надійне виявлення на рівні поля вимагатимуть спеціально створених польових наборів даних, зібраних протягом кількох вегетаційних періодів у кількох країнах, із систематичною документацією погодних умов на момент зйомки зображень.

Інтеграція з Інтернетом речей та інфраструктурою розумного сільського господарства — безпосереднє підключення сповіщень про виявлення захворювань до автоматизованих систем зрошення та фертигації, платформ обприскування дронами та програмного забезпечення для управління фермерським господарством — замкне цикл між виявленням та діями.

Прогностичне прогнозування захворювань, Поєднання поточних даних про виявлення захворювань з моделями прогнозування погоди та історичними моделями поширення захворювань змінить парадигму від реактивного виявлення до випереджаючого управління: рекомендації профілактичних дій до появи симптомів.

Автономні сільськогосподарські системи — Флоти безпілотних літальних апаратів, які здійснюють безперервний польовий моніторинг, позначають зони захворювань та координують свою діяльність з автоматизованими обприскувачами без втручання людини, — це горизонт, до якого спрямований розвиток сучасних технологій точного землеробства.

Висновок

Інтелектуальне виявлення хвороб листя томатів за допомогою глибокого навчання більше не є експериментальною технологією. Це зрілий, добре перевірений додаток зі зростаючим обсягом рецензованих доказів, що підтверджують його здатність точно, швидко та за доступною для працюючих фермерів ідентифікувати хвороби томатів. Від базових моделей CNN, навчених на наборі даних PlantVillage, до гібридних архітектур, що орієнтовані на увагу та досягають точності 99%+, технічні можливості тепер перевищують інфраструктуру розгортання, доступну більшості сільськогосподарських підприємств.

Шлях уперед очевидний. Системи точного землеробства, що інтегрують виявлення хвороб на основі зображень з мережами датчиків Інтернету речей, спостереженням за допомогою БПЛА та прогнозними моделями погоди, визначатимуть конкурентоспроможне виробництво томатів протягом цього десятиліття. Ринок штучного інтелекту в точному землеробстві зростає швидкими темпами. Сукупний річний темп зростання (CAGR) 15.1% до $12,7 млрд до 2034 року сигналізує про те, що ці інвестиції вже здійснюються у великих масштабах.