Решение на основе искусственного интеллекта для точной диагностики болезней листьев томатов

Болезни растений представляли серьезную угрозу для фермеров с первых дней существования сельского хозяйства. Сегодня, несмотря на наше лучшее понимание причин и методов лечения этих заболеваний, они продолжают приносить значительный экономический ущерб. Хотя раннее обнаружение болезней растений является лучшим способом для фермера минимизировать их воздействие, ручная проверка каждого растения является монументальной задачей и чревата ошибками. Только хорошо наметанный глаз может точно отличить заболевания, вызывающие схожие симптомы.

К счастью, искусственный интеллект (ИИ) быстро прокладывает путь к более разумным методам ведения сельского хозяйства. Последние модели машинного обучения способны автоматически идентифицировать болезни растений по цифровым фотографиям. В сочетании с дронами и высококачественными камерами такие модели могут сократить время и усилия, необходимые для наблюдения за большими полями. Однако даже новейшие алгоритмы не работают в определенных сложных условиях.

Одним из примечательных примеров является влияние фоновых помех на результаты классификации болезней. В некоторых случаях больные листья приобретают цвет, похожий на цвет почвы, что может сбить с толку автоматический классификатор, особенно когда пораженные участки находятся на краях листьев. Другие проблемы включают изменчивость симптомов, вызванных одним заболеванием, и сходство, существующее между различными заболеваниями.

В новом исследовании группа исследователей решила разработать модель, которая могла бы справиться с этими проблемами. Они сосредоточились на пяти распространенных заболеваниях, которые поражают листья томатов, и разработали модель машинного обучения под названием PLPNet, которая может точно обнаруживать эти заболевания на изображениях, сделанных в режиме реального времени. Исследование, проведенное под руководством профессора Гуосюн Чжоу из Центрально-южного университета лесного хозяйства и технологий Китая, было недавно опубликовано в Феномика растений .

Сначала команда сосредоточилась на создании хорошего набора данных для обучения модели. С этой целью они собрали изображения из открытого, но довольно устаревшего набора данных под названием «Деревня растений». Они тщательно проанализировали изображения и исключили те, которые не подходили для обучения, например размытые или плохо освещенные изображения. В дополнение к последним 3524 изображениям, полученным из Plant Village, команда также загрузила еще 1909 изображений из Интернета. Наконец, была проведена тщательная маркировка всех изображений, чтобы идентифицировать каждое повреждение на листьях.

Затем команда разработала сетевую архитектуру PLPNet. Они использовали три различных метода, которые при совместной работе привели к высочайшей точности классификации. Первой была перцепционная адаптивная свертка (PAC), которая помогла модели выделить наиболее определяющие характеристики каждого заболевания путем настройки «фокуса» сети при анализе изображения.

Вторым был модуль механизма усиления внимания к местоположению (LRAM), который помогал обнаруживать болезни на краях листьев и отфильтровывал фоновые помехи. Третьим модулем была сеть агрегации функций близости (PFAN), реализующая переключаемые сложные свертки и деконволюции. Эта структура помогла модели изучить мельчайшие детали для каждого заболевания, что значительно улучшило ее эффективность в обнаружении и классификации заболеваний.

Команда тщательно протестировала свою модель после обучения и проанализировала производительность, полученную каждой из ее частей. Они также сравнили производительность PLPNet со многими другими современными моделями обнаружения болезней растений.

Результаты были чрезвычайно многообещающими, так как PLPNet достигла точности 94,5% при скорости более 25 кадров в секунду, что делает его пригодным для использования в полевых условиях. В восторге от результатов, профессор Чжоу отмечает: «PLPNet значительно повышает точность обнаружения при сохранении стандартной скорости обнаружения. Следовательно, она превосходит другие модели тестирования и демонстрирует эффективность нашего усовершенствованного подхода».

Помидоры широко культивируются во всем мире и имеют большое экономическое значение. Команда ожидает, что PLPNet окажет положительное влияние на их выращивание, снизив бремя финансовых потерь, вызванных больными растениями томатов. «Это исследование может помочь производителям своевременно и точно выявлять заболевания листьев томатов, а также проводить специальные меры контроля в зависимости от типа обнаруженного заболевания, — заключает профессор Чжоу. современное томатное хозяйство».