Инфекции растений существенно влияют (качественно и количественно) на урожай. Точное и быстрое обнаружение болезней растений имеет важнейшее значение для повышения долгосрочной урожайности сельскохозяйственных культур. Заражение болезнями представляет собой наиболее серьёзную проблему в растениеводстве, потенциально приводящую к экономическим потерям. Вирусы, грибковые виды, бактерии и другие инфекционные организмы могут поражать многочисленные части растений, включая корни, стебли, побеги и листья. Раннее прогнозирование и распознавание этих инфекций имеют жизненно важное значение.
Традиционные методы обнаружения болезней растений отнимают много времени, требуют опыта агрономов и ресурсов. Поэтому учёными, для анализа и обнаружения патологий, рассматривается автоматизированная диагностика болезней листьев с использованием методов искусственного интеллекта (ИИ) и датчиков Интернета вещей (IoT). На возникновение и распространение инфекций в сельскохозяйственных районах влияют различные факторы, в том числе состояние окружающей среды и перекрёстное загрязнение. В мире земледелия поражения вредителями вызывают ежегодное снижение урожайности сельскохозяйственных культур на 30-33%. Для поддержания здоровой экосистемы важно максимизировать производство овощей и обеспечить экономическую жизнеспособность сельскохозяйственного сектора.
Автоматизированная система обнаружения заболеваний, использующая ИИ, выполняет заранее определённые шаги. Процедуры включают в себя несколько этапов. Самым первым и важным является установка различных миниатюрных фото/видеокамер на полях, для сбора и передачи изображений растений в центр обработки данных. Собранные изображения затем обрабатываются и сегментируются, для использования в качестве данных, для алгоритмов машинного обучения. Затем модели машинного обучения (ML) предсказывают, здоров лист или болен.
На этом этапе соответствующие изображения объекта передаются для выполнения классификации, с использованием автоматизированных подходов. Цифровое изображение — это набор двоичных данных, которыми затем можно манипулировать и анализировать на компьютере. Для захвата изображений лучше всего использовать цифровые камеры высокого разрешения. После того, как все необходимые изображения были отсняты, они отправляются на этап предварительной обработки и корректировки перед целевым использованием. Если собранные изображения не соответствуют требованиям обработки, необходимо предварительно использовать методы улучшения.
Для точной классификации заболеваний решающее значение имеет этап получения и точного сопоставления изображений. Эффективность всей системы во многом зависит от этого. В специализированных справочниках по сельскому хозяйству представлено множество хорошо известных наборов данных изображений различных видов растений. Наборы данных для агрономов содержат предметные изображения здоровых и нездоровых листьев, плодов, стеблей и т.п. Это позволяет изучать и оценивать влияние различных заболеваний на здоровье растений. В Интернете доступно несколько наборов данных, связанных с инфекциями овощных культур.
Захваченные изображения часто содержат различные побочные эффекты, такие как шумы, размытие, низкая или высокая освещённость, нежелательный фон и т. д. Поэтому крайне важно обработать эти фотографии и сделать их пригодными для эффективной классификации. Необработанные данные преобразуются в определённый формат и очищаются путём удаления шума и искажений. На следующем этапе изображения передаются в вычислительный центр, где выполняются необходимые процедуры сегментации и выделения признаков.
Предварительная обработка позволяет исследователям максимизировать эффективность своих вычислительных ресурсов и поддерживать единообразие разрешения изображений, относительно установленного эталонного показателя. Операции по предварительной обработке включают стандартизацию, регуляризацию размера изображения, приведение к нужной цветовой шкале, удаление искажений и шумов. Предусматривается масштабирование изображения до заданных размеров, выполняемое на этом этапе. Кроме того, изображение корректируется по фиксированной цветовой шкале для лучшего анализа и интерпретации. Для всех этих операций задействуются немалые вычислительные ресурсы — как правило, на мощных серверах в дата-центрах или в облачных сервисах.
Стандартная методология предварительной обработки в сельскохозяйственных исследованиях использует метод HSV, близко имитирующий возможности людей-наблюдателей. Чтобы повысить эффективность и точность обработки, специалисты IT-сферы в области сельского хозяйства часто используют методы маскировки или удаления фона. Из-за сходства с перцептивными особенностями человеческого зрения используется преобразование цветного изображения в известное представление цветового пространства HSI (оттенок, насыщенность, интенсивность). Компонент H в этой системе гиперспектральной визуализации наиболее часто используется для дальнейшего анализа. Фильтры нижних частот используются для подавления шума. В то же время отрицательные весовые коэффициенты фильтра верхних частот увеличивают области с резким градиентом интенсивности. Далее происходит сегментация изображения заражённого листа, так как это имеет решающее значение для достижения высокой точности диагностики заболевания.
Сегментация — это фундаментальный метод, используемый в сельскохозяйственной науке, при котором изображение тщательно разделяется на компоненты. Основная цель — более детально проанализировать каждый объект, выявив полезные особенности, которые могут улучшить понимание проблемы. Отличить заражённые области можно на основе извлекаемых признаков. Сегментация предварительно обработанных изображений, для классификации больных листьев, имеет решающее значение при определении различных потенциально важных признаков.
Традиционные подходы, такие как определение порога, обнаружение краёв и региональная кластеризация, полагаются на математические знания и известные алгоритмы в области обработки изображений для сегментации. Пороговое определение — один из наиболее эффективных подходов, сегментирующий изображения на основе значений интенсивности пикселей. Он широко используется в различных применениях, таких, как классификация, обнаружение и дистанционное зондирование. Существуют три подтипа пороговой сегментации: глобальные, переменные и адаптивные. В каждой категории есть свои способы, например, методы глобального порогового определения включают среднее, медианное пороговое значение. Обнаружение краёв — это процесс, при котором изображение разбивается на части по краям, обычно называемым границами контура объекта.
Двумя, хорошо опробованными, методами процесс делит изображение на несколько областей. Основано это на основе сходства пикселей с точки зрения значения интенсивности, цвета и формы. Кластеризация — это ещё один подход к сегментации. Тут компьютер группирует пиксели на основе их сходства по текстуре, цвету или другим необходимым характеристикам. Однако традиционным подходам пока не хватает эффективности при обработке сложных изображений с мелкими деталями. В последние годы подходы к автоматической сегментации на основе глубокого машинного обучения (DL) превзошли традиционные методы, с точки зрения производительности. Для этого разработаны семантическая сегментация и сегментация экземпляров. Семантическая сегментация присваивает метку категории каждому пикселю изображения, разделяя изображение на взаимоисключающие наборы, причём каждый набор идентифицирует ценную область исходного изображения. Модели DL, такие как свёрточная нейронная сеть, превосходят по производительности более ранние методы и повышают точность сегментации более высокого уровня.
Сегментация экземпляров — это обновлённое усовершенствование семантического процесса, предназначенное для решения сложных задач. Этот подход прогнозирует экземпляры классов объектов на основе изображений. Были разработаны различные методы, и каждый метод использует уже хорошо известные архитектуры машинного обучения. Далее следует процесс извлечения характерных признаков, для проведения сравнения.
В контексте машинного обучения разработка функций — это фундаментальный метод, который включает преобразование необработанных данных в набор значимых и актуальных функций. Набор данных предоставляется в качестве входного эталона для этого шага, чтобы определить, здоровы ли растения или нет. К основным характеристикам изображения относятся цвет, текстура, морфология и другие возможные характеристики. При выявлении пятна на повреждённом листе морфологические признаки оказываются наиболее эффективными. Часто используются цветовые особенности, такие, например, как текстура Габора. Для получения этих характеристик доступно несколько методов, в частности цветовая гистограмма. В контексте проблем идентификации болезней растений было обнаружено, что использование особенностей текстуры даёт более благоприятные результаты. Используя метод матрицы совпадений уровня серого градиента, можно определить энергию, энтропию, контрастность, однородность, момент инерции и другие текстурные характеристики выделенной области.
Искусственный интеллект (ИИ) становится все более важным в сельскохозяйственных исследованиях, а особенно при выявлении и классификации болезней растений. Классификация — это первый этап этого процесса, который включает разделение данных на классы. В этом контексте учёных особенно интересуют обнаружение и классификация листьев растений, в частности, различие между здоровыми и больными экземплярами. Для этого необходимо разработать алгоритмы классификации и обнаружения.
Цель машинного обучения — позволить компьютерам учиться на собственном опыте. В настоящее время специалисты работают с различными подтипами в области машинного обучения, каждый из которых подходит для разных сценариев. Обучение с учителем включает в себя предоставление системе входных данных и соответствующих целевых значений, предсказанных на их основе. Цель таких шагов вполне ясна: изучить и разработать взаимосвязь, которая позволит системе выдать правильный результат, основываясь на входных данных. Для сельского хозяйства эта процедура включает в себя обучение алгоритмов классификации листьев, по группам болезней растений, с использованием маркировки.
Напротив, обучение без учителя основано на другой стратегии. В этом случае системе предоставляются данные без явных спецификаций и меток. Алгоритм «заточен» на поиск скрытых закономерностей или взаимосвязей в предоставленном потоке информации.
Патология растений делит болезни растений на биотические и абиотические. Грибки, бактерии, насекомые и вирусы вызывают биотические заболевания. Неживые причины, такие как дефицит питательных веществ в окружающей среде, химический дисбаланс, токсичность металлов и физические травмы, вызывают абиотические патологии. Растения также могут проявлять признаки абиотических заболеваний при воздействии неблагоприятных условий окружающей среды: высокие температуры, чрезмерная влажность, недостаточное освещение, недостаток необходимых питательных веществ, кислый pH почвы или даже парниковый эффект. Инфекцию растений бывает сложно обнаружить невооружённым глазом, что делает обнаружение и классификацию огромной проблемой.
Также важно помнить, что многие болезни растений имеют общие симптомы. Из-за сходства внешнего вида признаков, определить, какое заболевание растений причиняет вред, бывает сложно. Некоторые признаки, которые может быть трудно проанализировать и выявить, включают неравномерное развитие или искажение пигментации листьев, замедление роста, уменьшение и ослабление плодоножки, стручков и т. д. Эти видимые признаки, например, поражённые листья, помогают идентифицировать болезнь.
Заболевания таких овощей, как помидоры, перец чили, рожь и пшеница, картофель или огурцы, встречаются часто и могут оказывать разрушительное воздействие на листья. Когда листья здоровы, иммунная система растения укрепляется и ей становится проще справляться с болезнями, которые могут появиться в других частях растения. Поэтому современные методы обнаружения, в основном, акцентируются именно на этом элементе сельскохозяйственных овощных культур. Со злаковыми культурами всё обстоит гораздо сложнее — а поэтому эффективность современных технологий пока оставляет желать лучшего результата.
Картофель сохраняет свою престижную позицию четвертой по величине сельскохозяйственной культуры в мире. Однако здесь есть трудности, особенно в отношении восприимчивости к болезням. Картофель является одной из наиболее часто поражаемых сельскохозяйственных культур. Эти заболевания — чёрная и обыкновенная парша, фитофтороз, розовая гниль и др. вызываются разными возбудителями. Приведённые болезни имеют уникальные симптомы на стеблях или листьях ботвы. Но именно этот фактор позволяет искусственному интеллекту очень точно выявлять данные патологии.
Огурцы, всеми любимый овощ, известен высоким содержанием воды в составе, что делает его освежающим и увлажняющим питательным продуктом даже в самое жаркое время. Но «лианы» огурца восприимчивы к нескольким заболеваниям, таким как антракноз и угловатая пятнистость, которые вызывают различные проблемы с листьями. Взрослые растения особенно восприимчивы к мучнистой росе. Но и в этом случае срабатывают ранние методы диагностики посредством использования инновационных технологий.
Из-за множества инфекций и различных других факторов сельскохозяйственным специалистам нужна помощь в переходе от одной стратегии инфекционного контроля к другой, чтобы смягчить негативное воздействие. Таким образом, эта ситуация напрямую влияет на качество общей продовольственной безопасности.
Примечательно, что в нынешнюю эпоху, характеризующуюся значительным технологическим прогрессом, фермеры продолжают следовать традиционным методам выявления болезней сельскохозяйственных культур. Вместо того, чтобы полагаться на современные специализированные инструменты, земледельцы упорно продолжают лично и визуально осматривать посевы на предмет выявления любых признаков болезней. Традиционные методы визуального осмотра и оценки, основанные исключительно на опыте человека, создают ряд проблем и ограничений в сельском хозяйстве. В худшем случае, необнаруженная (либо не вовремя обнаруженная) инфекция может привести к гибели всего урожая, что отрицательно скажется на благополучии людей. Некоторые сельскохозяйственные заболевания могут проявлять малозаметные симптомы, что затрудняет выбор соответствующих действий. На ранних сроках роста растений иногда бывает сложно обнаружить патологию, чтобы найти оптимальное решение, характер и методологию вмешательства. Поэтому становится необходимым проведение передовых и комплексных исследований в этой области.
Для решения упомянутых выше проблем, которые преобладают в современном сельском хозяйстве, автоматизированные компьютерные исследования, такие как машинное и глубокое обучение, могут способствовать точному, быстрому и раннему выявлению заболеваний. Преимущества использования этих технологий заключаются в их способности обеспечивать быстрые и точные результаты, посредством компьютерного анализа и методов обработки изображений. Использование методов искусственного интеллекта в сельском хозяйстве может снизить затраты на рабочую силу, уменьшить неэффективность и затрачиваемое время, а также повысить качество урожая. Внедрение соответствующих подходов к управлению может облегчить реализацию планов борьбы с болезнями, за счёт использования самых ранних данных о состоянии здоровья сельскохозяйственных культур и конкретном месте распространения болезней.
