Помидоры богаты необходимыми для здоровья питательными веществами, что делает их одними из самых популярных овощей во всем мире.
С ростом внедрения современных методов селекции и передовых технологий автоматизированного удобрения в теплицах наблюдается заметный рост как урожайности, так и качества томатов.
Однако из-за применяемых интенсивных методов посадки несколько заразных заболеваний имеют потенциал быстро распространяться среди растений томатов, представляя существенную угрозу для устойчивого производства. Так, прямые потери производства тепличных томатов, приписываемые различным заболеваниям, могут превышать приблизительно 30%. Кроме того, заболевания, поражающие листву, могут распространяться на поверхность плодов, что приводит к деформации плодов и тем самым оказывает пагубное влияние на экономическую ценность.
В ответ на эти проблемы было развернуто несколько подходов на основе искусственного интеллекта и машинного зрения для решения проблемы обнаружения и анализа заболеваний растений томата.
Поскольку ранние симптомы некоторых заболеваний растений проявляются на листьях, использование различных алгоритмов для оценки и идентификации на основе листа оказывается более эффективным инструментом для определения состояния здоровья растения.
Был создан набор данных, известный как Plant Village, включающий десятки заболеваний томатов, который использовался для оценки различных эталонных сверточных нейронных сетей (англ. -convolutional neural networks, CNN). Для характеристики заболеваний листьев было реализовано множество алгоритмов классификации, таких как LeNet и ResNet, которые достигли выдающихся результатов по точности.
Однако практические сложности выращивания томатов в реальном тепличном мире вносят повышенный уровень сложности. Было показано, что динамические колебания, возникающие из-за таких факторов, как условия освещения, плотность растений и сложный рост листьев, создают проблемы для эффективности таких алгоритмов в реальных приложениях.
Чтобы решить это, международная команда исследователей из Китая и Канады создала инновационную систему мониторинга для тепличных томатов путем интеграции обнаружения заболеваний и подсчета плодов в режиме реального времени, сообщает в релизе Китайская академия наук.
В исследовании использовались алгоритмы YOLOX, NanoDet и YOLO-TGI для оценки точности обнаружения болезней томатов и подсчета плодов. Различные детекторы были протестированы на комплексном наборе данных, а доверительные распределения для нездоровых листьев, здоровых листьев и томатов были визуализированы с помощью скрипичных диаграмм.
Результаты показали, что увеличение сложности сети в целом повысило точность обнаружения: YOLO-TGI-S в сочетании с Byte-Track оказалась наиболее эффективной конфигурацией, предлагающей высокоскоростное и точное решение для мониторинга роста томатов в режиме реального времени и оценки урожайности.
По словам старшего научного сотрудника исследования, доктора Шанпэна Сана, «раннее выявление заболеваний и точная оценка урожайности имеют решающее значение для устойчивого сельского хозяйства. Наша интегрированная система представляет собой значительный шаг вперед, предлагая высокоскоростной и точный мониторинг, который можно адаптировать к различным культурам, помимо томатов. Примечательно, что производительность серии YOLO в первую очередь обусловлена их легкой архитектурой, что делает их исключительно хорошо подходящими для развертывания в приложениях».
Это исследование знаменует собой прорыв в автоматизированном сельскохозяйственном мониторинге. Предлагая масштабируемое, эффективное и высокоскоростное решение для обнаружения заболеваний и оценки урожайности, система имеет потенциал для преобразования современных методов ведения сельского хозяйства и поддержки глобальных усилий по обеспечению продовольственной безопасности.
Источник: Chinese Academy of Sciences.
На заглавной картинке вы видите процесс получения изображения на томатном поле. (A) Система получения изображения. Автономная платформа, оснащенная камерой смартфона, используется для захвата изображений и видеосканирования растений томата. (B) Типичные примеры маркированных изображений. Этот набор данных аннотируется через платформу Roboflow. (C) Категории набора данных. В наборе данных показаны примеры нездоровых листьев, здоровых листьев и плодов томата. Источник: Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0174.
