Нейросеть U-Net с MobileNetV2 достигла 98% точности в оценке тяжести болезней растений

Учёные разработали унифицированный пайплайн глубокого обучения, объединяющий семантическую сегментацию, регрессию для оценки тяжести и классификацию болезней растений. Тяжесть стресса делится на четыре уровня (от низкого до очень высокого) в зависимости от доли поражённой площади листа. Эта технолог

Ежегодные потери урожая из-за болезней составляют 20–40%, а экономический ущерб превышает 220 миллиардов долларов. Традиционные ручные оценки трудоёмки и субъективны. Автоматическая система позволяет проводить точную и масштабируемую диагностику, что критически важно для точного земледелия. Внедрение таких решений может значительно сократить потери и повысить эффективность сельского хозяйства.

Как работает пайплайн

Пайплайн состоит из трёх этапов. Сначала выполняется семантическая сегментация: модель выделяет на изображении листа поражённые участки. Затем на основе площади поражения рассчитывается индекс тяжести болезни, который классифицируется по четырём уровням. Наконец, определяется тип заболевания. Такой комплексный подход позволяет не только обнаружить болезнь, но и оценить её стадию, что критично для выбора стратегии лечения.

Какие модели сравнивались и почему U-Net с MobileNetV2 оказалась лучшей?

Эксперименты проводились на наборе данных Apple Tree Leaf Disease Segmentation, включающем 1641 образец и шесть классов болезней. Сравнивались четыре архитектуры: U-Net (MobileNetV2), SegFormer, FCN и PSPNet. U-Net с MobileNetV2 показал наилучшие результаты: пиксельная точность 98,20%, mIoU 0,70, точность обнаружения 99,41% при времени обработки 14,7 мс на изображение, что пригодно для работы в реальном времени. SegFormer показал mIoU 0,66, FCN и PSPNet — около 0,49. Индекс тяжести, вычисленный системой, сильно коррелирует с экспертными оценками (r = 0,968, R² = 0,937).

Выбор MobileNetV2 в качестве энкодера обеспечивает лёгкость модели и высокую скорость, что делает её пригодной для мобильных устройств и дронов. U-Net, в свою очередь, эффективно восстанавливает пространственную информацию, что важно для точной сегментации границ поражений.

Почему это важно для сельского хозяйства

Автоматическая оценка тяжести болезней позволяет фермерам и агрономам оперативно реагировать на вспышки заболеваний, минимизируя потери урожая. Система может быть интегрирована в дроны или камеры на тракторах для мониторинга полей в реальном времени. Это снижает трудозатраты и повышает точность диагностики по сравнению с визуальным осмотром.

Кому будет полезна эта технология?

Разработчикам систем точного земледелия, агрономам, исследователям в области компьютерного зрения и сельского хозяйства, а также фермерам, заинтересованным в автоматизации мониторинга полей. Система может стать основой для коммерческих продуктов, помогающих управлять здоровьем растений на больших площадях.

Ограничения и дальнейшие исследования

Данные представлены только для яблонь; требуется проверка на других культурах. Также не указано, насколько модель устойчива к различным условиям съёмки (освещение, угол, шум). Будущие работы должны включать тестирование на более разнообразных наборах данных, а также оценку производительности в полевых условиях. Кроме того, возможно улучшение модели за счёт использования аугментации данных и ансамблевых методов.

Тем не менее, полученные результаты демонстрируют высокий потенциал лёгких архитектур для задач сельскохозяйственной диагностики. Дальнейшая оптимизация и адаптация под конкретные культуры могут сделать такие системы массово доступными уже в ближайшие годы.