Недорогие датчики глубинной съёмки достигли 97% точности в быстром выявлении болезней растений

Исследовательская группа изучила недорогие датчики глубинной съёмки с целью автоматизации фитопатологических тестов. Метод показал 97% точность в различении устойчивых и восприимчивых растений на основе потери семядолей. Он работает в 30 раз быстрее, чем ручная аннотация человеком, и устойчив к различным условиям среды и плотности растений.

Инновационная система визуализации, метод извлечения признаков и модель классификации представляют собой экономичное решение для высокопроизводительного анализа. Оно может быть использовано в инструментах поддержки принятия решений или как автономная технология для вычислений на периферии в реальном времени.

Исследование, опубликованное в Plant Phenomics 6 июня 2024 года, посвящено эффективности системы фенотипирования Phenogrid для мониторинга растений на ранней стадии развития в условиях биотического стресса.

Ключевые методы и результаты:

• Извлечение признаков: Эффективным методом для различения восприимчивых и устойчивых партий растений стало извлечение пространственно-временных признаков: абсолютной амплитуды (A_abs), относительной амплитуды (A_rel) и продолжительности спада (D).
• Признак "начало" (O): Был однородным у восприимчивых растений, в то время как у устойчивых растений наблюдалось стабильное трёхдневное начало, коррелирующее с потерей семядолей.
• Эффективность сигналов: Сигналы высоты были менее эффективны, а сигналы поверхности и объёма показали выраженный контраст между устойчивыми и восприимчивыми растениями.
• Классификация: Модель Random Forest достигла наивысшей точности классификации — 97%, с высокими метриками производительности (MCC: +91%).
• Устойчивость метода: Метод сохранял эффективность при десинхронизации сроков инокуляции до двух часов. Снижение количества растений в партии с 20 до 10 сохраняло точность классификации, удваивая пропускную способность.
• Влияние полива: Визуальный анализ показал, что прямой полив влияет на точность классификации, что указывает на возможность улучшения за счёт автоматизированных методов или суборошения.

Метод также эффективен для анализа других патосистем, демонстрируя высокую обобщаемость и потенциал для высокопроизводительной диагностики в фитопатологии.

Как утверждает старший исследователь Дэвид Руссо, разработанная система визуализации в сочетании с методом извлечения признаков и моделью классификации представляет собой комплексный конвейер с беспрецедентной пропускной способностью и экономической эффективностью по сравнению с современными аналогами.

Исследование демонстрирует успешную автоматизацию фитопатологических тестов, значительно ускоряющую процесс по сравнению с ручным анализом. Будущие улучшения могут включать интеграцию дополнительных методов визуализации и усовершенствование алгоритмов для более широкого применения.