Новый алгоритм искусственного интеллекта для более точного выявления болезней растений

Ежегодно болезни растений, вызываемые бактериями, вирусами и грибками, наносят значительный экономический ущерб. Их оперативное обнаружение необходимо для сдерживания распространения и смягчения ущерба в сельском хозяйстве, но представляет серьёзную проблему, особенно в условиях крупномасштабного производства. Системы "умного" земледелия используют видеонаблюдение, оснащённое моделями искусственного интеллекта (ИИ), для выявления признаков болезней, которые часто проявляются в изменении морфологии и внешнего вида листьев.

Однако традиционные методы классификации изображений и распознавания образов извлекают признаки, указывающие на больные растения, из обучающего набора данных. В результате они обладают низкой интерпретируемостью, то есть сложно описать, какие именно признаки были изучены.

Кроме того, получение больших наборов данных для обучения моделей — трудоёмкий процесс. "Ручные" признаки, которые выбираются на основе детекторов, дескрипторов и словарей, разработанных экспертами, предлагают возможное решение этой проблемы. Однако они часто приводят к включению нерелевантных признаков, что снижает производительность алгоритма.

Команда специалистов по науке о данных и феноменике растений из Китая и Сингапура разработала роевой алгоритм для отбора признаков (SSAFS), который позволяет эффективно обнаруживать болезни растений на основе изображений. О разработке и валидации этого алгоритма сообщается в недавнем исследовании, опубликованном в журнале Plant Phenomics.

Объясняя преимущества SSAFS, соответствующий автор исследования, профессор Чживэй Цзи, отмечает: "SSAFS не только значительно сокращает количество признаков, но и существенно повышает точность классификации."

В исследовании использовалась комбинация двух принципов: высокопроизводительной феноменики (для анализа признаков растений, таких как степень тяжести заболевания, в больших масштабах) и компьютерного зрения (для извлечения из изображений признаков, репрезентативных для конкретного состояния). Используя SSAFS и набор изображений растений, исследователи определили "оптимальное подмножество признаков" болезней растений.

Это подмножество включало только признаки высокого приоритета, которые могли успешно классифицировать растение как больное или здоровое, а также оценить степень тяжести заболевания. Эффективность SSAFS была протестирована на четырёх наборах данных UCI и шести наборах данных по феноменике растений. Эти наборы данных также использовались для сравнения производительности SSAFS с пятью другими аналогичными роевыми алгоритмами.

Результаты показывают, что SSAFS хорошо справляется как с обнаружением болезней растений, так и с оценкой их тяжести. Действительно, он превзошёл существующие передовые алгоритмы в идентификации наиболее ценных "ручных" признаков изображений. Интересно, что большинство этих признаков, связанных с болезнями, были локальными — то есть включали определённые паттерны или структуры, такие как точки, края и участки, которые часто наблюдаются у больных растений.

В целом, этот алгоритм является ценным инструментом для получения оптимальной комбинации "ручных" признаков изображений, указывающих на болезни растений. Его внедрение может значительно повысить точность распознавания болезней и сократить необходимое время обработки.

Отвечая на вопрос о будущих перспективах исследования, профессор Цзи заявляет: "Одним из ключевых вкладов этой работы в феноменику растений является определение 'ручных' признаков и точный отбор релевантных признаков с помощью нового вычислительного подхода. Мы предлагаем объединить комплексные 'ручные' и 'неручные' признаки изображений растений для точного и эффективного обнаружения в области феноменики."