Использование ИИ и передовой визуализации для точного управления стрессом растений

Фенотипирование растений играет ключевую роль в повышении урожайности, особенно на фоне растущего мирового спроса на продовольствие. Недавние достижения в области ИИ и технологий визуализации предлагают перспективные методы для раннего и точного обнаружения стресса у растений, преодолевая ограничения традиционных визуальных инспекций.

Однако сохраняются проблемы, включая необходимость в точных и надежных алгоритмах ИИ, потребность в разнообразных, качественных наборах данных для обучения ИИ, высокую стоимость и сложность передовых сенсоров визуализации, а также ограниченные данные, захватываемые более доступными камерами, такими как RGB. Эти вызовы подчеркивают постоянную потребность в исследованиях для повышения доступности, надежности и эффективности этих технологий для сельскохозяйственных приложений.

В марте 2024 года журнал Plant Phenomics опубликовал обзорную статью "Достижения в области сенсоров визуализации и ИИ для обнаружения стресса у растений: систематический обзор литературы". В этом обзоре исследователи представили комплексный анализ технологий ИИ и визуализации для обнаружения стресса у растений, используя методологию систематического обзора литературы (SLR). Их исследование, основанное на заранее определенных вопросах, было сосредоточено на изучении использования сенсоров визуализации и ИИ для обнаружения симптомов стресса, анализе тенденций и выявлении текущих проблем.

Обзор выявил в общей сложности 2704 исследования из четырех основных баз данных с использованием многоуровневой стратегии поиска по ключевым словам и инновационных программируемых ботов для сбора данных. Из них 262 исследования были тщательно проанализированы, выявив явное предпочтение RGB-сенсорам из-за их доступности, экономической эффективности и универсальности в различных исследовательских условиях.

Несмотря на широкое применение, RGB-сенсоры имеют ограничения, особенно при захвате тонких индикаторов стресса, что заставляет исследователей все чаще обращаться к спектральным сенсорам визуализации. Эти сенсоры предлагают более глубокое понимание физиологии растений, захватывая данные в широком спектральном диапазоне, хотя и с более высокой стоимостью и более сложными требованиями к обработке данных.

Анализ также показал растущую тенденцию к интеграции ИИ, особенно глубокого обучения (DL), в исследования стресса растений, стимулируемую доступностью крупных открытых наборов данных, таких как PlantVillage. Эта тенденция подчеркивает переход к более сложным методам анализа, способным работать со сложной природой симптомов стресса и их обнаружения.

Примечательно, что в обзоре отмечается растущий интерес к изучению альтернативных технологий визуализации, таких как флуоресцентная, тепловая, спутниковая съемка и LiDAR, благодаря их уникальным возможностям в обнаружении стресса, несмотря на их текущее недостаточное использование из-за различных практических ограничений.

Обзор также углубился в алгоритмы ИИ, используемые в исследованиях стресса растений. Было обнаружено, что DL, в частности сверточные нейронные сети (CNN), широко применяются для задач классификации изображений и извлечения признаков. Несмотря на доминирование DL, алгоритмы машинного обучения (ML), такие как метод опорных векторов (SVM) и искусственные нейронные сети (ANN), остаются широко используемыми, особенно в сочетании со спектральными данными визуализации, благодаря их эффективности в упрощении интерпретации результатов и работе с ограниченными спектральными наборами данных.

В заключение, SLR не только дает обзор текущего ландшафта применения ИИ и сенсоров визуализации для обнаружения стресса у растений, но и предсказывает расширяющуюся роль спектральной визуализации и DL в развитии фенотипирования растений. Он призывает к дальнейшему изучению мультимодальных подходов, интеграции новых технологий визуализации и разработке более надежных моделей ИИ, способных к обобщению для различных видов растений и условий стресса.

По мере развития технологий ИИ и визуализации их интеграция обещает значительно улучшить нашу способность понимать, обнаруживать и управлять стрессом растений. Это прокладывает путь к более устойчивой сельскохозяйственной практике.