Исследователи разработали систему мониторинга томатов с помощью ИИ

Для предотвращения вспышек заболеваний в растениеводческих комплексах необходим мониторинг томатов в реальном времени для раннего выявления и классификации болезней. Предложенная сеть DeepD381v4plus демонстрирует высокую точность по классам, чувствительность, специфичность, точность, F1-меру и коэффициент корреляции Мэттьюса, превышающий 0.96, для мультисортовых заболеваний листьев томата. На репродуктивной стадии также необходимо отслеживать формирование бутонов, появление цветов, следы укусов и завязывание плодов для подтверждения опыления.

Детектор DeepDet381v4—YOLOv4M достигает наивысшего среднего среднего precision (mAP) (0.90) и наименьшего mAP (0.68) в классе TFl_Blooming, а также наименьшего mAP (0.68) в классе TFl_Transforming.

Однако в условиях, приближенных к реальным, DeepDet381v4—YOLOv4M может обнаруживать и подсчитывать спелые томаты на расстоянии 40 см с минимальной погрешностью или без нее. Обе сети, используемые для задач классификации и детекции–подсчета, имеют малый размер при высокой эффективности классификации и обнаружения (>27 кадров в секунду).

В целом, предложенный экспериментальный подход поможет фермерам предотвращать вспышки болезней, отслеживать формы цветов, которые могут завязывать плоды с наибольшей скоростью, обнаруживать и подсчитывать созревшие плоды или распознавать поврежденные плоды из-за поверхностных трещин или болезней для сбора урожая на оптимальной стадии зрелости. Это снизит трудозатраты, улучшит управление выращиванием и обеспечит отличное качество собранных томатов.

Результаты опубликованы в журнале Computers and Electronics in Agriculture.