Защита маниок от болезней? Для этого есть приложение

Маниок — одна из важнейших культур развивающегося мира. Его крахмалистые корни и листья являются основным продуктом питания для более 500 миллионов человек в Африке ежедневно. Африка производит половину мирового урожая маниока; основные производители на континенте — Конго, Кот-д'Ивуар, Гана, Нигерия, Танзания и Уганда.

Он также устойчив к изменению климата, так как прогнозируется увеличение его урожайности при более высоких температурах. Его роль как основного продукта питания станет еще важнее по мере усиления изменения климата.

Однако маниок, как и многие другие культуры, уязвим для вирусов и других болезней растений. Эти болезни могут влиять на урожайность маниока, стоить фермерам денег и угрожать продовольственной безопасности в странах Африки к югу от Сахары. Два заболевания — мозаичная болезнь маниока и коричневая штриховатость маниока — стали основными ограничивающими факторами производства маниока и продовольственной безопасности в регионе, приводя к потерям более 1 миллиарда долларов США ежегодно.

Эти болезни растений не новы для Африки и наносят ущерб десятилетиями. Однако отсутствие инфраструктуры и взаимодействия обученных экспертов по болезням растений с фермерами означает, что фермеры не обучены распознавать их на ранних стадиях. Поэтому мы решили создать приложение для распознавания болезней для смартфонов. Мы протестировали способность модели распознавания изображений, называемой сверточной нейронной сетью, точно идентифицировать до пяти различных болезней маниока.

Модель работает с использованием камеры мобильного устройства. Её новизна в том, что она может работать полностью на смартфоне без необходимости беспроводного соединения или доступа к большой вычислительной мощности. После того как фермеры идентифицируют болезнь с помощью приложения, мы предоставляем необходимую информацию, чтобы они могли приступить к лечению растений.

Наши результаты, основанные на исследовании, проведенном в Танзании, показывают, что модель распознавания изображений имела точность до 98% в идентификации болезней маниока в полевых условиях.

Эти результаты обнадеживают, поскольку наш метод намного проще в реализации, чем традиционные модели компьютерного зрения. Модель также обучалась на настольном компьютере с гораздо меньшей вычислительной мощностью, чем типичный суперкомпьютер, используемый для обучения моделей распознавания изображений. Эти результаты подчеркивают потенциал нашего метода как надежной, быстрой, доступной и легко развертываемой стратегии для цифрового обнаружения болезней растений.

Мы также смогли развернуть модель на смартфоне без подключения к Интернету, чего не смогло сделать ни одно другое мобильное приложение для диагностики болезней растений. Для Африки, где стоимость мобильного трафика высока для мелких фермеров, возможность поставить диагноз в офлайн-режиме имеет решающее значение.

Создание набора данных

Традиционные подходы к идентификации болезней полагаются на поддержку сельскохозяйственных экспертов, посещающих поле и проверяющих посевы. Но эти подходы ограничены в странах с низкой логистической и кадровой инфраструктурой, и их масштабирование дорого.

В таких районах смартфоны предлагают новые инструменты для обнаружения болезней растений в полевых условиях на основе автоматического распознавания изображений, которые могут помочь в крупномасштабном раннем обнаружении. Это жизнеспособный инструмент для Африки: проникновение смартфонов на континенте растет.

Наша методика подходит для оказания помощи мелким фермерам по нескольким причинам. Во-первых, она быстрая: болезнь можно идентифицировать с помощью модели менее чем за одну секунду. Поскольку приложение находится на мобильном устройстве, его также легко развернуть на больших территориях — фермерам больше не нужно ждать визита сельскохозяйственного эксперта для проверки растений.

Мы испытали модель, работающую на телефонах Android, в сотрудничестве с исследователями Международного института тропического сельского хозяйства в Дар-эс-Саламе, Танзания.

Для модели было шесть классов: три класса болезней, два класса повреждений клещами и один класс «здоровый» (то есть отсутствие болезни или повреждения клещами на листе).

Затем мы обучили нашу модель идентифицировать три болезни и два типа повреждений вредителями или их отсутствие. После обучения модели и загрузки её в приложение для телефона исследователи вышли протестировать приложение в поле. Сотрудники института ходили по полям, поднося телефон к разным растениям маниока, чтобы увидеть, как реагирует приложение. Если болезнь не распознана, приложение сообщает, что лист здоров.

Модель смогла идентифицировать болезни, повреждения вредителями и здоровые растения с высокой степенью точности — до 98% для некоторых классов.

Эта конкретная модель сейчас используется исследователями института. Запланированные на 2018 год шаги включают доработку приложения, чтобы сделать его подходящим для фермеров Восточной Африки, особенно женщин-фермеров. Например, приложение в настоящее время разрабатывается на английском и суахили с текстовыми и голосовыми функциями. Наше приложение связано с PlantVillage, который является крупнейшим в мире источником бесплатных знаний о здоровье сельскохозяйственных культур.

Огромный шанс на изменения

Такой вид технологий может быть преобразующим для мелких фермеров, которые производят 70% продовольствия в Африке. Предоставляя доступ к информации о болезнях на их полях, этот инструмент является эффективной системой распространения знаний, которая может охватывать мелких фермеров с целевой диагностикой и рекомендациями.