Новая система машинного обучения для более точной диагностики болезней растений
Болезни растений представляют серьёзную угрозу для продовольственной безопасности и наносят значительный экономический ущерб. Точная диагностика позволяет своевременно вмешаться и минимизировать потери урожая.
Традиционные методы диагностики имеют ограничения: визуальный осмотр экспертами — длительный и подверженный ошибкам, а обычные методы обработки изображений извлекают лишь поверхностную информацию и требуют обширных обучающих данных.
Нейронные сети показывают многообещающие результаты в классификации болезней, но им часто не хватает качественных данных для обучения, особенно собранных в полевых условиях, где болезни могут быть редкими, а изображения — иметь сложный фон, разную форму и заслонения.
Исследователи разработали новую нейронную сеть под названием 'Multi-Representation Subdomain Adaptation Network with Uncertainty Regularization for Cross-Species Plant Disease Classification' (MSUN) для точной классификации болезней в естественных условиях.
Ключевым элементом стал метод unsupervised domain adaptation (UDA) — переноса обучения. Как поясняет руководитель исследования, доцент Сизянь Фань из Nanjing Forestry University: "UDA позволила нашей модели применить знания, полученные в контролируемых лабораторных условиях, к другому, неразмеченному набору данных из сложной полевой среды".
Новый подход преодолевает недостатки существующих методов на основе UDA:
- Способность обрабатывать сложные полевые изображения (несколько листьев, странные ракурсы, размытость).
- Возможность делать прогнозы для растений на разных стадиях болезни, в разные моменты времени или при поражении нескольких участков.
- Решение проблемы, когда схожие симптомы вызываются разными патогенами у одного вида растений или одним патогеном у разных видов.
"MSUN лучше изучает общую структуру признаков "растение-болезнь" и улавливает больше деталей из получаемой информации", — отмечает доцент Фань. Система не сбивается с толку из-за различий между данными из контролируемой и полевой среды.
Точность классификации MSUN была проверена на нескольких сложных наборах данных: PlantDoc, Plant-Pathology, Corn-Leaf-Diseases и Tomato-Leaf-Diseases. Во всех случаях MSUN превзошла существующие классификаторы.
Исследователи уверены, что MSUN сможет преодолеть неопределённость, присущую текущим системам диагностики, и внесёт значительный вклад в будущие исследования в области фитопатологии.