Претренированные модели для диагностики болезней растений превосходят традиционные методы

Ранняя диагностика болезней растений критически важна для обеспечения растущего спроса на продовольствие, так как заболевания могут снижать урожайность на 20–40%. Традиционные методы, такие как экспертный анализ или машинное обучение на основе классических алгоритмов, часто неэффективны или подвержены ошибкам. Глубокое обучение, в частности сверточные нейронные сети (CNN), произвело революцию в обнаружении болезней, но модели, претренированные на общих наборах данных (например, ImageNet), не обладают специализированными знаниями в области фенотипов и болезней растений, что ограничивает их точность.

В мае 2023 года в журнале Plant Phenomics была опубликована статья "PDDD-PreTrain: A Series of Commonly Used Pre-Trained Models Support Image-Based Plant Disease Diagnosis". В этом исследовании авторы разработали серию претренированных моделей для диагностики болезней растений.

Методология:

  • Для претренинга использовался обширный набор данных PDDD (plant disease diagnosis dataset), содержащий более 400 000 изображений 40 видов растений по 120 классам болезней.
  • Исследовались различные архитектуры моделей и параметры для адаптации к разным диагностическим сценариям и устройствам.
  • Для оценки использовались метрики точности классификации и средняя точность (mean average precision, mAP) на тестовых наборах данных, таких как Kaggle plant disease dataset и PlantDoc.

Результаты:

  • Модели, претренированные на PDDD и PlantVillage, значительно превзошли модели, обученные только на ImageNet.
  • Классификация болезней: Гибридная модель, объединяющая данные PlantVillage и ImageNet, показала наилучшие результаты.
  • Детекция болезней: Модель Faster R-CNN, инициализированная весами от PDDD и ImageNet, продемонстрировала улучшенную точность обнаружения и способность к обобщению.
  • Сегментация болезней: Модели DeeplabV3, претренированные на PDDD и ImageNet, достигли более высокой точности.

Вывод:

Результаты подчеркивают важность использования масштабных, предметно-ориентированных наборов данных для претренинга моделей в диагностике болезней растений. Авторы сделали модели открытыми, чтобы поддержать дальнейшие исследования и заложить основу для продвинутых и эффективных методов диагностики. Успех этих моделей знаменует значительный шаг в применении глубокого обучения для защиты растений, открывая перспективы для использования в точном земледелии и смежных областях.