Новое приложение идентифицирует болезни риса на ранних стадиях
Рис — одна из важнейших продовольственных культур, но растения подвержены множеству болезней, которые не всегда легко определить в полевых условиях. Новое исследование, опубликованное в International Journal of Engineering Systems Modelling and Simulation, проверило, может ли приложение на основе алгоритма сверточной нейронной сети быстро и эффективно определить, что поражает урожай, особенно на ранних стадиях, когда признаки могут быть неочевидными.
Манодж Агравал и Швета Агравал из Университета Sage (Индоре, Мадхья-Прадеш) указывают на острую потребность в автоматизированном методе идентификации болезней риса. Они обучили различные инструменты машинного обучения на более чем 4000 изображений здорового и больного риса и протестировали их на данных о болезнях из разных источников. Результаты показали, что архитектура ResNet50 обеспечивает наибольшую точность — 97,5%.
Система может по фотографии образца определить, здорово растение или больно, а в случае болезни — идентифицировать одну из следующих распространенных патологий:
- Листовая пирикуляриозная пятнистость (Leaf Blast)
- Бурая пятнистость (Brown Spot)
- Аскохитоз (Sheath Blight)
- Ожог листьев (Leaf Scald)
- Бактериальный ожог листьев (Bacterial Leaf Blight)
- Пирикуляриоз риса (Rice Blast)
- Пирикуляриоз метелки (Neck Blast)
- Ложная головня (False Smut)
- Тунгро (Tungro)
- Стеблевой сверлильщик (Stem Borer)
- Хиспа (Hispa)
- Гниль влагалища листа (Sheath Rot)
Общая точность подхода команды на независимых тестовых изображениях составляет 98,2%. Этой точности достаточно, чтобы помочь фермерам принять адекватные меры против конкретной инфекции, спасти урожай и ресурсы, избежав потерь продукции или трат на неэффективные обработки.
Авторы подчеркивают, что система хорошо работает независимо от условий освещения или фона на фотографии. Точность можно повысить, добавив в обучающий набор больше изображений, что поможет приложению делать точные прогнозы по снимкам, сделанным в различных условиях.