Умная система мониторинга улучшает наблюдение за томатами с высокоскоростным обнаружением болезней и подсчетом плодов

Томаты — важный источник питательных веществ и одна из самых широко культивируемых культур в мире. Однако интенсивные методы тепличного выращивания повышают восприимчивость к болезням, которые могут снизить урожайность до 30% и ухудшить качество плодов.

Традиционные методы мониторинга растений трудоемки и часто неэффективны в реальных условиях из-за таких проблем, как изменчивое освещение и сложный фон. Исследование, опубликованное в Plant Phenomics, революционизирует управление теплицами и предотвращает распространение болезней.

Интегрируя обнаружение болезней и подсчет плодов в реальном времени, эта инновация способствует повышению устойчивости производства одной из важнейших мировых культур.

В исследовании для оценки точности обнаружения болезней томатов и подсчета плодов использовались алгоритмы YOLOX, NanoDet и YOLO-TGI. Различные детекторы тестировались на комплексном наборе данных, а распределение достоверности для нездоровых листьев, здоровых листьев и томатов визуализировалось с помощью violin plots.

Результаты показали, что увеличение сложности сети, как правило, повышает точность обнаружения. В частности, YOLOX-M показал оптимальную производительность с оценками достоверности обнаружения листьев, сконцентрированными около 0.9, в то время как YOLOX-N продемонстрировал более слабые результаты с диапазоном от 0.2 до 0.7, вероятно, из-за своей облегченной структуры.

NanoDet и YOLO-TGI показали схожие тенденции, сохраняя устойчивые оценки выше 0.4. Модель YOLOX имела самую высокую скорость вывода (32.35 мс) и наивысшую среднюю точность (mAP) — 0.85, в то время как NanoDet отличался самым маленьким размером модели, а YOLO-TGI достиг наименьших значений FLOPs и веса контрольных точек (checkpoint weights).

Для отслеживания плодов комбинация YOLO-TGI-S с Byte-Track показала превосходные результаты с R² = 0.93 и RMSE = 9.17. В то же время NanoDet-S и FairMot зафиксировали самый низкий R² = 0.34. Сложности включали перекрытия объектов, вариации освещения и переключения ID в видеопотоках, которые были смягчены с помощью стратегии ID-фильтрации.

В целом, связка YOLO-TGI-S с Byte-Track оказалась наиболее эффективной конфигурацией, предлагая высокоскоростное и точное решение для мониторинга роста растений томата и оценки урожайности в реальном времени.

По словам старшего исследователя, доктора Шанпэна Суня: «Раннее обнаружение болезней и точная оценка урожайности имеют ключевое значение для устойчивого сельского хозяйства. Наша интегрированная система представляет собой значительный шаг вперед, предлагая высокоскоростной и точный мониторинг, который может быть адаптирован для множества культур, помимо томатов».

Это исследование знаменует прорыв в области автоматизированного сельскохозяйственного мониторинга. Предлагая масштабируемое, эффективное и высокоскоростное решение для обнаружения болезней и оценки урожайности, система обладает потенциалом для преобразования современных методов земледелия и поддержки глобальной продовольственной безопасности.