Томаты являются важнейшим источником питательных веществ и остаются одной из наиболее широко культивируемых овощных культур во всем мире. Однако интенсивная тепличная практика повышает восприимчивость растений к болезням, которые снижают урожайность и ухудшают качество плодов.
В реальных условиях традиционные методы мониторинга растений трудоемки и часто неэффективны из-за переменного освещения и сложного фона.
В исследовании ученых Института сельскохозяйственной информации и Академии сельскохозяйственных наук Цзянсу для оценки точного обнаружения болезней томатов и подсчета урожая плодов были использованы алгоритмы YOLOX-M, YOLOX-N, NanoDet и YOLO-TGI. Различные детекторы протестированы на обширном наборе данных, а доверительные распределения для зараженных/здоровых листьев и плодов были визуализированы с помощью графиков.
Результаты исследования показали, что увеличение сложности сети повышает точность обнаружения. В частности, YOLOX-M достиг оптимальной производительности, при этом показатели достоверности обнаружения зараженных листьев были около 0,9, в то время как YOLOX-N продемонстрировал более слабую производительность с показателями от 0,2 до 0,7.
NanoDet и YOLO-TGI демонстрировали схожие тенденции, сохраняя устойчивость на уровне выше 0,4. Модель YOLOX показала самую высокую скорость вычислений и самую высокую среднюю точность, в то время как NanoDet продемонстрировала наименьший размер модели, а YOLO-TGI — самые низкие значения FLOP и веса контрольных точек.
В процессе мониторинга наибольшую производительность показала комбинация YOLO-TGI-S с Byte-Track. Напротив, NanoDet-S и FairMot были наименее эффективны.
Проблемы, с которыми столкнулся автоматизированный мониторинг, включали в себя окклюзии, изменения освещения окружающей среды и переключение идентификаторов в видеопотоках, были устранены с помощью стратегии фильтрации идентификаторов.
В целом YOLO-TGI-S в паре с Byte-Track оказалась наиболее эффективной конфигурацией, предлагающей высокоскоростное и точное решение для мониторинга роста растений томатов и оценки урожайности в режиме реального времени.
Раннее обнаружение болезней и точная оценка урожайности имеют ключевое значение для устойчивого развития сельского хозяйства. Интеллектуальные системы — это значительный шаг вперед, обеспечивающий высокоскоростной и точный мониторинг, который может быть адаптирован не только к томатам, но и к другим культурам.
Это исследование представляет собой прорыв в области автоматизированного сельскохозяйственного мониторинга. Предлагая масштабируемое, эффективное и высокоскоростное решение для обнаружения болезней и оценки урожайности, система способна изменить современные методы ведения сельского хозяйства и поддержать глобальные усилия по обеспечению продовольственной безопасности.
Благодаря интеграции обнаружения болезней и подсчета плодов в режиме реального времени, эта инновация обещает улучшить устойчивые методы производства одной из самых важных культур в мире.
Во Всероссийском центре карантина растений Россельхознадзора (ФГБУ «ВНИИКР») проводят исследования по использованию искусственного интеллекта для выявления сорных растений в подкарантинной продукции, что упрощает проведение мониторинга и повышает контроль за качеством продукции.
Источник: Rui Kang et al, Toward Real Scenery: A Lightweight Tomato Growth Inspection Algorithm for Leaf Disease Detection and Fruit Counting, Plant Phenomics (2024). DOI: 10.34133/plantphenomics.0174