Чем болеет растение по фотографии
Перейти к содержимому

Чем болеет растение по фотографии

  • автор:

Приложение диагностирует больше 60 болезней растений, анализируя фотографии

Plantix диагностирует пораженные культуры и выдает пользователям информацию о профилактических мерах и методах борьбы с болезнью. Для этого необходимо всего лишь загрузить изображение с больным растением.

Немецкая компания Peat разработала приложение Plantix для диагностики и лечения болезней сельскохозяйственных культур. Пользователи загружают фотографии пораженных растений через приложение, которое анализирует изображения и выдает название и причину болезни.

В Plantix реализована система машинного обучения. Чем больше фотографий добавляется в базу данных приложения, тем более точно она будет работать. Программа не только диагностирует, но и предоставляет пользователям информацию о профилактических мерах и методах борьбы с заболеванием.

По словам генерального директора компании Peat — ежегодные потери урожая сельскохозяйственных культур во всем мире из-за болезней растений и вредителей достигают 30%. Приложение же поможет снизить эти потери.

С июня 2015 года Plantix получила более 500 000 фотографий. Такая огромная база изображений позволила приложению выявить многие заболевания. В настоящее время программа может обнаружить более 60 заболеваний. Приложение также содержит библиотеку патогенов, которые могут быть отфильтрованы по видам растений, грибкам, бактериям, вирусам и другим категориям.

Еще одна возможность Plantix — пользователи могут делиться опытом борьбы с заболеваниями культур, а также получать доступ к отчетам о погоде.

Приложение доступно для бесплатной загрузки в Google Play во многих странах. Но из-за того, что вначале программа была запущена только в Германии, Бразилии и Индии — именно для этих государств подходит наиболее оптимально. Для других же стран пока что продолжается сбор фотографий и информации. Поэтому могут возникнуть трудности с диагностированием некоторых заболеваний.

Сегодня разрабатывается много приложения для смартфонов, которые упрощают аграриям их работы. Например, в США разработали приложение для обнаружения бактерий на продуктах.

Заметили ошибку? Выделите ее и нажмите Ctrl+Enter, чтобы сообщить нам.

О проекте

Image

Наша работа направлена на решение задач диагностирования и предотвращения болезней агрокультур путем использования современных методов обработки графической и текстовой информации на высокопроизводительных вычислительных инфраструктурах. Суть проекта состоит в создании механизмов, позволяющих людям отправлять запросы, содержащие графическое описание проблемы с их растениями, а в ответ получать варианты возможных заболеваний и рекомендуемых действий.

Помощь проекту

Мы работаем над расширением нашей базы и улучшением наших нейронных сетей. Мы всегда рады помощи в различных направлениях. Например, сбор изображений по уже имеющимся или новым болезням и культурам. Проверка и редактирование описаний и рекомендаций по леченю. Поиск ошибок и неточностей на сайте и в работе приложения. И многое другое. Если у Вас есть желание нам помочь — пишите на auzhinskiy@jinr.ru или заходите в канал @DoctorPl

Сотрудничество

Мы готовы к сотрудничеству со сторонними группами и огранизациями. Мы можем предоставить API к нашим моделям, оказать консультационные услуги, обучить модель на ваших данных и подготовить окружение для ее запуска на ваших ресурсах. Пишите на auzhinskiy@jinr.ru для получения подробной информации.

Мобильное приложение

Доступно в Google Play. Название — DoctorP

Приложение для выявления болезней растений и вредителей

Визуальный осмотр является важным аспектом, когда речь идет о здоровье растений. Поскольку лабораторные тесты не являются практическим инструментом для ежедневной диагностики, из-за затрат и времени оборота производители принимают решения, основываясь на симптомах, которые можно увидеть на растениях. Осмотр растений занимает много времени и часто оставляет у производителей сомнения. Консультанты по растениеводству готовы поддержать производителей в принятии решений и убедиться, что ошибки сведены к минимуму. Но что делать, если такой помощи нет? К счастью, на помощь могут прийти технологии. Приложение на основе искусственного интеллекта для выявления болезней растений стало возможным благодаря большому скачку производительности, достигнутому сообществом исследователей искусственного интеллекта.

В последние годы программные продукты могут выполнять задачи, основанные на зрении, с точностью выше человеческого уровня. Почему бы тогда не применить эту технологию к консультациям по агрономии? Распространение мобильных устройств делает этот вопрос еще более актуальным, так как такие устройства позволили масштабно распространять решение. Фермеры и домашние производители могут носить с собой агронома в кармане, когда они идут осматривать свои растения.

Агрио это приложение для Android и iOS, разработанное именно для этого. Это помогает производителям лучше управлять защитой растений. Идентификация болезней является важнейшим компонентом рутинной защиты растений. Ценность, которую предлагает приложение, привлекает и другую аудиторию. Домашние производители, ищущие профессиональный совет, составляют большую часть пользовательской базы, использующей функцию идентификации болезней для своих нужд. Это согласуется с растущей тенденцией миллениумов, которые используют технологии, чтобы выращивать продукты питания в своих домах. Кроме того, Агрио предлагает биологические и органические средства обработки в рамках интегрированных протоколов борьбы с вредителями, что делает их еще более актуальными для садоводов и домашних цветоводов.

Не ждите, пока ваши растения сами поставят диагноз. Скачайте Агрио!

Приложение для выявления болезней растений и экономии времени

При осмотре поля мгновенная идентификация избавляет от необходимости тратить время на выявление проблем и регистрацию результатов. Кроме того, записанные изображения могут быть просмотрены другими и использованы в качестве эталона в будущем. Садоводы, которым трудно поставить точный диагноз, используют инструмент в качестве помощника или как способ получить второе мнение, когда есть сомнения. Это особенно важно, когда другие источники рекомендаций недоступны, например, в странах, где соотношение количества производителей к количеству агрономов очень велико.

Когда дело доходит до распознавания объектов в плотно загроможденной среде, люди-эксперты могут ошибаться. К счастью, искусственный интеллект можно научить отфильтровывать отвлекающие факторы и обеспечивать быструю идентификацию и классификацию важных фрагментов изображения.

Почему важно точно определить причину проблемы?

Для каждого патогена или насекомого требуется разное лечение. Кроме того, в некоторых регионах у патогенов может развиться устойчивость к некоторым видам лечения; эту информацию следует учитывать при назначении лечения.

Когда проблемы уже наблюдаются на участке, точная идентификация может помочь предотвратить распространение. Стратегия, в соответствии с которой следует применять меры, зависит от точного определения причины.

Когда дело доходит до профилактики, производители должны учитывать последствия для следующих сезонов. Севооборот или обработка почвы могут быть рекомендованы, когда ожидается, что вредный организм выживет в почве или растительных остатках. В случае вирусного заболевания может быть рекомендовано сажать устойчивые к вирусу сорта в следующие сезоны после выявления вируса в регионе. Другими факторами, которые требуют подготовки почвы перед посадкой, являются засоленность почвы, неправильный рН почвы, наличие нематод и многое другое. Во всех приведенных выше примерах необходимо получить точную идентификацию проблемы, чтобы предотвратить будущие потери.

Агрио | Приложение, которое идентифицирует болезни растений и вредителей

Почему искусственный интеллект — правильный подход

В консультантах по защите растений существует огромная пустота, которая приводит к 40% потерь урожая. Соотношение сельхозработников и фермеров непропорционально низкое и далеко от оптимального соотношения 1:50. Доступ к высококачественным советам еще менее доступен для домашних производителей. С помощью ИИ мы можем предложить бесплатное решение для распознавания изображений, которое может закрыть этот пробел. Agrio ежедневно анализирует тысячи изображений, что в противном случае заняло бы сотни часов человеческих экспертов, что является неэкономичной альтернативой. Решение не ограничено по масштабу и поэтому предлагает жизнеспособный способ поддержать производителей, улучшить глобальное производство продуктов питания и уменьшить голод.

Как искусственный интеллект выявляет болезни растений?

Современные технологии распознавания изображений основаны на концепции искусственных нейронных сетей. Подобно тому, как учатся студенты-агрономы, нейронная сеть представлена примерами больных растений, которые были помечены экспертами. В процессе обучения сеть нейронов адаптируется до тех пор, пока не достигнет максимальной оценки производительности. В результате появилось приложение, которое выявляет болезни растений и постоянно совершенствуется по мере появления новых примеров. Основываясь на отзывах производителей и наблюдениях, проведенных на полях, Агрио узнает, какие протоколы обработки более эффективны. Обработка, которая не была эффективной, сигнализирует о возможной проблеме с идентификацией и предоставляет дополнительную информацию для улучшения сети.

Симптомы разных заболеваний могут показаться похожими, но как Агрио может отличить их?

Симптомы, наблюдаемые на различных частях растения, и информация о географии и погоде помогают нам различать проблемы. Подобно процессу медицинской диагностики, приложение будет задавать вопросы производителям, которые помогут поставить правильный диагноз в случае, если информации на изображениях недостаточно.

Почему спутников и других устройств дистанционного зондирования недостаточно, когда речь идет о точной диагностике проблем на предприятии?

Дистанционное зондирование полезно, когда производители хотят точно определить места, где начались проблемы. Но камеры, установленные на дронах или другом оборудовании, увидят лишь часть симптомов. Часто симптомы, наблюдаемые на листве, вторичны; реальная проблема может быть связана с внутренними тканями стеблей или корней. Приложение инструктирует производителя о том, какие вмешательства необходимы для выявления основной причины. В этом смысле хорошей альтернативы ботинкам на земле пока нет.

Сможет ли Агрио научиться определять болезни растений, которых раньше не замечал?

Приложение постоянно учится. Когда пользователи загружают изображения, которые не могут быть идентифицированы искусственным интеллектом, есть возможность поделиться фотографиями с экспертами-людьми. Переписка между садоводом и экспертами используется искусственным интеллектом для обучения. В результате Агрио может применять ранее полученные навыки для более быстрого освоения новых растений.

Что Агрио научился определять до сих пор?

Болезни и насекомые-вредители – основная проблема, с которой мы сталкиваемся. Но были изучены многие другие абиотические стрессоры, такие как дефицит питательных веществ, токсичность, факторы окружающей среды, такие как ветер и град, и многие другие. Способность различать биотический и абиотический стресс важна и может предотвратить ненужное применение пестицидов.

Каково использование такой технологии в футуристической ферме?

В будущем технологии компьютерного зрения будут необходимы в автономных фермах. В таких установках автоматическая идентификация заболеваний будет иметь решающее значение.

Обзор

Агрио это приложение, которое определяет болезни растений и служит личным агрономом, который можно носить в кармане. Мы делаем новаторскую систему поддержки защиты растений доступной для любого производителя со смартфоном. Присоединяйтесь к нам сегодня и примите участие в этом захватывающем путешествии.

  • A Plant Care App Made Intuitive With A Multimodal Chatbot
  • Growing Potatoes: A Step-by-Step Guide to Potato Sprouts Planting
  • Understanding and Controlling Red Mites: A Comprehensive Guide
  • Soybean Aphid Scouting and The Role of Digital Scouting Tools
  • Maximizing Plant Health with Raised Bed Garden

Платформу для распознавания болезней растений по фото разрабатывают учёные РФ

Сотрудники Лаборатории информационных технологий ОИЯИ разработали онлайн-платформу pdd.jinr.ru для определения болезней домашних и сельскохозяйственных растений. Для решения задачи были использованы сверточные нейронные сети, повсеместно применяемые для классификации изображений. Нейросетевая архитектура платформы способна с точностью более 95 % распознавать различные болезни и вредителей. На начало 2023 года количество классов общей модели pdd.jinr.ru было увеличено до 60, и появилась пара новых специализированных моделей для таких популярных домашних растений, как драцена и спатифиллум.

По оценкам Продовольственной и сельскохозяйственной организации ООН, до трети урожая в мире ежегодно погибает от вредителей и болезней, поэтому автоматизацией распознавания недугов растений сейчас занимаются во всем мире. В 2017 году группа научных сотрудников Лаборатории информационных технологий ОИЯИ выиграла грант Российского Фонда Фундаментальных Исследований (РФФИ) на разработку комплексной системы диагностирования болезней растений по изображениям и текстовому описанию.

Была разработана платформа, которая продолжает развиваться до сих пор и имеет несколько точек входа пользователей. В ней реализована коллекция моделей: обрабатывая запрос, алгоритм вначале использует общую модель по болезням и вредителям. Затем нейросеть определяет вид растения. При условии, что для данной культуры имеется своя модель, пользователь получит, кроме общего, еще и частный прогноз. «При выдаче результата показываются три наиболее близких класса к загруженному изображению. В большинстве случаев все это позволяет правильно определить болезнь и получить рекомендации по ее лечению», — сообщил соавтор исследования, ведущий программист ЛИТ ОИЯИ Александр Ужинский.

Сейчас в pdd.jinr.ru есть модели для 19 сельскохозяйственных и декоративных культур: барбариса, винограда, вишни, голубики, клубники, кукурузы, огурцов, перца, пшеницы, смородины, томатов, хлопка, яблок, орхидей, роз и т. д. Общая модель для всех видов растений распознает 55 различных болезней и вредителей. В базе собрано свыше 4 000 изображений; получено более 40 000 запросов от пользователей. Использовать интерфейс платформы могут все, начиная от агрохолдингов и заканчивая начинающими садоводами, для которых немаловажной будет особенность программы – рекомендации по лечению растений, верифицированные профессиональными агрономами.

«Пользователи должны иметь разные инструменты взаимодействия с платформой. Задачи распознавания могут быть запущены через веб-портал, но основной точкой входа пользователей стало мобильное приложение DoctorP для операционной системы Android», — пояснил Александр Ужинский. С момента запуска приложения им воспользовались более 10 000 человек. Сейчас разрабатывается приложение и для ОС iOS.

Как рассказал Александр Ужинский, при классификации изображений зачастую используют хорошо зарекомендовавшую себя сверточную нейроннную сеть, предварительно обученную на большом количестве изображений. Ее последний слой, отвечающий за классификацию, заменяют на новый с последующим дообучением на фотографиях из предметной области – такой подход называется «переносом обучения» (transfer learning). Как правило, для использования метода требуются сотни изображений. Здесь исследователи столкнулись с самой большой трудностью – набрать достаточное количество фотографий растений для обучения нейросети. В имевшихся на тот момент открытых базах содержались синтетические изображения, сильно отличающиеся от встречаемых в реальной жизни: каждый листок отрезан, расправлен, находился на статичном фоне и одинаково освещен. «Эти изображения удобно использовать для научных целей, и мы получили хороший результат – 99 % распознавания, но затем на фотографии, сделанной пользователями в реальной жизни, модель в 50 % случаев ошибалась. Перед нами встала задача самим собирать базу изображений», — продолжил Александр Ужинский. Необходимо было набрать как можно больше снимков растений в полевых условиях: при разном освещении, положении, различном масштабе съемки и пр. Обычно для достижения положительных результатов требуются сотни, а лучше – тысячи изображений для каждого определяемого класса.

В открытых источниках: в онлайн-сообществах, на форумах – на каждый класс болезней имелось лишь от 20 до 50 изображений, и разработчикам пришлось применять особые методы, чтобы в условиях малой обучающей выборки все равно получить хороший результат. Чтобы решить проблему, была использована сиамская (двойная) нейронная сеть, которая хотя и не применялась до этого для классификации болезней растений, однако хорошо различала лица. «В данной технологии используются одинаковые сети, на вход которым подаются пары изображений одинакового или разных классов, и в результате обучения сеть должна научиться хорошо разносить многомерные вектора изображений различных классов в пространстве свойств. В итоге при определении болезней растений удалось добиться точности в 98 %», — прокомментировал ученый.

Платформа была дважды оптимизирована из-за ухудшения точности результатов при увеличении числа классов изображений в базе. В первый раз, чтобы улучшить показатели прогнозов, была использована трехчленная функция минимизации потерь – подход, при котором используются три нейросети, на вход которым подаются два изображения одного класса и одно изображение – другого. Процесс обучения направлен на то, чтобы в многомерном пространстве векторы-представления изображений одного класса стали ближе, а разных классов — максимально удалились друг от друга.

Следующим шагом по оптимизации архитектуры и процесса обучения стало использование алгоритмов поиска оптимальных настроек аугментации (AutoAugment) – искусственного изменения изображений, на которых обучается нейросеть, если этих изображений мало (меняются, например, угол наклона объекта, яркость, часть объекта отрезается, и т. п.). Кроме того, базовой нейронной сетью в платформе стала сеть, специально обученная на множестве изображений растений. В результате даже при числе классов более 50 в системе поддерживается точность моделей свыше 95 %.

Авторы разработали программный интерфейс, который предоставляет стороннему пользователю возможность использовать ресурсы платформы, например, в своем мобильном приложении. Так, копания «Гарден ритейл Сервис» (ранее «Фаско») встроила в свое мобильное приложение HoGa возможность определять болезни. В рамках совместного проекта с НЦМУ «Агротехнологии будущего» на базе Тимирязевской академии нейросетевые модели pdd.jinr.ru использовались для отслеживания влияния освещения на развитие растений, что позволяло подбирать оптимальные схемы выращивания сельскохозяйственных культур.

Платформа продолжает развиваться. База данных пополняется снимками пользователей и тем самым улучшает точность моделей. Летом в платформу в основном попадают изображения сельскохозяйственных культур: огурцов, помидоров, клубники и других, зимой – по большей части фотографии комнатных растений. В перспективе в платформу будут добавлены возможности обработки видеопотока, модели для определения нехватки основных элементов (азот, фосфор, кальций, железо и т. д.), а также средства формирования рекомендаций по выращиванию и отслеживанию развития наиболее востребованных сельскохозяйственных культур.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *