Фото: Freepik

Нейросеть научили распознавать болезни и вредителей растений

Слушать статью

В Объединённом институте ядерных исследований (ОИЯИ) разработали цифровую платформу для распознавания болезней и вредителей растений. В систему уже загружено около 4 тыс. изображений, на основе которых нейросеть «ставит» диагноз.

Шесть лет назад группа сотрудников Лаборатории информационных технологий ОИЯИ получила грант Российского фонда фундаментальных исследований на разработку комплексной системы диагностики болезней растений по изображениям и текстовому описанию.

Учёные создали систему, которая с помощью алгоритмов искусственного интеллекта распознаёт болезнь. Процесс диагностики выглядит так: нейросеть определяет вид растения, а затем ищет в базе симптомы, похожие на те, которые описал пользователь, направивший запрос. Сейчас система распознаёт более 50 болезней и вредителей. Но обучение нейросети продолжается.

Фото: jinr.ru

— При выдаче результата показываются три наиболее близких класса к загруженному изображению. В большинстве случаев всё это позволяет правильно определить болезнь и получить рекомендации по её лечению, — говорит соавтор исследования Александр Ужинский.

Обратиться за помощью к нейросети могут как агрономы крупных агрохолдингов, так и садоводы-любители. Кстати, все рекомендации по лечению растений верифицированы профессиональными агрономами. Воспользоваться платформой можно как через персональный компьютер, так и с помощью мобильного приложения DoctorP.

Фото: jinr.ru

Пока разработаны модели для 19 сельскохозяйственных и декоративных культур: барбариса, винограда, вишни, голубики, клубники, кукурузы, огурцов, перца, пшеницы, смородины, томатов, хлопка, яблок, орхидей, роз и ряда других. В базе собрано свыше 4 тыс изображений, получено более 40 тыс. запросов от пользователей.

Чтобы нейросеть не ошибалась, нужно было собрать как можно больше детализированных фотоизображений растений, поражённых болезнями или вредителями. Изображения в имевшихся на тот момент открытых базах сильно отличались от того, что мы видим в реальной жизни: каждый листок отрезан, расправлен, находится на статичном фоне и одинаково освещён.

— 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. Необходимо было набрать как можно больше снимков растений в полевых условиях: при разном освещении, положении, различном масштабе съёмки, — говорит Александр Ужинский.

Исследователи продолжают обучать систему более точному распознаванию болезней. Постепенно база данных пополняется снимками пользователей, что улучшает точность моделей. Летом в платформу попадают в основном изображения сельскохозяйственных культур: огурцов, помидоров, клубники и других, зимой — по большей части фотографии комнатных растений. В перспективе функционал платформы расширят. С её помощью можно будет обработать видеопоток, а не только фото. Появится возможность определить нехватку основных элементов (азот, фосфор, кальций, железо и т. д.) и дать рекомендации по выращиванию популярных сельскохозяйственных культур.

В скором будущем ставить диагноз растениям смогут и «фотонные носы», которые обучены вести мониторинг посевов, распознавая летучие соединения, которые выделяют растения.