Проблемы определения болезней и вредителей на растениях под влиянием освещения и заслонения

Освещенность

Предыдущие исследования в основном собирали изображения растительных болезней и вредителей внутри осветительных ящиков (light box). Хотя этот метод эффективно устраняет влияние внешнего освещения для упрощения обработки изображений, он существенно отличается от изображений, собранных под естественным солнечным светом. Поскольку естественное освещение динамично меняется, а диапазон, в котором камера может принимать динамические источники света, ограничен, легко возникает искажение цвета изображения, когда оно находится выше или ниже этого предела. Кроме того, из-за различия угла обзора и расстояния при сборе изображений, характеристики растительных болезней и вредителей сильно меняются, что создает большие трудности для алгоритма визуального распознавания.

Проблема заслонения, окклюзии (Occlusion problem)

Проблема окклюзии возникает, когда модель или алгоритм не может получить доступ к определенным данным или информации, что препятствует ее правильной работе или принятию решений. Это может произойти, если модель не имеет достаточного объема данных для обучения или если данные, к которым она пытается получить доступ, недоступны или неполны. Проблема окклюзии в AI может привести к неправильным выводам, низкой точности или невозможности выполнения задачи. Для решения этой проблемы могут использоваться различные методы, такие как сбор и добавление большего объема данных, применение техник аугментации данных (изменение размера, поворот, сдвиг, отражение, добавление шума, изменение яркости или контрастности и многие другие) или использование альтернативных подходов в алгоритмах обучения.

В настоящее время большинство исследователей намеренно избегают распознавания растительных болезней и вредителей в сложных условиях. Они сосредоточены только на одном фоне и используют метод прямого захвата поврежденной области на собранных изображениях, но редко учитывают проблему заслонения.

В результате точность распознавания при заслонении низкая, а практичность значительно снижается. Проблемы заслонения распространены в реальных естественных условиях, включая заслонение листьев, вызванное изменением их положения, заслонение ветвей, заслонение светом из-за внешнего освещения и смешанное заслонение, вызванное различными типами заслонения. Трудности определения болезней и вредителей при заслонении заключаются в отсутствии характеристик и наложении шума, вызванного заслонением.

Различные условия заслонения имеют разную степень влияния на алгоритм распознавания, что приводит к ложному обнаружению или даже пропуску обнаружения. В последние годы с развитием алгоритмов глубокого обучения в ограниченных условиях некоторые исследователи постепенно начали решать задачу определения растительных болезней и вредителей при заслонении и был достигнут значительный прогресс, что положило хорошую основу для применения определения растительных болезней и вредителей в реальных сценариях. Однако заслонение является случайным и сложным. Обучение базовой структуры сложно, и все еще существует зависимость от производительности аппаратных устройств.

Большой эффект дают усилия в исследования GAN в работе с изменениями положения и хаотическим фоном. Но его дизайн еще не вполне зрелый, и в процессе обучения он может легко выйти из строя и вызвать проблемы с контролем модели.

Проблема скорости определения заболеваний

По сравнению с традиционными методами алгоритмы глубокого обучения дают лучшие результаты, но их вычислительная сложность также выше. Рост точности определения требует увеличить вычислительную нагрузку, что неизбежно приведет к медленной скорости определения и будет далеко от потребности определения в реальном времени. Для обеспечения скорости определения обычно необходимо снизить объем вычислений. Однако это может привести к недостаточному обучению и привести к ложному или пропущенному определению. Поэтому важно разработать эффективный алгоритм, обеспечивающий как точность определения, так и скорость определения.

Методы определения растительных болезней и вредителей на основе глубокого обучения включают три основных этапа в сельскохозяйственных приложениях: разметка данных, обучение модели и вывод модели. В реальных сельскохозяйственных приложениях больше внимания уделяется выводу модели.

В настоящее время большинство методов определения болезней и вредителей сосредоточены на точности распознавания. Мало внимания уделяется эффективности вывода модели. Однако есть научные работы, которые исследуют именно это направление. Например в работе «Depthwise separable convolution architectures for plant disease classification» https://doi.org/10.1016/j.compag.2019.104948 проанализировали несколько моделей CNN для определения болезней листьев растений. Результаты показывают что можно найти эффективный компромисс между задержкой и точностью, что подходит для диагностики болезней сельскохозяйственных культур в реальном времени на ресурсоемких мобильных устройствах.

В заключение, с развитием технологии искусственного интеллекта, исследования в области обнаружения болезней и вредителей растений на основе машинного зрения сместились от классической обработки изображений и методов машинного обучения к методам глубокого обучения, которые решают проблемы, неразрешимые традиционными методами. Хотя до практического применения и широкого использования этой технологии еще далеко, она обладает большим потенциалом развития и прикладной ценностью.

Для полного раскрытия потенциала этой технологии необходимо объединить усилия экспертов из различных областей, чтобы эффективно интегрировать опыт знаний в области сельского хозяйства и защиты растений с алгоритмами и моделями глубокого обучения, чтобы сделать обнаружение болезней и вредителей растений на основе глубокого обучения более зрелым. Кроме того, результаты исследований должны быть интегрированы в сельскохозяйственное оборудование, чтобы действительно применять соответствующие теоретические результаты на практике.