גישה חדשה לזיהוי מחלות ומזיקים במערכת ייצור תפוחי אדמה מבוססת למידה עמוקה

מדוע בריאות תפוחי האדמה חשובה לכולם

תפוחי האדמה הם אחד הממלאים את תפריטי המזון בעולם: עתירי אנרגיה ומזון ומהווים יסוד הן בחוות קטנות והן ברשתות מזון גדולות. עם זאת עליהם נפגעים בקלות על ידי מחלות וחרקים רעבים, שעלולים להקטין את התבואה עוד לפני שזיהום ניכר בעין. מחקר זה בוחן כיצד מצלמות חכמות בהנחיית בינה מלאכותית יכולות לצפות בשדות תפוחי אדמה בזמן אמת, לסמן צמחים חולים מוקדם, ולעזור לחקלאים לשמור על התשואה עם פחות ריסוסים מיותרים.

לראות בעיות בעלים בשטח האמיתי

בשטח קשה יותר מאשר נראה לזהות מה לא בדוחן בצמח תפוחי אדמה. מחלות שונות יכולות להיראות דומות בתחילה, וחרקים זעירים נוהגים להסתתר מתחת לעלים חופפים או בצל עמוק. חקלאים נדרשים לעתים קרובות לייעוץ מומחה, שמצריך זמן וכסף, ואף עיניים מיומנות עלולות לפספס סימני מחלה מוקדמים. החוקרים שאפו לבנות מערכת אוטומטית שמנתחת תמונות צבע רגילות של צמחי תפוחי אדמה ומ lokalיזּת גם כתמי מחלה וגם מזיקים בחשיפה שטחית בשדה, במקום בתמונות מעבדה מסודרות של עלה בודד.

בניית תמונה עשירה של תנאי השדה

כדי שהמערכת תעבוד, הקבוצה נזקקה קודם כל לתיאור מציאותי של המראה של בעיות תפוחי אדמה בתנאי שדה. הם אספו 2,688 תמונות משתי חוות מחקר בפאקיסטן במהלך עונות הגידול של חורף וקיץ. המצלמה הוצבה ממש מעל הצמחים כך שכל תמונה כללה עלים יחד עם אדמה, צמחים שכנים ופריטים מפריעים כגון קש או צינורות. לאחר השלכת תמונות ללא תסמינים שמרו 2,403 תמונות שהראו ארבעה איומים עיקריים: מחלת הלבלוב (blight), מחלת כתמי עלים, תסמיני וירוס גלגול העלים, והחיפושית הקולורדו בשלבי זחל ובוגר. מומחי צמחים סימנו בקפידה תיבות סביב כל אזור חולה וחיפושית כדי שהמחשב יוכל ללמוד מהדוגמאות הללו.

לימוד המחשב למצוא כתמים וחיפושיות

הצוות אימן מספר תוכניות מודרניות לזיהוי עצמים כדי להכיר בעיות אלה. תוכניות אלה, הידועות בשם YOLO ו־Faster R-CNN, אינן רק עונות "חולה או בריא" אלא גם מציירות תיבות סביב כל כתם מחלה או כל חרק. לפני האימון התמונות עובדו — נקהו, שונו גדלים והופעלו עליהן שיפופים אקראיים, סיבובים ובהירות משתנה כדי לדמות זוויות ראייה ותנאי תאורה שונים. המודל המרכזי, גרסה הנקראת YOLOv8-medium, סורק כל תמונה ברזולוציה 640x640 בפס אחד ומשתמש במבנה השכבתי שלו כדי ללמוד דפוסי צבע ומרקם המבדילים בין רקמת עלה בריאה לכתמי מחלה ולגופי חיפושית, גם כאשר הם קטנים או חלקית מוסתרים.

איך הסייר הדיגיטלי מתפקד

באלפי תמונות בדיקה שנשמרו בנפרד מתהליך האימון, YOLOv8-medium זיהה נכון כתמי מחלה וחיפושיות עם דיוק ממוצע (mean average precision) של כ־98%. הוא גם הראה התנהגות יציבה כאשר הנתונים הועברו מחדש בבדיקת חמש קפלים, מה שמרמז שהתוצאות אינן תוצאה של חלוקה מקרית מוצלחת. גרסאות אחרות של YOLO והדגם הישן Faster R-CNN היו פחות מדויקות או איטיות יותר. הגרסה הבינונית הניחה את האיזון הטוב ביותר בין מהירות לדיוק, ועיבדה תמונה בתוך כמה מילישניות על כרטיס גרפי מודרני. המערכת עבדה במיוחד טוב למחלות נפוצות כגון לבלוב וכתמי עלים, בעוד שחיפושיות קטנות מאוד או מולאו בצל כבד נשארו הקשה ביותר לזיהוי.

מה משמעות הדבר לחקלאים

ללא מומחים, המסר המרכזי פשוט: מצלמה המשווקת לתוכנית מחשב מאומנת יכולה כעת לפעול כסייר שדה עקשן, לצפות בעלי תפוחי האדמה עבור המחלות העיקריות ומזיק מרכזי עם מהימנות גבוהה. המחקר מראה שמערכת כזו יכולה לפעול במהירות מספקת לשימוש בזמן אמת, למשל על טרקטור, רחפן או מכשיר ידני, ולהעניק מיקומים מדויקים של מוקדי הבעיה. המחברים מזהירים שבחנו רק שתי חוות באזור אחד ולא כללו לחצים שאינם מחלה כגון בצורת, ולכן נדרש עוד מחקר לפני שניתן יהיה להסתמך על הכלי בכל מקום. עם זאת, התוצאות מרמזות שמערכות ראייה חכמות עשויות בעתיד לסייע לחקלאים ליישם טיפול רק היכן וכאשר נדרש, ולהגן הן על התבואה והן על הסביבה.

ציטוט: Abbas, A., Rehman, S.U., Mahmood, K. et al. A novel approach for disease and pests detection in potato production system based on deep learning. Sci Rep 16, 15672 (2026). https://doi.org/10.1038/s41598-026-45575-1

מילות מפתח: מחלת תפוחי אדמה, מזיקים בגידולים, למידה עמוקה, זיהוי עצמים, חקלאות מדויקת