Klasyfikacja chorób roślin ryżu przy użyciu wydajnego DenseNet121

Dlaczego wykrywanie chorych roślin ryżu ma znaczenie

Ryż jest podstawowym pokarmem dla miliardów ludzi, dlatego wszystko, co szkodzi uprawom ryżu, może zagrażać zaopatrzeniu w żywność i utrzymaniu się rolników. Wiele chorób ryżu początkowo objawia się jako subtelne plamy lub smugi na liściach, które łatwo przeoczyć lub błędnie ocenić, zwłaszcza na rozległych polach. Niniejszy artykuł bada, jak sztuczna inteligencja (AI) może przekształcić zwykłe zdjęcia roślin ryżu w szybkie i dokładne diagnozy wielu chorób liści, pomagając rolnikom działać wcześnie i unikać poważnych strat plonów.

Od zgadywania do kontroli za pomocą aparatu

Tradycyjnie diagnozowanie chorób roślin opierało się na inspekcji polowej lub zdjęć przez ekspertów. To podejście jest wolne, kosztowne i nie skalowalne na miliony małych gospodarstw. Równocześnie smartfony i tanie aparaty cyfrowe stały się powszechne, także na obszarach wiejskich. Autorzy wykorzystują tę możliwość: jeśli rolnicy zrobią wyraźne zdjęcia liści, dobrze wytrenowany system AI może automatycznie i w ciągu sekund rozpoznać różne choroby. Praca koncentruje się na siedmiu najczęstszych chorobach ryżu, od bakteryjnego zamierania liści po plamy grzybowe i mączniaka, dążąc do narzędzia działającego w szerokim zakresie problemów, a nie tylko na jednym lub dwóch.

Jak działa inteligentny system obrazowy

Naukowcy budują na potężnym podejściu do rozpoznawania obrazu zwanym siecią neuronową konwolucyjną, która uczy się wykrywać wzory takie jak kształty, kolory i tekstury na zdjęciach. Używają konkretnej architektury o nazwie DenseNet121, znanej z łączenia wielu warstw w sposób umożliwiający efektywny przepływ informacji i ponowne wykorzystanie cech zamiast ich ciągłego ponownego uczenia. Zamiast zaczynać od zera, stosują transfer learning: rozpoczynają od modelu DenseNet już wytrenowanego na milionach codziennych obrazów, a następnie dostrajają go za pomocą zdjęć liści ryżu. Zbierają 8 030 oryginalnych obrazów chorych liści z publicznego zbioru „Paddy-Rice”, a następnie zwiększają tę liczbę do 11 467 obrazów poprzez staranną augmentację danych, taką jak obracanie, odbijanie i lekkie zmiany jasności, aby model był odporny na zmienność w rzeczywistych warunkach.

Trenowanie, testowanie i zaufanie do wyników

Aby wytrenować system, zespół dzieli obrazy na dwa zbiory: około 80% do nauki modelu i 20% do testów na przypadkach, których model nigdy wcześniej nie widział. Stroją parametry takie jak szybkość uczenia, rozmiar partii i liczba epok treningowych, używając metody optymalizacji zwanej Adam i przerywając wcześniejsze trenowanie, jeśli wydajność przestaje się poprawiać. System uczy się przypisywać każde zdjęcie do jednej z kategorii chorób. Wydajność mierzona jest za pomocą kilku standardowych wskaźników: dokładności (jak często model ma rację ogólnie), precyzji (jak często jego pozytywne przewidywania są poprawne), czułości/recall (ile prawdziwych przypadków chorób wykrywa) oraz miary F1 (równoważącej precyzję i recall). Analizują też „macierz pomyłek”, która pokazuje, w których przypadkach system myli podobnie wyglądające choroby.

Jak dobrze AI diagnozuje choroby ryżu

Wytrenowany model DenseNet121 osiąga imponujące wyniki. Na niezależnym zbiorze testowym uzyskuje ogólną dokładność 97,9%, a dokładności dla poszczególnych chorób mieszczą się głównie między 96% a niemal 100%. Średnia precyzja wynosi około 96,2%, recall około 97,9%, a miara F1 97%, co wskazuje, że model jest nie tylko dokładny, ale też zrównoważony w unikaniu zarówno opuszczonych przypadków, jak i fałszywych alarmów. Pięciokrotna walidacja krzyżowa — powtarzanie podziału na zbiory treningowe i testowe kilka razy — pokazuje podobnie silne i stabilne wyniki, z bardzo małymi różnicami między powtórzeniami. Chociaż pewne pomyłki pozostają między chorobami o podobnych plamach na liściach, system generalnie rozróżnia nawet subtelne różnice w wzorach i kolorach, które obserwatorzy ludzie mogą przeoczyć.

Co to oznacza dla rolników i bezpieczeństwa żywnościowego

Dla niespecjalistów wniosek jest prosty: badanie pokazuje, że starannie zaprojektowany model AI może spojrzeć na zdjęcia liści ryżu i z dużą pewnością określić, która choroba występuje spośród kilku głównych zagrożeń. To otwiera drogę do narzędzi opartych na smartfonach lub dronach, które szybko dostarczają rolnikom porady w terenie dotyczące zdrowia roślin, umożliwiając wcześniejsze leczenie problemów, ograniczenie niepotrzebnego stosowania pestycydów i ochronę plonów. Chociaż potrzebne są dalsze prace, by testować takie systemy w zróżnicowanych warunkach polowych i przekształcić je w łatwe w użyciu aplikacje, wyniki sugerują, że diagnostyka chorób wspomagana AI może stać się praktycznym wsparciem w zwiększaniu odporności i zrównoważenia globalnej produkcji ryżu.

Cytowanie: Ismail, A., Hamdy, W., Ibrahim, A.H. et al. Classification of rice plant diseases using efficient DenseNet121. Sci Rep 16, 7482 (2026). https://doi.org/10.1038/s41598-026-38078-6

Słowa kluczowe: wykrywanie chorób ryżu, obrazowanie zdrowia roślin, uczenie głębokie, ochrona upraw, bezpieczeństwo żywnościowe