Wykorzystanie modeli deep learning do wczesnego wykrywania i klasyfikacji chorób owoców: w kierunku zrównoważonego rolnictwa i lepszej jakości żywności

Od zdjęć ze smartfona do inteligentnych pól

Zespół badawczy postawił sobie za cel stworzenie narzędzi, które automatycznie rozpoznają choroby popularnych owoców, analizując jedynie obrazy liści i owoców. Skoncentrowano się na sześciu powszechnie uprawianych gatunkach — jabłkach, winogronach, mango, bananach, gujawach i pomarańczach — i zgromadzono tysiące zdjęć przedstawiających zarówno egzemplarze zdrowe, jak i chore. Ucząc komputery rozróżniania subtelnych plamek, przebarwień i zmian tekstury na długo przed tym, jak zauważy je człowiek, celem było zapewnienie rolnikom szybkiej, obiektywnej informacji o stanie roślin w terenie.

Nauka komputerów czytania „odcisków” owoców

Aby to osiągnąć, zespół zastosował deep learning — dziedzinę sztucznej inteligencji, która świetnie radzi sobie ze znajdowaniem wzorców na obrazach. Zamiast ręcznie kodować reguły typu „szukaj brązowych okręgów”, wytrenowano pięć różnych architektur sieci neuronowych — znanych jako CNN, DenseNet121, EfficientNet B3, Xception i ResNet50 — aby uczyły się bezpośrednio na danych obrazowych. Przed treningiem obrazy poddano oczyszczeniu i przygotowaniu: zmieniono ich rozmiar, skorygowano kolory oraz zastosowano zabiegi takie jak obracanie i odbicia, by stworzyć dodatkowe przykłady treningowe. Etap tego „pielęgnowania” obrazów pomaga modelom wychwycić istotne wizualne cechy chorób, ignorując rozpraszacze, takie jak tło czy zmiany oświetlenia.

Sześć owoców, wiele chorób, jedno podejście

Ten sam ogólny schemat zastosowano w sześciu oddzielnych studiach przypadku, z których każda skupiała się na konkretnym owocu i jego kluczowych chorobach. Na przykład zdjęcia pomarańczy obejmowały owoce zdrowe oraz przypadki kancra cytrusowego, czarnej plamistości i greeningu. Winogrona miały kategorie takie jak czarna zgnilizna i zamieranie liści; mango i gujawy obejmowały szerszy zakres problemów; banany i jabłka skupiały się na kilku głównych infekcjach liści i owoców. Dla każdego owocu badacze trenowali wszystkie pięć modeli deep learning, a następnie mierzyli, jak dokładnie każdy z nich potrafi przypisać nowe, niewidziane wcześniej obrazy do właściwej kategorii choroby lub „zdrowy”. Pozwoliło to na uczciwe porównanie, które architektury są najbardziej niezawodne i efektywne w realistycznych warunkach.

Jak poradzili sobie cyfrowi inspektorzy

Cyfrowi „lekarze owoców” okazali się zadziwiająco dokładni. W wielu testach najlepsze modele poprawnie klasyfikowały ponad 95 na 100 obrazów. Wyróżnił się model EfficientNet B3, osiągając około 99% dokładności dla chorób winogron i jabłek przy jednoczesnym efektywnym wykorzystaniu zasobów obliczeniowych. ResNet50 sprawdził się szczególnie dobrze dla mango i gujawy, a prostszy CNN był najlepszy dla pomarańczy. Nawet w trudniejszych przypadkach, takich jak złożone zbiory danych bananów czy gujaw, przynajmniej jeden model osiągał nadal ponad 94–96% dokładności. Badanie porównało też te wyniki z wcześniejszymi pracami i stwierdziło, że starannie dostrojone modele, wzmocnione przemyślaną obróbką obrazów, generalnie dorównywały lub przewyższały wcześniejsze podejścia.

Co to oznacza dla gospodarstw i żywności

Dla rolników wyniki sugerują, że kamera i wytrenowany model deep learning wkrótce mogą działać jak ciągle dostępny asystent zdrowia roślin, wykrywając problemy wystarczająco wcześnie, by ratować drzewa i winorośle, zamiast jedynie ocalać to, co pozostało. Wczesne i dokładne wykrywanie ułatwia leczenie tylko tych roślin, które naprawdę tego potrzebują, co zmniejsza marnotrawstwo pestycydów i chroni glebę oraz wodę. Z czasem takie systemy mogą wspierać bardziej zrównoważone rolnictwo — wyższe plony, mniejsze straty i lepszej jakości owoce na rynkach — zamieniając codzienne zdjęcia w szybkie, godne zaufania kontrole zdrowia naszych upraw.

Cytowanie: Alrashdi, I., Sharawi, M., Ali, A.M. et al. Utilizing deep learning models for early detection and classification of fruit diseases: towards sustainable agriculture and enhanced food quality. Sci Rep 16, 8167 (2026). https://doi.org/10.1038/s41598-026-38259-3

Słowa kluczowe: wykrywanie chorób owoców, deep learning w rolnictwie, monitorowanie zdrowia roślin, widzenie komputerowe, zrównoważone rolnictwo