Nowe podejście do wykrywania chorób i szkodników w uprawie ziemniaków oparte na głębokim uczeniu

Dlaczego zdrowie ziemniaków ma znaczenie dla wszystkich

Ziemniaki są jednym z podstawowych produktów spożywczych na świecie, bogatym w energię i składniki odżywcze oraz istotnym zarówno dla małych gospodarstw, jak i dużych łańcuchów żywnościowych. Jednak ich liście łatwo ulegają uszkodzeniom przez choroby i żarłoczne owady, które mogą potajemnie zmniejszać plony na długo zanim problemy zostaną dostrzeżone gołym okiem. W tym badaniu zbadano, jak inteligentne kamery sterowane sztuczną inteligencją mogą obserwować pola ziemniaczane w czasie rzeczywistym, wcześnie sygnalizować chore rośliny i pomagać rolnikom chronić plony przy mniejszym zużyciu oprysków.

Dostrzeganie problemów na liściach w warunkach polowych

W warunkach polowych rozpoznanie, co dolega roślinie ziemniaka, jest trudniejsze niż się wydaje. Różne choroby mogą początkowo wyglądać podobnie, a drobne owady często ukrywają się pod nakładającymi się liśćmi lub w głębokim cieniu. Rolnicy zazwyczaj potrzebują porady eksperta, co kosztuje czas i pieniądze, a nawet wyszkolone oko może przeoczyć wczesne oznaki. Badacze postawili sobie za cel zbudowanie automatycznego systemu, który analizuje zwykłe kolorowe zdjęcia roślin ziemniaka i lokalizuje zarówno plamy chorobowe, jak i szkodniki owadzie tak, jak pojawiają się w polu, zamiast na uporządkowanych zdjęciach laboratoryjnych pojedynczych liści.

Budowanie pełnego obrazu warunków polowych

Aby to zadziałało, zespół najpierw potrzebował realistycznego obrazu tego, jak problemy ziemniaków wyglądają w warunkach gospodarstwa. Zebrali 2 688 zdjęć z dwóch gospodarstw badawczych w Pakistanie, w trakcie sezonów zimowego i letniego. Kamera była umieszczona tuż nad roślinami, tak że każde zdjęcie pokazywało liście wraz z glebą, sąsiednimi roślinami i zanieczyszczeniami, takimi jak słoma czy rury. Po odrzuceniu zdjęć bez objawów zachowano 2 403 obrazy przedstawiające cztery główne zagrożenia: zarazę, chorobę plamistości liści, objawy wirusa rollu liści oraz stonkę ziemniaczaną w formie larwalnej i dorosłej. Eksperci roślin narysowali uważnie ramki wokół każdej chorej powierzchni i owada, aby komputer mógł się uczyć na podstawie tych przykładów.

Nauczanie komputerów rozpoznawania plam i stonki

Zespół trenował kilka nowoczesnych programów do detekcji obiektów, aby rozpoznawały te problemy. Programy te, znane jako YOLO i Faster R-CNN, nie tylko odpowiadają „chore czy zdrowe”, lecz także rysują ramki wokół każdej plamy chorobowej lub każdego owada. Przed szkoleniem obrazy zostały oczyszczone, zmienione rozmiary oraz losowo odwracane, obracane i rozjaśniane, aby naśladować różne kąty widzenia i oświetlenie. Kluczowy model, wersja nazwana YOLOv8-medium, skanuje każde zdjęcie 640 na 640 pikseli w jednym przebiegu i dzięki swojej warstwowej strukturze uczy się wzorców koloru i tekstury, które odróżniają zdrową tkankę liścia od plam chorobowych i ciałek stonki, nawet gdy są małe lub częściowo zasłonięte.

Jak dobrze sprawdza się cyfrowy zwiadowca

Na tysiącach zdjęć testowych, trzymanych oddzielnie od danych szkoleniowych, YOLOv8-medium prawidłowo wykrywał plamy chorobowe i stonkę z miarą średniej precyzji (mean average precision) wynoszącą około 98 procent. Model zachowywał też stabilne wyniki przy ponownym podziale danych w pięciokrotnej walidacji krzyżowej, co sugeruje, że wynik nie jest efektem szczęśliwego podziału. Inne wersje YOLO oraz starszy model Faster R-CNN były mniej dokładne lub wolniejsze. Wersja medium osiągnęła najlepszy kompromis między prędkością a poprawnością, przetwarzając obraz w zaledwie kilka milisekund na nowoczesnej karcie graficznej. System sprawdzał się szczególnie dobrze w przypadku powszechnych chorób, takich jak zaraza i plamistość liści, podczas gdy bardzo małe lub silnie zacienione stonki pozostawały najtrudniejsze do wychwycenia.

Co to może znaczyć dla rolników

Dla niespecjalistów główne przesłanie jest proste: kamera połączona z wytrenowanym programem komputerowym może teraz działać jako niezmordowany zwiadowca polowy, obserwując liście ziemniaka pod kątem głównych chorób i istotnego szkodnika z wysoką wiarygodnością. Badanie pokazuje, że taki system może działać na tyle szybko, by być użytecznym w czasie rzeczywistym, na przykład na ciągniku, dronie czy urządzeniu ręcznym, i może podawać precyzyjne lokalizacje miejsc problemowych. Autorzy zastrzegają, że testowali system jedynie na dwóch gospodarstwach w jednym regionie i nie uwzględnili stresów niezwiązanych z chorobami, takich jak susza, więc potrzeba więcej prac, zanim narzędzie będzie mogło być zaufane wszędzie. Mimo to ich wyniki sugerują, że systemy wizyjne oparte na sztucznej inteligencji mogą pewnego dnia pomóc rolnikom stosować zabiegi tylko tam i wtedy, gdy są potrzebne, chroniąc zarówno plony, jak i środowisko.

Cytowanie: 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

Słowa kluczowe: choroba ziemniaka, szkodniki upraw, głębokie uczenie, detekcja obiektów, rolnictwo precyzyjne