Zoptymalizowany lekki U-Net i YOLACT dla wykrywania wielo-chorobowego stopnia zaawansowania zmian na liściach roślin jadalnych

Dlaczego inteligentniejsze kontrole liści są ważne

Rolnicy uprawiający jabłonie i grusze wiedzą, że plamy i przebarwienia na liściach mogą szybko się rozprzestrzeniać i po cichu obniżać plon. Chodzenie po sadach i ocenianie chorób gołym okiem jest powolne i często niepewne, zwłaszcza gdy na jednym liściu występuje więcej niż jedna infekcja. W badaniu pokazano zautomatyzowane, oparte na obrazowaniu podejście, które potrafi wykrywać kilka chorób na jednym liściu roślin jadalnych i oszacować, jak zaawansowana jest każda z nich, oferując praktyczną drogę do szybszych i bardziej niezawodnych kontroli zdrowia upraw.

Widzieć więcej niż oko

Naukowcy skupiają się na roślinach jadalnych, takich jak jabłonie i grusze, które są szczególnie podatne na choroby liści obniżające jakość owoców i plon. Tradycyjna inspekcja polega na wzrokowej ocenie rozmiaru i koloru objawów przez ekspertów — proces czasochłonny i zmienny między obserwatorami. Warunki w sadach dodatkowo wprowadzają rozpraszające tło, zmienne oświetlenie oraz nachodzące lub zwinięte liście. Zespół postawił sobie za cel stworzenie narzędzia radzącego sobie z tymi zakłóceniami wizualnymi, działającego na zwykłych zdjęciach kolorowych i potrafiącego rozróżnić wiele nakładających się infekcji na jednym liściu, jednocześnie oceniając stopień zaawansowania każdej z nich.

Dwuetapowe spojrzenie na chore liście

Aby sprostać temu zadaniu, badanie wykorzystuje podwójny cyfrowy pipeline wizji. Najpierw uproszczona wersja popularnej sieci do obrazowania medycznego, nazwana Lite U Net, jest trenowana do oddzielenia liścia od otoczenia i oznaczenia ogólnych obszarów chorobowych. Ten etap usuwa gałęzie, niebo i ziemię, zapewniając, że dalsza analiza koncentruje się wyłącznie na tkance roślinnej. Następnie odchudzona wersja innej sieci, Lite YOLACT, przybliża obraz, aby wyizolować każdą odrębną plamę chorobową jako osobny obiekt. W połączeniu te dwa etapy pozwalają systemowi rozpoznać, że pojedynczy liść może na przykład jednocześnie nosić parch i rdze, z różną wielkością i zasięgiem zmian.

Przekształcanie plam w proste oceny

Gdy każdy obszar chorobowy zostanie obwiedziony, metoda mierzy, jaka część powierzchni liścia jest zajęta przez daną infekcję. Autorzy opracowali nową dziewięciostopniową skalę nasilenia, która przekształca te procenty w łatwe do zrozumienia etapy — od niewielkich wczesnych plamek po prawie całkowite uszkodzenie. Skala została zaprojektowana do obsługi dwóch chorób jednocześnie, opisując, czy obie są łagodne, obie zaawansowane, czy jedna wyraźnie dominuje nad drugą. Aby zwiększyć zaufanie użytkowników do systemu, badacze dodali technikę wizualizacji o nazwie Grad CAM, która generuje mapy cieplne pokazujące, na jakich częściach liścia model opierał się przy ocenie nasilenia infekcji.

Testy w sadach i w warunkach cyfrowych

Zespół trenował i testował swoje podejście na dwóch dużych publicznych zbiorach zdjęć liści jabłoni i gruszy. Zbiory obejmują kilka powszechnych chorób, sfotografowanych w rzeczywistych warunkach polowych i oznaczonych przez specjalistów ds. zdrowia roślin. Po starannym wstępnym przetwarzaniu, wyrównaniu danych i treningu na nowoczesnym sprzęcie graficznym, połączony system osiągnął około 95 procent dokładności przy ocenianiu wielo-chorobowego stopnia zaawansowania. Działa też wydajnie: dzięki zwartym projektom sieci i sprytnym sposobom współdzielenia obliczeń model potrzebuje mniej operacji i pamięci niż wiele standardowych systemów głębokiego uczenia, co czyni go odpowiednim do uruchomienia na telefonach lub urządzeniach brzegowych stosowanych bezpośrednio w terenie.

Co to oznacza dla producentów

Mówiąc praktycznie, praca ta pokazuje, że niedrogi aparat plus oszczędny model sztucznej inteligencji mogą niezawodnie wykrywać i oceniać kilka chorób liści jednocześnie u jabłoni i grusz. Zamiast orientacyjnych ocen wzrokowych, rolnicy mogliby otrzymywać spójne, numeryczne oszacowania, jak duża część każdego liścia jest zainfekowana i jak daleko zaszła każda choroba. Choć metoda wymaga jeszcze szerszych testów na większej liczbie upraw i w różnych warunkach, wskazuje na praktyczne cyfrowe zwiadowce, które pomagają rolnikom działać wcześniej, ukierunkować zabiegi dokładniej i ograniczyć zarówno straty, jak i stosowanie chemii w sadach.

Cytowanie: Qasim, M., Adnan, S.M. & Safi, Q.G.K. Optimized Lightweight U-Net and YOLACT framework for multi-disease severity detection in pome fruit leaves. Sci Rep 16, 15132 (2026). https://doi.org/10.1038/s41598-026-45947-7

Słowa kluczowe: wykrywanie chorób roślin, choroby liści jabłoni, choroby liści gruszy, głębokie uczenie w rolnictwie, ocena nasilenia chorób