Улучшенное обнаружение болезней рисовых листьев с использованием новых двойных метаэвристических функций потерь в генеративных состязательных сетях с сохранением идентичностных блоков для дополнения термических изображений

Почему важны рисовые листья и тепловые камеры

Рис кормит более половины человечества, поэтому даже небольшие улучшения в защите посевов могут иметь огромное значение для продовольственной безопасности. Многие болезни риса начинаются тихо внутри растения, до появления коричневых пятен или желтых полос на листьях. В этом исследовании показано, как сочетание тепловых камер — фиксирующих крошечные изменения температуры — с продвинутым видом искусственного интеллекта позволяет обнаруживать болезни рисовых листьев раньше и надежнее, помогая фермерам сохранять урожай и снижать использование химикатов.

Видеть невидимые болезни с помощью тепла

Когда рисовое растение заболевает, его температурные паттерны меняются тонкими способами. Некоторые участки листа могут нагреваться всего на один–два градуса, когда инфекции или повреждения насекомыми нарушают ток воды и метаболизм. Авторы исследования опирались на эту идею, используя ручную тепловую камеру для фотографирования 636 рисовых листьев в Индии, охватив пять основных болезней и здоровые растения. Каждое изображение фиксирует температуру по поверхности листа, превращая невидимые тепловые различия в цветные карты, которые могут выявлять проблемы до того, как человеческий глаз что‑либо заметит.

Почему нужно больше и лучше данных

Современные детекторы болезней работают на глубоких нейросетях — моделях, которые учатся распознавать паттерны по тысячам примеров. Но на реальных фермах сложно и дорого собрать большие и разнообразные наборы тепловых изображений для каждой болезни, на каждой стадии и в разных погодных условиях. Простые трюки вроде зеркального отражения или вращения изображений расширяют данные лишь частично и часто размывают или искажают именно те температурные паттерны, которые имеют значение. Авторы поставили цель создавать синтетические тепловые изображения, которые были бы одновременно многочисленны и надежны, чтобы модели классификации, обученные на них, работали лучше в полевых условиях, а не только в лаборатории.

Вдохновлённый природой ИИ, сохраняющий сигнал

В основе работы лежит генеративная состязательная сеть (GAN) — тип ИИ, который учится создавать новые изображения, похожие на реальные. Вместо стандартных правил обучения команда заменила обычные функции потерь двумя био‑вдохновлёнными оптимизационными процедурами. Одна, смоделированная по поведению охоты личинок фантомной мошки (Chaoborus), ориентирована на «заполнение» отсутствующих или зашумлённых пикселей и сохранение плавных, но правдоподобных температурных градиентов по листу. Другая, вдохновлённая поведением австралийских речных раков при обороне и поиске пищи, сосредоточена на связях между соседними пикселями, чтобы горячие и холодные области располагались физически согласованно. Через сеть проходят идентичностные «шорткат»‑блоки, чтобы ключевые признаки болезни передавались без изменений, даже когда изображения улучшаются.

Более чёткие синтетические изображения — более точные диагнозы

Используя эту двойную стратегию, GAN сгенерировал тепловые изображения листьев, которые были заметно ближе к реальным данным камеры, чем изображения от известных генераторов, таких как StyleGAN2 и BigGAN. Метрики качества, такие как пик‑сигнал‑шум и структурное сходство, значительно улучшились, а специализированные показатели подтвердили, что важные температурные градиенты и паттерны болезней лучше сохранились. Когда эти синтетические изображения добавляли в тренировочный набор для нескольких моделей обнаружения болезней, точность резко возросла: ведущая модель Vision Transformer поднялась примерно с 83% на исходных данных до почти 98% с новым увеличением данных, с сопоставимыми улучшениями для архитектур ResNet, EfficientNet и DenseNet.

От компьютерного теста до рисового поля

Авторы пошли дальше бенчмарков и протестировали систему на более чем 44 000 полевых изображений, собранных в четырёх штатах Индии. Полный конвейер — тепловая съёмка, улучшение с помощью двойного метаэвристического GAN и автоматическая классификация — показал около 95% точности в реальных условиях, при невысоких показателях ложных тревог и пропусков. Метод выдержал разные температуры, уровни влажности, времена суток, а также различные сорта риса и внешние датасеты. Проще говоря, исследование демонстрирует, что тщательно спроектированный, природой вдохновлённый ИИ может генерировать «дополнительные» тепловые изображения, которые не только реалистичны, но и действительно делают детекторы болезней более надёжными в поле, давая фермерам более раннюю и точную систему оповещения об угрозах для одной из важнейших мировых культур.

Цитирование: Khalil, H.M., Elrefaiy, A., Elbaz, M. et al. Enhanced paddy leaf disease detection using novel dual metaheuristic loss functions in generative adversarial networks with identity block preservation for thermal image augmentation. Sci Rep 16, 6544 (2026). https://doi.org/10.1038/s41598-026-36477-3

Ключевые слова: обнаружение болезней риса, тепловая съёмка, генеративные состязательные сети, сельскохозяйственный ИИ, увеличение данных