Классификация заболеваний риса с использованием эффективной DenseNet121

Почему важно выявлять больные растения риса

Рис является ежедневным продуктом питания для миллиардов людей, поэтому всё, что вредит рисовым посевам, может угрожать продовольственным запасам и средствам к существованию фермеров. Многие заболевания риса сначала проявляются в виде незаметных пятен или штрихов на листьях, которые легко пропустить или неверно интерпретировать, особенно на больших полях. В этой работе исследуется, как искусственный интеллект (ИИ) может превратить обычные фотографии растений риса в быстрые и точные диагнозы нескольких листовых заболеваний, помогая фермерам действовать на ранней стадии и избегать крупных потерь урожая.

От догадок к проверкам с помощью камеры

Традиционно диагностика заболеваний растений опирается на визуальный осмотр полей или фотографий экспертами. Такой подход медленный, дорогой и не масштабируется на миллионы мелких хозяйств. При этом смартфоны и дешёвые цифровые камеры теперь широко распространены, даже в сельской местности. Авторы используют эту возможность: если фермеры могут делать чёткие снимки листьев, хорошо обученная система ИИ могла бы автоматически распознавать разные болезни за секунды. В работе уделено внимание семи наиболее распространённым заболеваниям риса — от бактериального ожога листьев до грибковых пятен и мучнистой росы, с целью создать инструмент, работающий в широком спектре проблем, а не только с одной-двумя болезнями.

Как работает система интеллектуального анализа изображений

Исследователи опираются на мощный подход распознавания изображений, называемый сверточной нейронной сетью, которая учится выявлять такие шаблоны, как формы, цвета и текстуры на картинках. Они используют конкретную архитектуру под названием DenseNet121, известную тем, что связывает множество слоёв между собой, обеспечивая эффективный поток информации и повторное использование признаков вместо их постоянного переобучения. Вместо обучения с нуля применяется перенос обучения: берут модель DenseNet, уже обученную на миллионах повседневных изображений, и затем уточняют её на фотографиях листьев риса. Они собрали 8 030 оригинальных изображений поражённых листьев из публичного набора «Paddy-Rice», затем расширили набор до 11 467 изображений с помощью продуманной аугментации данных — поворотов, зеркалирования и небольших изменений яркости, чтобы модель стала устойчивой к вариациям в реальных условиях.

Обучение, тестирование и доверие к результатам

Для обучения системы команда делит изображения на два набора: примерно 80% используется для обучения модели и 20% — для тестирования на ранее не встречавшихся случаях. Они настраивают параметры, такие как скорость обучения, размер батча и количество эпох, используя оптимизатор Adam и прерывание обучения при отсутствии улучшений. Система учится относить каждое изображение к одной из категорий заболеваний. Оценка производительности проводится с помощью стандартных метрик: точности (насколько часто модель права в целом), точности положительных предсказаний (precision), полноты (recall — сколько реальных случаев заболеваний обнаружено) и F1-метрики (баланс precision и recall). Также анализируется «матрица ошибок» (confusion matrix), показывающая, где система путает похожие по виду заболевания.

Насколько хорошо ИИ диагностирует болезни риса

Обученная модель DenseNet121 показывает впечатляющие результаты. На независимом тестовом наборе она достигает общей точности 97,9%, при этом точность по отдельным заболеваниям в основном варьирует между 96% и почти 100%. Средняя precision составляет примерно 96,2%, recall около 97,9%, а F1 — 97%, что указывает на то, что модель не только точна, но и сбалансирована в предотвращении пропусков и ложных срабатываний. Пятиfold-кросс-валидация — повторение разбиения train–test несколько раз — показывает аналогично сильные и стабильные результаты с очень малыми вариациями между прогоном. Хотя некоторая путаница остаётся между заболеваниями с похожими пятнами на листьях, система в целом различает даже тонкие отличия в шаблонах и цветах, которые человеческие наблюдатели могут упустить.

Что это значит для фермеров и продовольственной безопасности

Для неспециалистов вывод прост: исследование показывает, что тщательно спроектированная модель ИИ может по фотографиям листьев риса с высокой надёжностью определить, какое из нескольких основных заболеваний присутствует. Это открывает путь к инструментам на основе смартфонов или дронов, которые предоставляют фермерам оперативные рекомендации по здоровью растений, позволяя лечить проблемы на ранней стадии, сократить ненужное использование пестицидов и защитить урожай. Хотя требуется дополнительная работа по проверке таких систем в разнообразных полевых условиях и превращению их в удобные приложения, результаты указывают, что диагностика заболеваний с помощью ИИ может стать практичным помощником для повышения устойчивости и устойчивого производства риса в мире.

Цитирование: 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

Ключевые слова: обнаружение болезней риса, изображения здоровья растений, глубокое обучение, защита урожая, продовольственная безопасность