Использование моделей глубокого обучения для раннего обнаружения и классификации болезней фруктов: в сторону устойчивого сельского хозяйства и повышения качества продуктов питания

Почему важно обнаруживать больные фрукты на ранней стадии

Помятые, пятнистые фрукты — это не только косметическая проблема: они могут сигнализировать о болезнях растений, которые резко снижают урожай, ведут к растратам воды и химикатов и тихо повышают цены на продукты. Во многих регионах мира фермеры по‑прежнему в основном полагаются на собственный глаз, чтобы определить, какие фрукты здоровы, — это медленный и ошибкоёмкий процесс. В этом исследовании изучается, как современные методы искусственного интеллекта могут превращать простые фотографии фруктов в систему раннего предупреждения, помогая фермерам защищать урожай, сокращать потери и обеспечивать более качественные продукты.

От снимков со смартфона к «умным» полям

Исследователи поставили цель создать инструменты, которые автоматически распознают болезни у распространённых фруктов всего по анализу изображений листьев и плодов. Они сосредоточились на шести широко культивируемых культурах — яблоках, винограде, манго, бананах, гуавах и апельсинах — и собрали тысячи снимков, демонстрирующих как здоровые, так и поражённые образцы. Обучая компьютеры различать тонкие пятна, потемнения и изменения текстуры задолго до того, как их заметит человек, цель состоит в том, чтобы дать фермерам быстрый и объективный инструмент оценки здоровья растений прямо в поле.

Обучение компьютеров распознавать «отпечатки» фруктов

Для этого команда использовала глубокое обучение — раздел искусственного интеллекта, особенно сильный в поиске закономерностей на изображениях. Вместо ручного кодирования правил вроде «ищи коричневые круги» они обучали пять разных архитектур нейронных сетей — известные как CNN, DenseNet121, EfficientNet B3, Xception и ResNet50 — напрямую на данных изображений. Перед обучением изображения очищали и готовили: изменяли размер, корректировали цвет и применяли приёмы вроде поворота и отражения для генерации дополнительных примеров обучения. Этот этап «приведения в порядок» изображений помогает моделям усваивать важные визуальные признаки болезни, не отвлекаясь на фон или изменения освещения.

Шесть фруктов, множество болезней, единый подход

Единый общий рецепт применялся в шести отдельных кейс‑исследованиях, каждое из которых посвящено конкретному фрукту и его ключевым заболеваниям. Так, в наборе апельсинов были как здоровые плоды, так и случаи цитрусовой корки (citrus canker), чёрной пятнистости и желтушности (greening). Для винограда выделялись категории вроде чёрной гнили и листовой пятнистости; у манго и гуава охватывался более широкий спектр проблем; у бананов и яблок внимание было сосредоточено на нескольких основных инфекциях листьев и плодов. Для каждого фрукта исследователи обучали все пять моделей глубокого обучения и затем измеряли, насколько точно каждая из них может распределять новые, ранее не виденные изображения по правильным категориям болезней или «здорово». Это позволило справедливо сравнить, какие архитектуры наиболее надёжны и эффективны в реалистичных условиях.

Насколько хорошо справлялись цифровые инспекторы

Цифровые «врачи» фруктов показали впечатляющую точность. Во многих тестах лучшие модели правильно классифицировали более 95 из 100 изображений. Выделялась модель EfficientNet B3, достигавшая примерно 99% точности для заболеваний винограда и яблока при эффективном использовании вычислительных ресурсов. ResNet50 особенно хорошо показала себя для манго и гуава, а более простая CNN оказалась лучшей для апельсинов. Даже в более сложных наборах данных, например для бананов или гуавы, по крайней мере одна модель достигала свыше 94–96% точности. Исследование также сравнило эти результаты с предыдущими работами и обнаружило, что их тщательно настроенные модели, усиленные продуманной подготовкой изображений, в целом соответствуют или превосходят предыдущие подходы.

Что это означает для ферм и продуктов питания

Для фермеров эти результаты означают, что камера и обученная модель глубокого обучения вскоре могут выступать как постоянно работающий помощник по здоровью растений, обнаруживая проблемы достаточно рано, чтобы спасать деревья и лозы, а не только пытаться спасти то, что осталось. Раннее и точное обнаружение облегчает обработку только тех растений, которые действительно нуждаются во вмешательстве, сокращая перерасход пестицидов и сохраняя почву и воду. Со временем такие системы могут поддержать более устойчивое сельское хозяйство — более высокие урожаи, меньше потерь и более качественные фрукты на рынке — превращая повседневные снимки в быстрые и надёжные проверки состояния наших сельскохозяйственных культур.

Цитирование: 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

Ключевые слова: обнаружение болезней фруктов, глубокое обучение в сельском хозяйстве, мониторинг здоровья растений, компьютерное зрение, устойчивое земледелие