Лёгкая гибридная модель CNN и трансформера для классификации болезней лекарственных листьев с объяснимым ИИ

Почему важен более разумный уход за растениями

Многие травы, используемые в народной медицине и современной фармакологии — такие как тулси (священный базилик), ним и патхаркучи — зависят от здоровых листьев для синтеза своих лечебных соединений. Когда болезни поражают эти листья, растения теряют и урожайность, и лекарственную силу. В статье представлена компактная система искусственного интеллекта (ИИ), которая может обнаруживать различные болезни листьев по фотографиям с поразительной точностью. Разработанная для работы на недорогих устройствах и показывающая наглядно, на что она «смотрит», эта методика может помочь фермерам и садоводам защищать ценные лекарственные растения в реальном времени.

Скрытые угрозы на привычных листьях

Исследование сосредоточено на трёх широко используемых лекарственных растениях: Kalanchoe pinnata (патхаркучи), Azadirachta indica (ним) и Ocimum tenuiflorum (тулси). Эти растения обладают антибактериальными, противовоспалительными и даже противораковыми свойствами, однако их листья уязвимы к грибным налётам, побелению и пожелтению от стрессов, а также к различным пятнистым заболеваниям. Традиционная диагностика опирается на специалистов в полевых условиях или медленные, ресурсоёмкие лабораторные тесты, что затрудняет раннее выявление проблем или масштабное обследование. Поскольку здоровье растений связано с общественным здоровьем и местной экономикой, существует острая потребность в автоматических, точных и понятных инструментах, которые могли бы быстро сигнализировать о болезни, используя лишь изображения.

Создание «умного глаза» для больных листьев

Чтобы решить эту задачу, авторы создали новую модель под названием LSeTNet, лёгкий гибрид двух популярных подходов к обработке изображений: сверточных сетей, хорошо улавливающих тонкие текстуры и края, и слоёв трансформера, умеющих видеть дальние взаимосвязи по изображению. Система сначала обучалась на тщательно собранном наборе изображений MedicinalLeaf‑12, включающем 12 классов, покрывающих здоровые и поражённые варианты трёх растений. Фотографии были сделаны в реальных полевых условиях при разном освещении, углах и фонах, затем очищены и улучшены так, чтобы пятна болезней и жилки листьев выделялись яснее. Команда также использовала обширные приёмы аугментации — вращение, масштабирование, изменение яркости и прочее — чтобы имитировать хаотичное разнообразие реальных ферм при сохранении сбалансированности набора данных.

Как модель «думает» о листьях

LSeTNet обрабатывает каждое изображение листа поэтапно. Лёгкие сверточные слои улавливают локальные признаки, такие как крошечные пятна, паутинистые налёты и резкость контуров листа. Специальные модули «squeeze‑and‑excitation» затем перенастраивают важность этих признаков, тонко усиливая каналы, несущие сигналы, связанные с болезнями, и ослабляя те, где доминирует фон. За ними следует блок трансформера, связывающий отдалённые области листа, чтобы модель могла, например, сопоставлять разбросанные жёлтые пятна или узоры, идущие по жилкам. Наконец, компактный классификатор принимает решение, какому из 12 состояний соответствует изображение. Несмотря на использование всего около 9,4 миллиона параметров и умеренных вычислительных ресурсов, модель сохраняет высокую скорость и низкое потребление памяти, что делает её пригодной для телефонов, планшетов или небольших одноплатных компьютеров.

Заглянуть внутрь «чёрного ящика»

Поскольку фермерам и агрономам необходимо доверять автоматической диагностике, авторы встроили в систему механизмы объяснимости. Они использовали инструменты, такие как Grad‑CAM и LIME, для создания тепловых карт, показывающих, на что модель «обращает внимание» на каждом листе, а также t‑SNE‑построения для визуализации того, как разные болезни группируются во внутреннем пространстве признаков модели. Эти объяснения показывают, что ИИ последовательно фокусируется на поражениях, обесцвеченных участках и грибных нитях, а не на простом фоне или черешках. Даже в редких ошибочных классификациях — всего пять ошибок из 1800 тестовых изображений — выделенные области остаются биологически значимыми; путаница возникает в основном тогда, когда две болезни визуально очень похожи и для человека.

Что означают результаты для производителей

По основному набору данных LSeTNet правильно классифицировал изображения листьев с точностью около 99,7%, и показал сопоставимо высокие результаты при проверке на отдельном внешнем наборе изображений лекарственных растений Бангладеш, которого модель ранее не видела. При этом он работает быстро (приблизительно семь тысячных секунды на изображение на GPU) и занимает небольшую область памяти, что открывает путь к недорогим, готовым к применению в поле приложениям. Практически это исследование демонстрирует, что компактный и прозрачный ИИ способен надёжно выявлять ранние признаки болезней у важных лекарственных растений и наглядно объяснять пользователю своё решение. При дальнейшем тестировании на большем числе видов и в более жестких полевых условиях подобные системы могут помочь защищать цепочки поставок травяных лекарств, поддерживать точное сельское хозяйство и давать мелким фермерам доступное «второе мнение» в кармане.

Цитирование: Ahmmed, J., Kabir, M.A., Rehman, A.u. et al. A lightweight hybrid CNN and transformer model for medicinal leaf disease classification with explainable AI. Sci Rep 16, 8243 (2026). https://doi.org/10.1038/s41598-026-39182-3

Ключевые слова: лекарственные растения, обнаружение болезней листьев, глубокое обучение, объяснимый ИИ, точное сельское хозяйство