Интеграция EfficientNetV2 с направленной filopic-диффузией для улучшенного распознавания болезней рисовых листьев

Почему важны здоровые листья риса

Рис кормит более половины населения Земли, и большая часть его выращивается в Азии, где даже небольшие колебания урожаев влияют на цены на продовольствие, доходы семей и даже на национальную продовольственную безопасность. Три распространённые болезни листьев — бактериальный листовой некроз, листовая плямистость (или blast) и коричневые пятна — незаметно «подгрызают» урожайность риса и иногда приводят к катастрофическим потерям. Фермеры обычно обнаруживают эти болезни визуально, что требует времени, обучения и множества выездов в поле. В этом исследовании рассматривается, как система на основе изображений может автоматически считывать ранние признаки на листьях риса, помогая фермерам действовать раньше, экономить на химикатах и защищать как урожай, так и окружающую среду.

Основные угрозы для листьев риса

Авторы начинают с объяснения, почему именно эти заболевания столь значимы. Бактериальный листовой некроз, вызываемый любящей влагу микробной инфекцией, быстро распространяется в влажных полях и может снизить урожайность на треть. Листовая плямистость, вызванная быстро размножающимся грибком, повреждает листья, стебли и колосья, и при сильных вспышках может привести к почти полной гибели посевов. Коричневые пятна, ещё одна грибковая болезнь, частично способствовали бенгальскому голоду 1943 года и по‑прежнему процветают при плохом питании почвы и нестабильной погоде. Все три болезни могут по‑разному проявляться в зависимости от сортов риса, фаз роста, освещения и условий в поле, что усложняет их надёжное обнаружение невооружённым глазом или простыми компьютерными методами.

Обучение компьютеров распознавать признаки на листьях

Современные системы распознавания изображений, называемые глубокими нейронными сетями, уже хорошо различают собак и кошек на фотографиях; здесь задача — отличить здоровые листья риса от листьев с тремя похожими заболеваниями. Авторы опираются на компактную, но мощную архитектуру EfficientNetV2, созданную для извлечения богатых паттернов из изображений при достаточно высокой эффективности для запуска на скромном оборудовании. Они обучают эту модель на отобранном публичном наборе данных из 4684 изображений рисовых листьев в высоком разрешении, включающем все три типа болезней в разных условиях освещения и фона. Сеть учится улавливать тонкие визуальные признаки — точки, полосы и пятна — характерные для каждой болезни, и выдаёт предсказание о наличии заболевания вместе с оценкой уверенности.

Очистка изображений перед постановкой диагноза

Ключевое новшество в этой работе — то, что происходит до подачи изображений в основную сеть. Полевые фото бывают шумными: листья перекрывают друг друга, фон загромождён, а освещение меняется в течение дня. Чтобы справиться с этим, команда вводит предварительную обработку, которую называет направленной filopic-диффузией. Проще говоря, это изящная форма цифрового сглаживания, удаляющая фоновые помехи при сохранении чётких краёв и тонкой текстуры поражений на листе. Вместо размывания всего изображения процесс выборочно усиливает границы и формы пятен, которые вероятно важны для диагностики. Очищенные и подчёркнутые изображения затем поступают в модель EfficientNetV2, которая может сосредоточиться на истинных паттернах болезни и меньше отвлекаться на беспорядок.

Насколько хорошо работает система

Чтобы оценить, действительно ли их подход улучшает диагностику, авторы сравнивают его с несколькими известными моделями анализа изображений, такими как ResNet, DenseNet, MobileNet и другими вариантами EfficientNet, все протестированы в одинаковых условиях. Они измеряют не только общую точность, но и то, насколько предсказанные области поражения совпадают с реальными поражениями на листьях. Комбинация направленной диффузии и EfficientNetV2 достигает точности примерно 98–99% с отличными показателями по верному обнаружению больных листьев и минимизации ложных срабатываний. Особенно хорошо модель справляется с ранними или слабоконтрастными симптомами, где небольшое улучшение может стать решающим между своевременной обработкой и пропущенной вспышкой.

Что это значит для фермеров и продовольственной безопасности

Практически это исследование показывает, что сочетание умной очистки изображений с хорошо настроенной сетью распознавания может превратить обычные фотографии рисовых листьев в надёжные оповещения о болезнях. Такая система в будущем может быть упакована в мобильное приложение или недорогую камеру, сканировать поля и отмечать проблемы до их распространения. Хотя текущая модель распознаёт только одно заболевание на лист и протестирована на одном отобранном наборе данных, авторы считают, что расширение и диверсификация коллекций изображений, ускорение шага диффузии и обработка множественных инфекций — реалистичные следующие шаги. Если эти задачи будут решены, подобные инструменты помогут фермерам точечно применять обработки, сократить использование химикатов и поддержать глобальные цели по снижению голода при более устойчивом ведении сельского хозяйства.

Цитирование: Kumar, V.V., Rajesh, P. & Krishnamoorthy, N. Integrating EfficientNetV2 with guided filopic diffusion for enhanced rice leaf disease recognition. Sci Rep 16, 13369 (2026). https://doi.org/10.1038/s41598-026-41654-5

Ключевые слова: обнаружение болезней рисовых листьев, глубокое обучение в сельском хозяйстве, диагностика посевов по изображению, сегментация заболеваний растений, точное земледелие