Новый подход к обнаружению болезней и вредителей в производстве картофеля на основе глубокого обучения

Почему здоровье картофеля важно для всех

Картофель — одна из основных продуктов питания в мире, богатая энергией и питательными веществами и важная как для мелких хозяйств, так и для крупных пищевых цепочек. Тем не менее листья картофеля легко поражаются болезнями и поедаются насекомыми, что может незаметно сократить урожай задолго до того, как проблемы заметят невооружённым глазом. В этом исследовании рассматривается, как умные камеры под управлением искусственного интеллекта могут наблюдать поля в реальном времени, рано выявлять больные растения и помогать фермерам защищать урожай, сокращая ненужные обработки.

Распознавание проблем на листьях в полевых условиях

В реальных полях определить, что именно с растением картофеля, сложнее, чем кажется. Разные болезни вначале могут выглядеть похоже, а мелкие насекомые часто прячутся под перекрывающимися листьями или в глубокой тени. Фермерам обычно нужно мнение эксперта, которое стоит времени и денег, и даже обученные глаза могут пропустить ранние признаки. Исследователи поставили цель создать автоматическую систему, которая по обычным цветным фотографиям растений картофеля сможет выявлять как болезненные пятна, так и вредителей прямо в поле, а не на аккуратных лабораторных снимках отдельных листьев.

Создание реалистичной картины полевых условий

Чтобы это реализовать, команде сначала понадобилось реалистичное представление о том, как проявляются проблемы картофеля в условиях фермы. Они собрали 2688 изображений с двух исследовательских ферм в Пакистане в зимний и летний сезоны. Камера располагалась чуть выше растений, так что на каждом снимке были видны листья вместе с почвой, соседними растениями и помехами, такими как солома или трубопроводы. Отбросив снимки без симптомов, они оставили 2403 фотографии, показывающие четыре основные угрозы: фитофтороз (blight), поражения листьев (leaf spot), симптомы вируса свертывания листьев (leafroll) и колорадского жука в личинковой и взрослой формах. Эксперты по растениям аккуратно обвели рамками каждую поражённую область и жука, чтобы компьютер мог учиться на этих примерах.

Обучение компьютеров находить пятна и жуков

Команда обучила несколько современных алгоритмов обнаружения объектов распознавать эти проблемы. Эти программы, известные как YOLO и Faster R-CNN, не просто дают ответ «больной или здоровый», но и рисуют рамки вокруг каждого участка болезни или каждого насекомого. Перед обучением изображения очищали, изменяли их размер и случайным образом зеркалили, поворачивали и изменяли яркость, чтобы смоделировать разные углы съёмки и освещение. Ключевая модель, версия YOLOv8-medium, сканирует каждое изображение размером 640×640 пикселей за один проход и с помощью своей многоуровневой структуры учится паттернам цвета и текстуры, которые отличают здоровую ткань листа от болезненных пятен и тел жуков, даже когда они малы или частично скрыты.

Как показывает себя цифровой разведчик

На тысячах тестовых изображений, отложенных от обучения, YOLOv8-medium корректно обнаруживал участки болезни и жуков со средней точностью (mean average precision) около 98%. Модель также показала стабильность при перестановке данных в пятикратной проверке, что указывает на то, что результаты не случайны из-за удачного разбиения. Другие версии YOLO и более старая модель Faster R-CNN были менее точны или медленнее. Версия medium оказалась оптимальным балансом между скоростью и точностью, обрабатывая изображение всего за несколько миллисекунд на современной графической карте. Система особенно хорошо работала для распространённых болезней, таких как фитофтороз и пятнистости листьев, тогда как очень мелкие или сильно затенённые жуки оставались наиболее трудными для обнаружения.

Что это может значить для фермеров

Для неспециалистов основной вывод прост: камера, связанная с обученной программой, теперь может выступать в роли неутомимого полевого разведчика, надёжно отслеживая основные болезни картофеля и ключевого вредителя. Исследование показывает, что такая система может работать достаточно быстро для реального времени — например, на тракторе, беспилотнике или портативном устройстве — и давать точные координаты проблемных участков. Авторы предупреждают, что испытания проводились только на двух фермах в одном регионе и не учитывали неболезненные стрессы, такие как засуха, поэтому потребуется больше работы, прежде чем инструмент можно будет доверять повсеместно. Тем не менее полученные результаты позволяют предполагать, что системы «умного зрения» однажды помогут фермерам применять обработки только там и тогда, где это необходимо, защищая и урожай, и окружающую среду.

Цитирование: Abbas, A., Rehman, S.U., Mahmood, K. et al. A novel approach for disease and pests detection in potato production system based on deep learning. Sci Rep 16, 15672 (2026). https://doi.org/10.1038/s41598-026-45575-1

Ключевые слова: болезни картофеля, вредители сельхозкультур, глубокое обучение, обнаружение объектов, точное земледелие