Оптимизированная облегченная U-Net и фреймворк YOLACT для определения степени тяжести нескольких заболеваний листьев семечковых и яблоневых культур

Почему важны более умные проверки листьев

Фермеры, выращивающие яблоки и груши, знают, что пятна и повреждения на листьях могут быстро распространяться и незаметно снижать урожай. Обход сада и визуальная оценка заболеваний — медленный и нередко неточный метод, особенно когда на одном листе развиваются несколько инфекций. В этом исследовании предложён автоматизированный подход на основе съёмки камерой, который может обнаруживать несколько заболеваний на одном листе семечковых культур и оценивать степень каждого поражения, предлагая практичный путь к более быстрым и надёжным проверкам состояния посевов.

Видеть больше, чем человеческий глаз

Авторы сосредоточились на семечковых культурах, таких как яблоки и груши, которые особенно восприимчивы к листовым заболеваниям, ухудшающим качество плодов и снижaющим урожай. Традиционная инспекция опирается на экспертов, визуально оценивающих размер и цвет симптомов — процесс трудоёмкий и вариабельный от человека к человеку. На реальных плантациях фон бывает загромождённым, освещение меняется, а листья перекрывают друг друга или сворачиваются. Команда поставила цель создать инструмент, способный справляться с этим визуальным шумом, работать по обычным цветным фотографиям и при этом различать несколько перекрывающихся инфекций на одном листе, оценивая стадию каждой болезни.

Двухэтапный подход к больным листьям

Для решения задачи в работе используется двухступенчатая визуальная схема. Сначала облегчённая версия популярной сети для медицинской сегментации, названная Lite U Net, обучается отделять лист от фона и выделять общие области поражения. Этот шаг устраняет ветки, небо и почву, гарантируя, что последующий анализ сосредоточится только на растительной ткани. Затем облегчённая версия другой сети, Lite YOLACT, детальнее выделяет каждое отдельное поражённое пятно как отдельный объект. В сумме эти два этапа позволяют системе распознавать, что на одном листе могут одновременно присутствовать, например, парша и ржавчина, каждая со своими размерами и зоной распространения.

Преобразование пятен в простые оценки

После того как каждая зона поражения очерчена, метод измеряет долю поверхности листа, покрытую каждой инфекцией. Авторы предлагают новую девятиуровневую шкалу тяжести, которая переводит эти проценты в понятные стадии — от крошечных начальных пятен до почти полного поражения. Шкала рассчитана на работу с двумя заболеваниями одновременно, описывая ситуации, когда оба легкие, оба продвинутые или одно явно доминирует над другим. Чтобы повысить доверие пользователей к системе, исследователи добавляют визуализацию Grad CAM, которая строит тепловые карты, показывающие участки листа, на которые опиралась модель при оценке степени поражения.

Тестирование в садах и цифровых лабораториях

Команда обучала и тестировала подход на двух больших публичных наборах изображений листьев яблони и груши. Эти датасеты включают несколько распространённых заболеваний, снятых в полевых условиях и размеченных специалистами по фитосанитарии. После тщательной предобработки, балансировки данных и обучения на современном графическом оборудовании комбинированная система достигла примерно 95 процентов точности при оценке многозаболевенной тяжести. Она также работает эффективно: благодаря компактным архитектурам сетей и продуманному совместному использованию вычислений модель требует меньше операций и памяти, чем многие стандартные системы глубокого обучения, что делает её пригодной для смартфонов и периферийных устройств, используемых прямо в поле.

Что это значит для производителей

Проще говоря, эта работа показывает, что недорогая камера в сочетании с лёгкой моделью искусственного интеллекта может надёжно обнаруживать и оценивать одновременно несколько заболеваний листьев яблони и груши. Вместо ориентировочных визуальных догадок фермеры могли бы получать согласованные числовые оценки доли листа, заражённой каждым заболеванием, и стадии развития каждой инфекции. Хотя метод требует более широкого тестирования на других культурах и в разных условиях, он указывает путь к практичным цифровым «скаутам», которые помогают фермерам действовать раньше, точнее целиться в лечение и сокращать потери и использование химикатов в садах.

Цитирование: Qasim, M., Adnan, S.M. & Safi, Q.G.K. Optimized Lightweight U-Net and YOLACT framework for multi-disease severity detection in pome fruit leaves. Sci Rep 16, 15132 (2026). https://doi.org/10.1038/s41598-026-45947-7

Ключевые слова: обнаружение заболеваний растений, заболевания листьев яблони, заболевания листьев груши, глубокое обучение в сельском хозяйстве, оценка степени поражения