Klassificering av rissjukdomar med effektiv DenseNet121

Varför det är viktigt att upptäcka sjuka risplantor

Ris är en daglig basföda för miljarder människor, så allt som skadar risskörden kan hota livsmedelsförsörjningen och böndernas försörjning. Många rissjukdomar visar sig först som diskreta fläckar eller strimmor på bladen som är lätta att missa eller felbedöma, särskilt över stora fält. Denna artikel undersöker hur artificiell intelligens (AI) kan omvandla vanliga foton av risplantor till snabba, exakta diagnoser av flera bladssjukdomar, vilket hjälper bönder att agera tidigt och undvika stora skördeförluster.

Från gissningar till kamerabaserade kontroller

Traditionellt har diagnos av växtsjukdomar förlitat sig på experter som visuellt inspekterar fält eller foton. Det tillvägagångssättet är långsamt, kostsamt och inte skalbart till miljontals småbruk. Samtidigt är smarttelefoner och billiga digitalkameror numera vanliga, även på landsbygden. Författarna utnyttjar denna möjlighet: om bönder kan ta tydliga bilder av blad kan ett vältränat AI-system känna igen olika sjukdomar automatiskt och på några sekunder. Detta arbete fokuserar på sju av de vanligaste rissjukdomarna, från bakteriell bladbakterios till svampfläckar och mjöldagg, med målet att skapa ett verktyg som fungerar över ett brett spektrum av problem snarare än bara en eller två.

Hur det smarta bildsystemet fungerar

Forskarlaget bygger vidare på en kraftfull bildigenkänningsmetod kallad konvolutionsneuronätverk, som lär sig upptäcka mönster som former, färger och texturer i bilder. De använder en särskild arkitektur som heter DenseNet121, känd för att koppla många lager samman så att information flyter effektivt och funktioner återanvänds istället för att om och om igen läras upp. Istället för att börja från noll använder de transfer learning: de börjar med en DenseNet-modell som redan tränats på miljontals vardagsbilder och finjusterar den sedan med bilder av risskott. De samlar 8 030 ursprungliga bilder av sjuka blad från en offentlig "Paddy-Rice"-datamängd och utökar detta till 11 467 bilder genom omsorgsfull dataaugmentation, till exempel rotation, spegling och små ljushetsändringar så att modellen blir robust mot variationer i verkliga förhållanden.

Träning, testning och att lita på resultaten

För att träna systemet delar teamet upp bilderna i två set: ungefär 80 % för att lära modellen och 20 % för att testa den på fall den aldrig sett tidigare. De finjusterar inställningar såsom inlärningshastighet, batchstorlek och antal träningsomgångar med en optimeringsmetod kallad Adam och avbryter tidigt om prestandan slutar förbättras. Systemet lär sig sedan att tilldela varje bild till en av sjukdomskategorierna. Prestanda mäts med flera standardmått: noggrannhet (hur ofta den har rätt totalt), precision (hur ofta dess positiva förutsägelser är korrekta), recall (hur många verkliga sjuka fall den hittar) och F1-poäng (som balanserar precision och recall). De analyserar också en "förväxlingsmatris" som visar var systemet blandar ihop sjukdomar som ser lika ut.

Hur bra AI:n diagnosticerar rissjukdomar

Den tränade DenseNet121-modellen presterar imponerande. På den oberoende testmängden når den en total noggrannhet på 97,9 %, med individuella sjukdomsnoggrannheter mestadels mellan 96 % och nästan 100 %. Precisionen ligger i genomsnitt kring 96,2 %, recall kring 97,9 % och F1-poängen 97 %, vilket indikerar att modellen inte bara är exakt utan också välbalanserad i att undvika både missade fall och falska larm. En femfaldig cross-validation—där tränings- och testuppdelningen upprepas flera gånger—visar liknande starka och stabila resultat med mycket små variationer mellan körningarna. Även om viss förväxling kvarstår mellan sjukdomar med liknande bladfläckar skiljer systemet i allmänhet åt även subtila skillnader i mönster och färger som mänskliga observatörer kan förbise.

Vad detta betyder för bönder och livsmedelssäkerhet

För icke-specialister är slutsatsen enkel: denna studie visar att en omsorgsfullt utformad AI-modell kan titta på foton av risblad och med hög tillförlitlighet avgöra vilken sjukdom som finns bland flera stora hot. Det öppnar dörren för smartphone- eller drönarbaserade verktyg som ger bönder snabba, platsbaserade råd om växthälsa, så att de kan behandla problem tidigt, minska onödig pesticidanvändning och skydda avkastningen. Även om mer arbete krävs för att testa sådana system i varierande fältförhållanden och göra dem till lättanvända appar, tyder resultaten på att AI-driven sjukdomsdiagnostik kan bli en praktisk hjälp för att göra global risproduktion mer motståndskraftig och hållbar.

Citering: Ismail, A., Hamdy, W., Ibrahim, A.H. et al. Classification of rice plant diseases using efficient DenseNet121. Sci Rep 16, 7482 (2026). https://doi.org/10.1038/s41598-026-38078-6

Nyckelord: upptäckt av rissjukdomar, bildanalys för växthälsa, djupinlärning, skydd av grödor, livsmedelssäkerhet