Optimerad lättvikts U-Net och YOLACT-ramverk för fler-sjukdoms-severitetsdetektion i löv från kärnfrukter

Varför smartare bladkontroller spelar roll

Bönder som odlar äpplen och päron vet att fläckar och skador på blad kan spridas snabbt och tyst urholka en skörd. Att gå bland träden och bedöma sjukdomar med ögat är långsamt och ofta osäkert, särskilt när mer än en infektion angriper samma blad. Denna studie presenterar en automatiserad, kamerabaserad metod som kan identifiera flera sjukdomar på ett enda kärnfruktsblad och uppskatta hur allvarlig varje infektion är, vilket erbjuder en praktisk väg mot snabbare och mer tillförlitliga hälsokontroller av grödor.

Se mer än det mänskliga ögat

Forskarna fokuserar på kärnfrukter som äpplen och päron, vilka är mycket utsatta för bladsjukdomar som ärrar fruktkvalitet och minskar avkastningen. Traditionell inspektion bygger på experter som visuellt graderar symtomens storlek och färg — en tidskrävande process som kan variera mellan observatörer. Verkliga fruktodlingar lägger dessutom till röriga bakgrunder, varierande ljusförhållanden och överlappande eller krullande blad. Teamet ville bygga ett verktyg som klarar allt detta visuella brus, arbetar med vanliga färgfoton och ändå kan skilja flera överlappande infektioner på ett enda blad samtidigt som det bedömer hur långt varje sjukdom har framskridit.

En tvåstegsbild av sjuka blad

För att hantera detta använder studien en dubbel visuell pipeline. Först tränas en strömlinjeformad version av ett populärt medicinskt bildnät, kallad Lite U Net, för att separera bladet från omgivningen och markera de generella sjukdomsområdena. Detta steg tar bort grenar, himmel och jord och säkerställer att senare analys koncentrerar sig endast på vävnaden. Därefter zoomar en förtunnad version av ett annat nät, Lite YOLACT, in för att plocka ut varje distinkt sjukdomsfläck som ett eget objekt. Tillsammans gör dessa två steg att systemet kan känna igen att ett enda blad till exempel kan bära både skorv och rost, där varje sjukdom har sin egen storlek och spridning.

Omvandla fläckar till enkla poäng

När varje sjukdomsområde har konturerats mäter metoden hur stor del av bladyta som täcks av varje infektion. Författarna utformar en ny nio-stegsskala för allvar som översätter dessa procenttal till lättbegripliga stadier, från små tidiga prickar till nästan total skada. Skalan är konstruerad för att hantera två sjukdomar samtidigt och beskriver om båda är lindriga, båda avancerade eller om en tydligt dominerar den andra. För att öka användarnas förtroende lägger forskarna till en visualiseringsteknik kallad Grad CAM som producerar värmekartor och visar vilka delar av bladet modellen förlitade sig på när den bedömde sjukdomarnas allvar.

Testning i fruktodlingar och digitala laboratorier

Teamet tränar och testar sin metod på två stora publika bildsamlare av äppel- och pärlöv. Dessa dataset inkluderar flera vanliga sjukdomar, fotograferade i verkliga fältförhållanden och märkta av växthälsospecialister. Efter noggrann förbehandling, databalans och träning på modern grafik-hårdvara når det kombinerade systemet cirka 95 procents noggrannhet vid bedömning av flersjukdoms-severitet. Det är också effektivt: genom att använda kompakta nätverksdesigner och smarta sätt att dela beräkningar kräver modellen färre beräkningar och mindre minne än många standard djupinlärningssystem, vilket gör den lämplig för telefoner eller edge-enheter som används direkt i fält.

Vad detta betyder för odlare

I praktiska termer visar detta arbete att en billig kamera plus en sparsmakad AI-modell kan pålitligt upptäcka och grader flera bladsjukdomar samtidigt på äpplen och päron. Istället för grova visuella uppskattningar kan odlare få konsekventa numeriska uppskattningar av hur stor del av varje blad som är infekterat och hur långt varje sjukdom har framskridit. Medan metoden fortfarande behöver bredare testning på fler grödor och förhållanden pekar den mot praktiska digitala spejare som hjälper bönder att agera tidigare, rikta behandlingar mer precist och minska både avfall och kemikalieanvändning i fruktodlingar.

Citering: 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

Nyckelord: detektion av växtsjukdomar, äppelbladsjukdom, pärlbladsjukdom, djupinlärning jordbruk, klassning av sjukdomsallvar