Исследователи НИТУ МИСИС разработали алгоритм искусственного интеллекта, который распознаёт болезни растений по фотографиям листьев и лучше справляется с изменениями освещения, фона и геометрии изображения.

Своевременное обнаружение болезней — одна из важных задач сельского хозяйства. На практике фотографии листьев часто делают прямо в поле, где качество изображений зависит от освещения, погодных условий и окружающего фона. Из-за этого даже современные системы компьютерного зрения могут ошибаться. В НИТУ МИСИС предложили способ повысить надёжность таких систем. В основе разработки лежит нейросетевая модель HiP²-Net. По словам исследователей, это позволяет алгоритму учитывать особенности конкретной культуры.

«В Университете МИСИС разделяют глобальный тренд на широкое внедрение искусственного интеллекта в различных отраслях экономики. Под руководством заведующего кафедрой автоматизированного проектирования и дизайна, к.т.н. Евгения Коржова в вузе создан новый алгоритм на основе нейроосетей, который анализирует изображение листа и одновременно определяет вид растения, признаки и тип заболеваний. В перспективе решение, предложенное нашими исследователями, может стать основой мобильных приложений и цифровых сервисов для агропромышленного комплекса, позволяя быстрее выявлять патологии сельскохозяйственных культур и снижать потери урожая», — рассказала ректор НИТУ МИСИС Алевтина Черникова.

Для обучения системы исследователи использовали аугментацию данных — дополнительные преобразования изображений, включая имитацию небольших очагов поражения на листьях. Такой метод помогает алгоритму распознавать ранние и слабо выраженные признаки заболеваний, которые могут быть слабо выражены на ранних стадиях заболевания.

«Алгоритм дополнительно использует информацию о „зелёности“ изображения, что помогает лучше выделять ткани листа и снижать влияние теней, бликов и посторонних деталей на заднем плане. Это особенно важно для дальнейшей адаптации подобных систем к реальным условиям съёмки», — сказал аспирант кафедры автоматизиро­ванного проектирования и дизайна НИТУ МИСИС Али Салем Мутхана.

Разработанная модель показала более высокую точность по сравнению с базовой нейросетевой моделью: доля правильных распознаваний выросла с 87,5% до более чем 93% на использованном экспериментальном наборе данных. Система лучше выявляла слабые поражения, была менее чувствительна к особенностям фона и освещения, а карты интерпретации показывали, что модель ориентируется на прожилки, пятна и повреждённые участки листа. Подробности опубликованы в научном журнале Discrete and Continuous Models and Applied Computational Science.

«При принятии решения модель ориентируется на характерные признаки болезни — прожилки, пятна и повреждённые участки листа, а не на случайные элементы изображения. В перспективе такая разработка может использоваться в мобильных приложениях для фермеров, облачных сервисах мониторинга посевов и системах цифрового земледелия», — добавила д.т.н. Елена Ляпунцова, профессор кафедры автоматизиро­ванного проектирования и дизайна НИТУ МИСИС.

В дальнейшем исследователи планируют расширить базу данных культур и заболеваний, а также адаптировать технологию для работы с фотографиями, полученными непосредственно в полевых условиях — при естественном освещении, сложном фоне и разном качестве съёмки.