Ученые из Санкт-Петербурга разработали методику выявления болезней сельскохозяйственных растений на ранней стадии
Ученые Передовой инженерной школы «Цифровой инжиниринг» Санкт-Петербургского политехнического университета Петра Великого (СПбПУ) совместно с коллегами из Всероссийского института защиты растений разработали новый способ выявления болезней сельскохозяйственных растений на ранней, бессимптомной стадии. Он основан на обработке данных гиперспектральной съемки с применением искусственного интеллекта. Технология открывает путь к созданию систем спутникового и беспилотного мониторинга для превентивной защиты урожая.
Гиперспектральная съемка фиксирует отражение света в десятках и сотнях узких спектральных диапазонов и позволяет выявлять ранние физиологические изменения в растениях еще до визуального проявления болезни. Основной недостаток существующих дистанционных методик оценки состоит в том, что полученные снимки не всегда дают исследователям исчерпывающую информацию для анализа.
Ученые из Санкт-Петербурга разработали методику, опирающуюся, прежде всего, на контролируемый сбор и обработку первичной визуальной информации, полученной в реальных условиях сельскохозяйственных посевов вне зависимости от внешних факторов. Результаты авторы продемонстрировали на примере обнаружения стеблевой ржавчины пшеницы, поражающей стебли и листья растений.
Пшеница — одна из ключевых зерновых культур в мире. Многие ее сорта уязвимы к стеблевой ржавчине, способной приводить к серьезным потерям урожая. Ситуацию осложняет быстрое межрегиональное распространение агрессивных возбудителей данного заболевания.
Проблема в том, что эффективность защитных мер в значительной степени определяется возможностью выявления инфекции до появления визуально различимых симптомов, которые проявляются лишь через 6–10 дней после заражения. Задачей исследования была разработка подходов, обеспечивающих раннее обнаружение болезни, чтобы оперативно локализовать очаг заражения и минимизировать потери.
Исследователи провели эксперименты на растениях пшеницы, выращенных в приближенных к полевым лабораторных условиях. Собранный массив данных включал 864 гиперспектральных изображения — как здоровых, так и зараженных растений.
«При создании новой методики мы учитывали ключевые проблемы дистанционного зондирования растений, встречающиеся в реальных сельскохозяйственных условиях, включая неравномерное освещение, перекрывающиеся структуры растительного покрова, влажность среды, фоновый шум и ежедневную изменчивость условий получения данных», — рассказал один из участников исследования, научный сотрудник Всероссийского института защиты растений Антон Терентьев.
«Ключевым фактором эффективности методики оказалась не сложность моделей, а корректная предобработка данных, которая позволяет алгоритмам машинного обучения надежно различать здоровые и пораженные растения при различных помехах. Мы сознательно делали акцент на интерпретируемости решений моделей искусственного интеллекта, поскольку без понимания оснований, на которых такие модели принимают решения, возрастает риск ошибок», — отметил еще один автор работы, ведущий научный сотрудник лаборатории Передовой инженерной школы «Цифровой инжиниринг» СПбПУ Александр Федотов.
Авторы отмечают, что разработанная методика может быть практически реализована в системах дистанционного мониторинга сельскохозяйственных угодий, включая беспилотные и спутниковые платформы, для раннего выявления других заболеваний и стрессовых состояний сельскохозяйственных растений.
Исследование выполнено при поддержке Российского научного фонда.