Pflanzenkrankheiten stellen seit den Anfängen der Landwirtschaft eine große Bedrohung für Landwirte dar. Trotz unseres verbesserten Verständnisses der Ursachen und der Behandlung dieser Krankheiten verursachen sie heute weiterhin erhebliche wirtschaftliche Verluste. Obwohl die frühzeitige Erkennung von Pflanzenkrankheiten die beste Wahl für Landwirte ist, um ihre Auswirkungen zu minimieren, ist die manuelle Inspektion jeder Pflanze eine monumentale Aufgabe und fehleranfällig. Nur ein gut geschultes Auge kann den Unterschied zwischen Krankheiten, die ähnliche Symptome verursachen, genau erkennen.
Glücklicherweise ebnet künstliche Intelligenz (KI) schnell den Weg zu intelligenteren landwirtschaftlichen Praktiken. Neuere Modelle des maschinellen Lernens sind in der Lage, Pflanzenkrankheiten anhand digitaler Fotografien automatisiert zu identifizieren. In Kombination mit Drohnen und hochwertigen Kameras können solche Modelle den Zeit- und Arbeitsaufwand für die Überwachung großer Felder reduzieren. Allerdings kämpfen selbst die neuesten Algorithmen unter bestimmten herausfordernden Bedingungen.
Ein bemerkenswertes Beispiel ist die Auswirkung von Hintergrundstörungen auf die Ergebnisse der Krankheitsklassifikation. In einigen Fällen nehmen erkrankte Blätter eine erdähnliche Farbe an, was den automatischen Klassifizierer verwirren kann, insbesondere wenn die betroffenen Bereiche an den Rändern der Blätter liegen. Andere Probleme umfassen die Variabilität der Symptome, die durch eine einzelne Krankheit verursacht werden, und die Ähnlichkeiten, die zwischen verschiedenen Krankheiten bestehen.
In einer neuen Studie hat sich ein Forscherteam daran gemacht, ein Modell zu entwickeln, das diese Herausforderungen bewältigen kann. Sie konzentrierten sich auf fünf häufige Krankheiten, die Tomatenblätter befallen, und entwickelten ein maschinelles Lernmodell namens PLPNet, das diese Krankheiten anhand von in Echtzeit aufgenommenen Bildern genau erkennen kann. Die Studie unter der Leitung von Professor Guoxiong Zhou von der Central South University of Forestry and Technology in China wurde kürzlich in veröffentlicht Pflanzenphänomik .
Das Team konzentrierte sich zunächst darauf, einen guten Datensatz zum Trainieren des Modells zu erstellen. Zu diesem Zweck sammelten sie Bilder aus einem offenen, aber ziemlich veralteten Datensatz namens „Plant Village“. Sie analysierten die Bilder gründlich und eliminierten diejenigen, die keine guten Trainingskandidaten abgeben würden, wie etwa verschwommene oder unzureichend beleuchtete Bilder. Zusätzlich zu den letzten 3.524 Bildern, die sie von Plant Village erhalten haben, hat das Team weitere 1.909 Bilder aus dem Internet heruntergeladen. Schließlich wurde eine sorgfältige Kennzeichnung aller Bilder durchgeführt, um jede Läsion auf den Blättern zu identifizieren.
Als nächstes entwarf das Team die Netzwerkarchitektur von PLPNet. Sie verwendeten drei unterschiedliche Techniken, die in Zusammenarbeit zur höchsten Klassifizierungsgenauigkeit führten. Das erste war ein Perceptual Adaptive Convolution (PAC) Backbone, das dem Modell half, die charakteristischsten Merkmale jeder Krankheit zu extrahieren, indem es den „Fokus“ des Netzwerks bei der Analyse eines Bildes anpasste.
Das zweite war ein LRAM-Modul (Location Reinforcement Attention Mechanism), das dabei half, Krankheiten an Blatträndern zu erkennen und Hintergrundstörungen herauszufiltern. Das dritte Modul war ein Proximity Feature Aggregation Network (PFAN), das schaltbare atrous Faltung und Dekonvolution implementiert. Diese Struktur half dem Modell, das kleinste Detail für jede Krankheit zu lernen, was seine Leistung bei der Krankheitserkennung und -klassifizierung massiv verbesserte.
Das Team hat sein Modell nach dem Training gründlich getestet und die Leistung jedes seiner Teile analysiert. Sie verglichen auch die Leistung von PLPNet mit vielen anderen hochmodernen Modellen zur Erkennung von Pflanzenkrankheiten.
Die Ergebnisse waren äußerst vielversprechend, da PLPNet eine Genauigkeit von 94,5 % bei einer Geschwindigkeit von über 25 Bildern pro Sekunde erreichte, was es für den Feldeinsatz geeignet machte. Begeistert von den Ergebnissen bemerkt Prof. Zhou: „PLPNet verbessert die Erkennungsgenauigkeit erheblich, während die standardmäßige Erkennungsgeschwindigkeit beibehalten wird. Folglich übertrifft es andere Testmodelle und demonstriert die Effektivität unseres verbesserten Ansatzes.“
Tomaten werden weltweit in großem Umfang angebaut und sind von großer wirtschaftlicher Bedeutung. Das Team erwartet, dass sich PLPNet positiv auf ihren Anbau auswirkt und die Belastung durch finanzielle Verluste durch erkrankte Tomatenpflanzen verringert. „Diese Forschung kann Erzeugern dabei helfen, Tomatenblattkrankheiten rechtzeitig und präzise zu erkennen und spezifische Kontrollen basierend auf der Art der festgestellten Krankheit durchzuführen“, schließt Prof. Zhou modernen Tomatenanbau.“
Mehr Informationen:
Zhiwen Tang et al, Ein präziser bildbasierter Ansatz zur Erkennung von Tomatenblattkrankheiten unter Verwendung von PLPNet, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0042