Durch Bakterien, Viren und Pilze verursachte Pflanzenkrankheiten führen jedes Jahr zu großen wirtschaftlichen Verlusten. Die rechtzeitige Erkennung dieser Krankheiten ist notwendig, um ihre Ausbreitung einzudämmen und landwirtschaftliche Schäden abzumildern, stellt jedoch insbesondere in Gebieten mit Massenproduktion eine große Herausforderung dar. Intelligente Landwirtschaftssysteme nutzen eine Kameraüberwachung, die mit Modellen der künstlichen Intelligenz (KI) ausgestattet ist, um Merkmale von Pflanzenkrankheiten zu erkennen, die sich oft in Veränderungen der Blattmorphologie und des Aussehens äußern.
Herkömmliche Methoden der Bildklassifizierung und Mustererkennung extrahieren jedoch Merkmale, die auf erkrankte Pflanzen hinweisen, aus einem Trainingssatz. Daher ist ihre Interpretierbarkeit gering, was bedeutet, dass es schwierig ist, zu beschreiben, welche Funktionen erlernt wurden.
Darüber hinaus ist die Beschaffung großer Datensätze für das Modelltraining mühsam. Handgefertigte Features, die auf der Grundlage von Experten entwickelter Feature-Detektoren, Deskriptoren und Vokabeln ausgewählt werden, bieten eine praktikable Lösung für dieses Problem. Diese führen jedoch häufig zur Übernahme irrelevanter Funktionen, die die Leistung des Algorithmus verringern.
Glücklicherweise ist jetzt eine Lösung in Sicht. Ein Team aus Datenwissenschaftlern und Pflanzenphänomik-Experten aus China und Singapur hat einen Schwarmintelligenz-Algorithmus zur Merkmalsauswahl (SSAFS) entwickelt, der eine effiziente bildbasierte Erkennung von Pflanzenkrankheiten ermöglicht. Sie berichteten über die Entwicklung und Validierung dieses Algorithmus in ihrer kürzlich veröffentlichten Studie Pflanzenphänomik.
Der korrespondierende Autor dieser Studie, Prof. Zhiwei Ji, erläutert die Vorteile der Einführung von SSAFS wie folgt: „SSAFS reduziert nicht nur die Anzahl der Merkmale erheblich, sondern verbessert auch die Klassifizierungsgenauigkeit erheblich.“
Die Studie nutzte eine Kombination aus zwei Prinzipien: Hochdurchsatz-Phänomik, mit der Pflanzenmerkmale wie die Schwere der Krankheit in großem Maßstab analysiert werden können, und Computer Vision, mit der Bildmerkmale extrahiert werden, die für einen bestimmten Zustand repräsentativ sind. Mithilfe von SSAFS und einer Reihe von Pflanzenbildern identifizierten die Forscher eine „optimale Untergruppe“ von Pflanzenkrankheiten.
Diese Teilmenge umfasste eine Liste nur der Merkmale mit hoher Priorität, die eine Pflanze erfolgreich als krank oder gesund klassifizieren und den Schweregrad der Erkrankung weiter einschätzen konnten. Die Wirksamkeit von SSAFS wurde in vier UCI-Datensätzen und sechs Datensätzen zur Pflanzenphänomik getestet. Diese Datensätze wurden auch verwendet, um die Leistung von SSAFS mit der von fünf anderen ähnlichen Schwarmintelligenz-Algorithmen zu vergleichen.
Die Ergebnisse zeigen, dass SSAFS sowohl bei der Erkennung von Pflanzenkrankheiten als auch bei der Schätzung des Schweregrads gute Leistungen erbringt. Tatsächlich übertraf es die vorhandenen hochmodernen Algorithmen bei der Identifizierung der wertvollsten handgefertigten Bildmerkmale. Interessanterweise waren die meisten dieser krankheitsbedingten Merkmale lokal, das heißt, sie betrafen bestimmte Muster oder Strukturen wie Punkte, Kanten und Flecken, die häufig bei erkrankten Pflanzen beobachtet werden.
Insgesamt ist dieser Algorithmus ein wertvolles Werkzeug, um eine optimale Kombination handgefertigter Bildmerkmale zu erhalten, die auf Pflanzenkrankheiten hinweisen. Seine Einführung könnte die Genauigkeit der Erkennung von Pflanzenkrankheiten erheblich verbessern und die erforderliche Verarbeitungsdauer verkürzen.
Auf die Frage nach den zukünftigen Implikationen ihrer Studie sagt Prof. Ji: „Einer der entscheidenden Beiträge dieser Arbeit zur Pflanzenphänomik ist die Definition handgefertigter Merkmale und das präzise Screening relevanter Merkmale durch einen neuartigen rechnerischen Ansatz. Wir schlagen eine Kombination vor.“ umfassende handgefertigte und nicht-handgefertigte Merkmale von Pflanzenbildern für eine genaue und effiziente Erkennung im Bereich der Phänomik.“
Mehr Informationen:
Zhiwei Ji et al, Eine neuartige Strategie zur Merkmalsauswahl basierend auf dem Salp Swarm-Algorithmus zur Erkennung von Pflanzenkrankheiten, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0039