Pflanzenkrankheiten stellen aufgrund ihrer finanziellen Belastung und ihrer Auswirkungen auf die Ernährungssicherheit eine erhebliche Bedrohung für Nationen auf der ganzen Welt dar. Gesunde Pflanzen sichern die Lebensgrundlage von Millionen von Menschen, und eine genaue Diagnose von Pflanzenkrankheiten ermöglicht rechtzeitige Eingriffe, um eine ausreichende Pflanzenproduktion mit minimalem Ertragsverlust sicherzustellen.
Herkömmliche Ansätze zur Krankheitserkennung folgen typischerweise zwei Wegen. Das erste stützt sich auf die Inspektion der Ernte durch geschulte Experten, während das zweite neuronale Netze und Bildverarbeitung nutzt. Beide Optionen haben jedoch ihre Grenzen. Während geschulte Experten nach einer fehleranfälligen und zeitaufwändigen manuellen Inspektion ihre Meinung abgeben, extrahieren herkömmliche Bildverarbeitungsmethoden oberflächliche Informationen und benötigen ein entsprechendes Training für bessere Vorhersagen.
Dies impliziert, dass es schwierig ist, konsistente Vorhersagen zu treffen, wenn die Komplexität der Informationen zunimmt.
In dieser Hinsicht haben neuronale Netze – Sammlungen von Algorithmen, die zugrunde liegende Beziehungen in Daten erkennen – vielversprechende Ergebnisse bei der Klassifizierung von Pflanzenkrankheiten geliefert. Der Vorbehalt ist das Fehlen angemessener Trainingsdaten. Eine gute Datenerfassung ist in kontrollierten Umgebungen möglich, aber in der realen Welt nicht trivial. Im Feld können Krankheiten selten oder nicht leicht zu beobachten sein.
Darüber hinaus können Krankheitsproben komplexe Hintergründe, unterschiedliche Formen und Okklusionen aufweisen. Auf neuronalen Netzwerken basierende Krankheitsklassifikatoren sind auch in ihrer Fähigkeit begrenzt, Wissen nach dem Training auf neue Datensätze anzuwenden.
Jetzt hat ein Forscherteam ein neues und relativ einfaches neuronales Netzwerk namens „Multi-Representation Subdomain Adaptation Network with Uncertainty Regularization for Cross-Species Plant Disease Classification“ (MSUN) entwickelt, das Pflanzenkrankheiten in natürlichen Umgebungen genau klassifiziert.
Dazu wendeten sie eine Transfer-Lerntechnik namens Unsupervised Domain Adaptation (UDA) an, um den Prozess der Identifizierung von Pflanzenkrankheiten zu erleichtern. Die Studie wurde von Associate Professor Xijian Fan von der Nanjing Forestry University geleitet und in veröffentlicht Pflanzenphänomik.
Associate Prof. Fan, der auch der korrespondierende Autor der Studie ist, erklärt: „UDA ermöglichte es unserem Modell, das, was es während des Trainings gelernt hatte, auf einen anderen nicht kommentierten Datensatz anzuwenden. Wir trainierten MSUN, Pflanzenkrankheiten in der kontrollierten Umgebung eines Labors zu klassifizieren Es kann jetzt UDA verwenden, um Pflanzenkrankheiten in komplexen Feldumgebungen zu klassifizieren.“
Der Ansatz des Teams zur Nutzung von UDA bei der Klassifizierung von Pflanzenkrankheiten stellt einen Paradigmenwechsel dar, da er die Mängel der derzeitigen UDA-basierten Ansätze überwindet. Erstens sind die im Feld gesammelten Bilder komplex – sie haben mehrere Blätter, ungewöhnliche Kameraaufnahmewinkel und können verschwommen sein. Von UDA-basierten Klassifizierern wird erwartet, dass sie diese verwirrenden Informationen für eine genaue Krankheitsklassifizierung verarbeiten.
Zweitens sind diese Klassifikatoren nicht in der Lage, Vorhersagen zu treffen, wenn es um Pflanzen geht, die von unterschiedlichen Krankheitszuständen, Infektionen zu unterschiedlichen Zeitpunkten oder an mehreren Standorten befallen sind. Drittens stehen die Klassifizierer vor einer erheblichen Herausforderung, wenn ähnliche Krankheitsmanifestationen auftreten können. Dies geschieht, wenn mehrere Krankheitserreger eine einzelne Pflanzenart infizieren oder wenn ein einzelner Krankheitserreger mehrere Pflanzenarten infiziert.
„MSUN ist ein leistungsfähigerer Krankheitsklassifikator, wenn es darum geht, die Gesamtstruktur von Pflanzenkrankheitsmerkmalen zu lernen. Außerdem erfasst es mehr Details aus den erhaltenen Informationen“, sagt außerordentlicher Prof. Fan über die Vorteile der neuen Methode. Die Studie ergab, dass MSUN nicht durch die Diskrepanz behindert wurde, die auftritt, wenn dieselben Informationen in einer kontrollierten Umgebung im Vergleich zu einer Feldumgebung gesammelt werden.
Wichtig ist, dass die Gruppe die Genauigkeit der MSUN-Krankheitsklassifikation anhand mehrerer komplexer Datensätze zu Pflanzenkrankheiten validierte. Beim Test mit Daten aus den Datenbanken PlantDoc, Plant-Pathology, Corn-Leaf-Diseases und Tomato-Leaf-Diseases hat MSUN die aktuelle Ernte von Klassifikatoren übertroffen und übertroffen.
Die Gruppe ist optimistisch in Bezug auf die Aussichten von MSUN, da es in der Lage ist, anspruchsvolle Datensätze zu verarbeiten. Sie sind zuversichtlich, dass es die inhärente Unsicherheit aktueller Krankheitsklassifikatoren überwinden kann und dass es die zukünftige Pflanzenpathologieforschung unterstützen wird, indem es bedeutende Einblicke in die Probleme der Krankheitserkennung liefert.
Mehr Informationen:
Xinlu Wu et al, From Laboratory to Field: Unsupervised Domain Adaptation for Plant Disease Recognition in the Wild, Pflanzenphänomik (2023). DOI: 10.34133/plantphenomics.0038