Искусственный интеллект в идентификации листовых пятнистостей яблони

Хан возглавляет проект по изучению возможностей компьютерного зрения для быстрого и точного выявления болезней яблони. В плодоводстве методы компьютерного зрения уже привлекли большое внимание благодаря потенциалу в управлении урожайностью, ценны они и для защиты растений. В 2019 г. Хан и его коллеги из Cornell Tech получили грант от Корнельского института цифровизации сельского хозяйства для обучения моделей компьютерного зрения обнаружению и идентификации болезней яблони, поражающих листья.

Первой задачей было собрать банк фотографий. Команда Хана начала с нескольких наиболее экономически значимых болезней – парши (Venturia inaequalis), ржавчины (бурой пятнистости, Gymnosporangium tremelloides) и черного рака (Botryosphaeria obtusa). Чтобы можно было нормально обучить модели, были накоплены тысячи изображений симптомов болезней на листьях, собранных в опытных садах Корнелла. Исследователи фотографировали листья в солнечную и пасмурную погоду, с разных расстояний и ракурсов, разными камерами и с разными фокусами. Команда также призвала ученых и агрономов присылать свои фотографии.

Следующей задачей была разметка данных на основании экспертной оценки. Фитопатологи использовали свой опыт для определения болезней на каждом изображении. Каждое заболевание должно быть правильно идентифицировано, поскольку если данные ненадежны, то и обученные на них модели также окажутся ненадежными. Правильная идентификация заболеваний не всегда проста. На листьях могут проявляться симптомы нескольких болезней, которые нужно различать; поражение вредителями может выглядеть как заболевание. «Иногда даже эксперты затрудняются с диагностикой по фото», — сказал Хан. 

Для разработки моделей машинного обучения Хан и его коллеги прибегли к краудсорсингу. В 2020 г. они организовали конкурс на сайте Kaggle (kaggle.com), где собрано множество дата-сетов для работы аналитиков. Хан предложил сообществу пользователей сайта использовать аннотированные изображения пораженных различными болезнями и здоровых листьев яблони для разработки моделей машинного обучения, которые могли бы идентифицировать эти заболевания. Команды со всего мира представили множество моделей. По словам Хана, точность наилучших прогнозов составила около 97%. В 2021 г. команда Хана организовала еще один конкурс на Kaggle, представив более сложные изображения с большим количеством заболеваний, а также фото с несколькими заболеваниями на листе. Полученные модели были уже не такими точными. Команда Хана продолжит собирать изображения для создания более крупного и полного банка данных, планирует провести новые конкурсы для аналитиков, а также изучить более продвинутые методы классификации и количественного анализа заболеваний. 

Широкий отклик на Kaggle показал, что многие эксперты по обработке изображений и машинному обучению готовы предложить инновационные решения для классификации болезней растений. Хан отметил, что основным ограничением теперь выступает дефицит размеченных наборов данных о заболеваниях. Проект находится в активной разработке, однако требуется еще много исследований.