Речь, правда, идет о болезнях растений, а ведь это тоже весьма актуальная проблема. Так, сотрудники Лаборатории информационных технологий ОИЯИ разработали онлайн-платформу pdd.jinr.ru для определения болезней домашних и сельскохозяйственных растений. Для решения задачи были использованы сверточные нейронные сети, повсеместно применяемые для классификации изображений. Нейросетевая архитектура платформы способна с точностью более 95 % распознавать различные болезни и вредителей. На начало 2023 года количество классов общей модели pdd.jinr.ru было увеличено до 60, и появилась пара новых специализированных моделей для таких популярных домашних растений, как драцена и спатифиллум.

Проблема мира

По оценкам Продовольственной и сельскохозяйственной организации ООН, до трети урожая в мире ежегодно погибает от вредителей и болезней, поэтому автоматизацией распознавания недугов растений сейчас занимаются во всем мире. В 2017 году группа научных сотрудников Лаборатории информационных технологий ОИЯИ выиграла грант Российского фонда фундаментальных исследований (РФФИ) на разработку комплексной системы диагностирования болезней растений по изображениям и текстовому описанию.

Была разработана платформа, которая продолжает развиваться до сих пор и имеет несколько точек входа пользователей. В ней реализована коллекция моделей: обрабатывая запрос, алгоритм вначале использует общую модель по болезням и вредителям. Затем нейросеть определяет вид растения. При условии, что для данной культуры имеется своя модель, пользователь получит, кроме общего, еще и частный прогноз. «При выдаче результата показываются три наиболее близких класса к загруженному изображению. В большинстве случаев все это позволяет правильно определить болезнь и получить рекомендации по ее лечению», - сообщил соавтор исследования, ведущий программист ЛИТ ОИЯИ Александр Ужинский.

От винограда до орхидей

Сейчас в pdd.jinr.ru есть модели для 19 сельскохозяйственных и декоративных культур: барбариса, винограда, вишни, голубики, клубники, кукурузы, огурцов, перца, пшеницы, смородины, томатов, хлопка, яблок, орхидей, роз и т. д. Общая модель для всех видов растений распознает 55 различных болезней и вредителей. В базе собрано свыше 4 000 изображений; получено более 40 000 запросов от пользователей. Использовать интерфейс платформы могут все, начиная от агрохолдингов и заканчивая начинающими садоводами, для которых немаловажной будет особенность программы - рекомендации по лечению растений, верифицированные профессиональными агрономами.

«Пользователи должны иметь разные инструменты взаимодействия с платформой. Задачи распознавания могут быть запущены через веб-портал, но основной точкой входа пользователей стало мобильное приложение DoctorP для операционной системы Android», - пояснил Александр Ужинский. С момента запуска приложения им воспользовались более 10 000 человек. Сейчас разрабатывается приложение и для ОС iOS.

Сиамская нейросеть

Как рассказал Александр Ужинский, при классификации изображений зачастую используют хорошо зарекомендовавшую себя сверточную нейроннную сеть, предварительно обученную на большом количестве изображений. Ее последний слой, отвечающий за классификацию, заменяют на новый с последующим дообучением на фотографиях из предметной области - такой подход называется «переносом обучения». Как правило, для использования метода требуются сотни изображений. Здесь исследователи столкнулись с самой большой трудностью - набрать достаточное количество фотографий растений для обучения нейросети. В имевшихся на тот момент открытых базах содержались синтетические изображения, сильно отличающиеся от встречаемых в реальной жизни: каждый листок отрезан, расправлен, находился на статичном фоне и одинаково освещен.

«Эти изображения удобно использовать для научных целей, и мы получили хороший результат - 99% распознавания, но затем на фотографии, сделанной пользователями в реальной жизни, модель в 50% случаев ошибалась. Перед нами встала задача самим собирать базу изображений», - продолжил Александр Ужинский. Необходимо было набрать как можно больше снимков растений в полевых условиях: при разном освещении, положении, различном масштабе съемки и пр. Обычно для достижения положительных результатов требуются сотни, а лучше тысячи изображений для каждого определяемого класса.

В открытых источниках: в онлайн-сообществах, на форумах - на каждый класс болезней имелось лишь от 20 до 50 изображений, и разработчикам пришлось применять особые методы, чтобы в условиях малой обучающей выборки все равно получить хороший результат. Чтобы решить проблему, была использована сиамская (двойная) нейронная сеть, которая хотя и не применялась до этого для классификации болезней растений, однако хорошо различала лица. «В данной технологии используются одинаковые сети, на вход которым подаются пары изображений одинакового или разных классов, и в результате обучения сеть должна научиться хорошо разносить многомерные вектора изображений различных классов в пространстве свойств. В итоге при определении болезней растений удалось добиться точности в 98%», - прокомментировал ученый.

В перспективе в платформу будут добавлены возможности обработки видеопотока, модели для определения нехватки основных элементов (азот, фосфор, кальций, железо и т. д.), а также средства формирования рекомендаций по выращиванию и отслеживанию развития наиболее востребованных сельскохозяйственных культур.

По материалам пресс-службы ОИЯИ