В условиях сокращения мировых запасов продовольствия и роста населения очень важно, чтобы текущее сельскохозяйственное производство было эффективным и с минимальными потерями. Профилактика вредителей, болезней и засухоустойчивость – вот что традиционно поддерживало высокую производительность растений. Однако внедрение ручных методов выявления болезней растений приводит к тому, что мы теряем миллионы тонн пищи на зараженных растениях. Чтобы снизить риск потерь, можно использовать классификацию изображений в искусственном интеллекте для выявления болезней листьев растений томатов и устранения недостатков ручного наблюдения.

Что такое классификация изображений?

Классификация изображений включает в себя обучение искусственного интеллекта (ИИ) тому, как обнаруживать объекты на изображении на основе их уникальных свойств. Алгоритмы глубокого обучения обнаруживают закономерности на изображении и характеристики, которые могут быть уникальными для определенной метки. Мы можем использовать глубокое обучение для выявления различных болезней, поражающих листья помидоров.

Некоторые исследования в этой области

Было проведено несколько исследований с использованием технологий, основанных на искусственном интеллекте. Эти технологии используются для повышения устойчивости растений томата к болезням. «Манприт и др. охарактеризовали семь болезней томатов с точностью 98,8% (Гизем Ирмак и Сайгили, 2020)». Остаточная сеть использовалась для классификации и характеристики этих заболеваний. Эта остаточная сеть построена с использованием архитектуры CNN. Эта сеть обычно известна как ResNet. Рахман и др. (Rahman et al., 2019) спроектировали сеть с точностью 99,25%. Эта сеть используется для определения того, как отличить бактериальные пятна, фитофтороз и пятна сегрегации на изображениях листьев томата. Фуэнтес и др. (Fuentes et al., 2017) использовали три различных типа детекторов. Эти детекторы использовались для дифференциации десяти заболеваний по изображениям листьев томатов. Сверточная нейронная сеть — это один из типов детекторов. Эта сеть состоит из более быстрых регионов. Второй детектор представляет собой сеть сверток. Третий детектор представляет собой многокорпусный искатель с одиночным выстрелом (SSD). Эти индикаторы сочетаются с различными вариантами глубокого извлечения компонентов. Модель обнаружения болезней листьев томатов (ToLeD), предложенная Agarwal et al. — это основанная на CNN технология для классификации десяти инфекций по изображениям листьев томата с точностью 91,2%. Дурмус и др. (Durmus, et al., 2017) с помощью алгоритмов Alex Net и Squeeze Net классифицировали десять инфекций по изображениям листьев помидоров с точностью 95,5%. Хотя инфекционное группирование и идентификация листьев растений широко изучены у помидоров, лишь немногие исследования включают сегментированные изображения листьев из их конкретной среды. Эта функция также имела место в листьях других растений; однако ни в одном исследовании не были сегментированы изображения листьев из их конкретного случая. Поскольку условия освещения могут резко изменить точность изображения, улучшенные методы сегментации могут помочь моделям ИИ сосредоточиться на интересующей области, а не на обстановке.

Применение классификации изображений

Приложения для классификации изображений используются во многих областях, таких как медицинская визуализация, идентификация объектов на спутниковых изображениях, системы управления дорожным движением, обнаружение стоп-сигналов, машинное зрение и многое другое.

Хакатон искусственного интеллекта

Студенты 4-го курса компьютерных наук JKUAT в партнерстве со школой Jenga и Zindi организовали хакатон по искусственному интеллекту, который пройдет с 21 по 25 ноября. Это направлено на демонстрацию навыков и программных решений, которые способствуют достижению Целей устойчивого развития, и общих знаний об искусственном интеллекте для всех, кто желает их приобрести.

Вы можете присоединиться к хакатону, нажав на ссылку ниже. Увидимся там 😜

zindi.africa/соревнования