À suivreGuide suivant
L’IA dans la prévision des rendements des cultures
Applications
GUIDE DES APPLICATIONS
L'IA dans le diagnostic des maladies des cultures
Les modèles d’images de cultures et de maladies classent les images végétales pour des cultures et des ensembles de données spécifiés.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
Les indices de télédétection tels que le NDVI fournissent des signaux sur la végétation ; ils ne diagnostiquent pas eux-mêmes un agent pathogène.
Plongée profonde
Mohanty et ses collègues ont formé un classificateur d'images convolutif en utilisant 54 306 images de feuilles malades et saines collectées dans des conditions contrôlées. Le document décrit 14 espèces de cultures et 26 maladies ou leur absence ; il ne s’agit pas d’un décompte de 26 étiquettes de classification combinées maladie et santé. Son évaluation sur des images provenant de différentes sources en ligne a donné des résultats bien pires que son évaluation de données contrôlées, illustrant l'importance de la validation de l'établissement d'objectifs. Une étude multispectrale distincte a mesuré la réflectance du proche infrarouge et du bord rouge dans des feuilles de tomates détachées inoculées avec Botrytis cinerea pour étudier la moisissure grise présymptomatique. Ces observations n’établissent pas un signal universel pour chaque culture et chaque agent pathogène. L'USGS définit le NDVI comme (NIR − rouge)/(NIR + rouge), un indicateur de la verdure ou de l'état de la végétation plutôt qu'un diagnostic d'agent pathogène. Le changement de domaine signifie que les distributions des images de formation et de déploiement diffèrent, ce qui peut modifier les performances. L'apprentissage par transfert peut être utile lorsque les fonctionnalités pré-entraînées sont utiles pour les images cibles, mais son avantage nécessite une évaluation. La FAO estime que les réductions annuelles des rendements agricoles mondiaux sont de 20 à 40 pour cent dues ensemble aux ravageurs et aux maladies des plantes ; il ne s’agit pas d’une estimation des pertes liées aux maladies uniquement ni d’une affirmation sur ce que le diagnostic basé sur l’image peut prévenir.
Mise en œuvre dans le monde réel
Mohanty et coll. évalué la classification des maladies des cultures basée sur CNN à l'aide d'images de feuilles de PlantVillage.
Une étude multispectrale sur la tomate a mesuré la réflectance du proche infrarouge et du bord rouge pour étudier la moisissure grise présymptomatique dans un environnement de feuilles inoculées spécifique.
L'USGS définit le NDVI en utilisant la réflectance proche infrarouge et rouge comme indicateur de la verdure ou de l'état de la végétation.
L'apprentissage par transfert peut initialiser un modèle à partir d'une formation d'image antérieure, mais son avantage dépend des données de la tâche et de sa validation.
L'avenir de l'IA dans le diagnostic des maladies des cultures
Évaluer les modèles de maladies des cultures sur les cultures prévues, les agents pathogènes et les conditions d'acquisition. La recherche pourrait combiner des images plus variées et d’autres mesures, mais des données supplémentaires n’améliorent pas automatiquement le diagnostic. Mesurez les erreurs, la couverture et les conséquences des alertes manquées ou incorrectes, et conservez un avis qualifié lorsqu'une prédiction pourrait affecter la gestion des cultures.
Le mettre en pratique
Pourquoi c'est important
- Choix de construction. La conception au niveau de l’application détermine si l’IA améliore les résultats réels.
- Équipe et flux de travail. Une bonne intégration des flux de travail crée des gains de productivité sur lesquels les utilisateurs peuvent compter.
- Risques et sécurité. Des cas d’utilisation bien ciblés réduisent la lassitude face au changement et les risques de mise en œuvre.
Attention à
- L'automatisation d'un processus interrompu peut amplifier les problèmes existants.
- Les équipes peuvent sur-automatiser et supprimer le jugement humain nécessaire.
- La qualité peut dériver si les résultats ne sont pas évalués en permanence.
Prochaines étapes
- Cartographiez le flux de travail actuel et identifiez l’étape la plus problématique.
- Définissez des points de contrôle humains avant une automatisation complète.
- Formez les utilisateurs aux invites, aux voies d’escalade et aux normes de qualité.
- Suivez les résultats au niveau des tâches pour confirmer la valeur durable.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the AI in Crop Disease Diagnosis quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
Qu’est-ce que l’IA dans le diagnostic des maladies des cultures ?
Les modèles d’images de cultures et de maladies classent les images végétales pour des cultures et des ensembles de données spécifiés. Les indices de télédétection tels que le NDVI fournissent des signaux sur la végétation ; ils ne diagnostiquent pas eux-mêmes un agent pathogène.
Quelle approche de classification d'images Mohanty et al. évaluer sur l'ensemble de données d'images de feuilles PlantVillage ?
Mohanty et coll. évalué les CNN sur l'ensemble de données d'images PlantVillage. Il s’agit d’un contexte de recherche spécifique et n’établit pas que les CNN constituent l’architecture la plus courante dans tous les systèmes de maladies des cultures.
Dans une étude multispectrale de la pourriture grise dans les feuilles de tomate, pourquoi la réflectance proche infrarouge a-t-elle été mesurée ?
Une étude temporelle a mesuré le proche infrarouge ainsi que les bandes spectrales visibles dans les feuilles de tomates inoculées pour étudier la détection présymptomatique ; il s’agit d’une preuve provenant d’un contexte spécifique de pathogènes de culture, et non d’une garantie universelle.
Qu'indique le NDVI lorsqu'il est calculé à partir de la réflectance rouge et proche infrarouge ?
L'USGS décrit le NDVI comme un indice dérivé de la réflectance rouge et proche infrarouge qui peut indiquer la verdure ou l'état de la végétation. Il ne s’agit pas d’un diagnostic phytosanitaire complet.
Que signifie le changement de domaine pour un modèle d'image de recadrage ?
Le changement de domaine signifie que les données de formation et de déploiement diffèrent dans des propriétés pertinentes telles que l'éclairage, l'arrière-plan ou les conditions d'acquisition. De telles différences peuvent modifier les performances du modèle ; ils ne garantissent pas qu'il diminue toujours.
Quel avantage potentiel l’apprentissage par transfert peut-il offrir lorsque les images de cultures étiquetées sont limitées ?
L'apprentissage par transfert peut être utile lorsque les fonctionnalités de la tâche source sont transférées vers la tâche cible. Le bénéfice dépend de la culture, de la maladie, des données et de la validation ; ce n'est pas universel.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet