Il prossimoProssima guida
L'intelligenza artificiale nella previsione della resa dei raccolti
Applicazioni
GUIDA alle applicazioni
I modelli di immagini di malattie delle colture classificano le immagini delle piante per colture e set di dati specifici.
Ascolta questa guidaNarrato dall'IA · ~2 min
Gli indici di telerilevamento come l'NDVI forniscono segnali di vegetazione; non diagnosticano da soli un patogeno.
Mohanty and colleagues trained a convolutional image classifier using 54,306 images of diseased and healthy leaves collected under controlled conditions. The paper describes 14 crop species and 26 diseases or their absence; this is not a count of 26 combined disease-and-healthy classification labels. Its evaluation on images from different online sources performed much worse than its held-out controlled-data evaluation, illustrating why target-setting validation matters. A separate multispectral study measured near-infrared and red-edge reflectance in detached tomato leaves inoculated with Botrytis cinerea to investigate presymptomatic gray mold. Those observations do not establish a universal signal for every crop and pathogen. USGS defines NDVI as (NIR − red)/(NIR + red), an indicator of vegetation greenness or condition rather than a pathogen diagnosis. Domain shift means training and deployment image distributions differ, which can change performance. Transfer learning may help when pretrained features are useful for the target images, but its benefit requires evaluation. FAO estimates annual global crop-yield reductions of 20–40 percent from plant pests and diseases together; this is not a loss estimate for diseases alone or a claim about what image-based diagnosis can prevent.
Mohanty et al. hanno valutato la classificazione delle malattie delle colture basata su CNN usando immagini di foglie di PlantVillage.
Uno studio multispettrale sul pomodoro ha misurato la riflettanza nel vicino infrarosso e nel red‑edge per investigare la muffa grigia presintomatica in un contesto specifico di foglia inoculata.
L'USGS definisce l'NDVI usando la riflettanza nel vicino infrarosso e nel rosso come indicatore di verdezza o condizione della vegetazione.
Il transfer learning può inizializzare un modello da un addestramento di immagini precedente, ma il suo beneficio dipende dai dati del compito e dalla validazione.
Valuta i modelli di malattia delle colture sui raccolti, patogeni e condizioni di acquisizione previsti. La ricerca potrebbe combinare immagini più varie e altre misurazioni, ma input aggiuntivi non migliorano automaticamente la diagnosi. Misura errori, copertura e le conseguenze di allarmi mancati o errati, e mantieni una revisione qualificata quando una previsione potrebbe influenzare la gestione delle colture.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
I modelli di immagini di malattia delle colture classificano le immagini delle piante per colture e set di dati specifici. Gli indici di telerilevamento come NDVI forniscono segnali di vegetazione; non diagnosticano un patogeno da soli.
Mohanty et al. hanno valutato le CNN sul dataset di immagini PlantVillage. Questo è un contesto di ricerca specifico e non stabilisce che le CNN siano l'architettura più comune in tutti i sistemi di malattie delle colture.
Uno studio a tempo di corso ha misurato il vicino infrarosso insieme alle bande spettrali visibili in foglie di pomodoro inoculate per investigare la rilevazione presintomatica; questa è un'evidenza da un contesto specifico coltura-patogeno, non una garanzia universale.
L'USGS descrive l'NDVI come un indice derivato dalla riflettanza rossa e del vicino infrarosso che può indicare la verdhezza o lo stato della vegetazione. Non è una diagnosi completa della salute della pianta.
Lo spostamento di dominio significa che i dati di addestramento e di distribuzione differiscono in proprietà rilevanti come illuminazione, sfondo o condizioni di acquisizione. Tali differenze possono modificare le prestazioni del modello; non garantiscono che esse diminuiscano sempre.
Il transfer learning può aiutare quando le caratteristiche del compito sorgente si trasferiscono al compito target. Il beneficio dipende da coltura, malattia, dati e validazione; non è universale.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
L'intelligenza artificiale nella previsione della resa dei raccolti
Applicazioni