HƯỚNG DẪN ứng dụng

AI trong chẩn đoán bệnh cây trồng

Các mô hình hình ảnh bệnh cây trồng phân loại hình ảnh thực vật cho các loại cây trồng và bộ dữ liệu được chỉ định.

Nghe hướng dẫn nàyAI thuật lại · ~2 min

Trên trang nàyĐọc trong 2 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của AI trong chẩn đoán bệnh cây trồng
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

Các chỉ số viễn thám như NDVI cung cấp tín hiệu thực vật; họ không tự mình chẩn đoán mầm bệnh.

Lặn sâu

Mohanty và các đồng nghiệp đã đào tạo một bộ phân loại hình ảnh tích chập bằng cách sử dụng 54.306 hình ảnh của những chiếc lá bị bệnh và khỏe mạnh được thu thập trong các điều kiện được kiểm soát. Bài viết mô tả 14 loài cây trồng và 26 bệnh hoặc không có bệnh; đây không phải là con số gồm 26 nhãn phân loại kết hợp giữa bệnh tật và sức khỏe. Đánh giá của nó đối với hình ảnh từ các nguồn trực tuyến khác nhau hoạt động kém hơn nhiều so với đánh giá dữ liệu được kiểm soát sẵn có của nó, minh họa tại sao việc xác thực cài đặt mục tiêu lại quan trọng. Một nghiên cứu đa phổ riêng biệt đã đo độ phản xạ cận hồng ngoại và cạnh đỏ ở lá cà chua tách rời được tiêm Botrytis cinerea để điều tra bệnh mốc xám tiền triệu chứng. Những quan sát đó không thiết lập được tín hiệu chung cho mọi loại cây trồng và mầm bệnh. USGS định nghĩa NDVI là (NIR − đỏ)/(NIR + đỏ), một chỉ báo về độ xanh hoặc tình trạng của thực vật hơn là chẩn đoán mầm bệnh. Sự thay đổi tên miền có nghĩa là việc phân phối hình ảnh đào tạo và triển khai khác nhau, điều này có thể thay đổi hiệu suất. Học chuyển có thể hữu ích khi các tính năng được huấn luyện trước hữu ích cho hình ảnh mục tiêu, nhưng lợi ích của nó cần được đánh giá. FAO ước tính năng suất cây trồng toàn cầu hàng năm giảm từ 20–40% do sâu bệnh hại cây trồng; đây không phải là ước tính tổn thất cho riêng bệnh tật hay tuyên bố về những gì chẩn đoán dựa trên hình ảnh có thể ngăn ngừa.

Triển khai trong thế giới thực

Mohanty và cộng sự. đánh giá phân loại bệnh cây trồng dựa trên CNN bằng cách sử dụng hình ảnh lá PlantVillage.

Một nghiên cứu về cà chua đa quang phổ đã đo độ phản xạ cận hồng ngoại và cạnh đỏ để điều tra nấm mốc xám tiền triệu chứng trong môi trường lá bị nhiễm bệnh cụ thể.

USGS định nghĩa NDVI sử dụng phản xạ cận hồng ngoại và phản xạ đỏ làm chỉ báo về tình trạng hoặc độ xanh của thực vật.

Học chuyển có thể khởi tạo một mô hình từ quá trình đào tạo hình ảnh trước đó, nhưng lợi ích của nó phụ thuộc vào dữ liệu nhiệm vụ và xác thực.

Tương lai của AI trong chẩn đoán bệnh cây trồng

Đánh giá các mô hình bệnh cây trồng trên cây trồng dự định, mầm bệnh và điều kiện thu nhận. Nghiên cứu có thể kết hợp nhiều hình ảnh đa dạng hơn và các phép đo khác, nhưng các đầu vào bổ sung không tự động cải thiện chẩn đoán. Đo lường lỗi, mức độ bao phủ và hậu quả của cảnh báo bị bỏ sót hoặc không chính xác, đồng thời duy trì đánh giá chất lượng khi dự đoán có thể ảnh hưởng đến quản lý cây trồng.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Xây dựng lựa chọn. Thiết kế cấp ứng dụng xác định liệu AI có cải thiện kết quả thực tế hay không.
  • Nhóm và quy trình làm việc. Tích hợp quy trình làm việc tốt sẽ giúp tăng năng suất mà người dùng có thể tin tưởng.
  • Rủi ro và an toàn. Các trường hợp sử dụng có phạm vi phù hợp giúp giảm bớt sự mệt mỏi khi thay đổi và rủi ro triển khai.

coi chừng

  • Tự động hóa một quy trình bị hỏng có thể khuếch đại các vấn đề hiện có.
  • Các nhóm có thể tự động hóa quá mức và loại bỏ sự phán xét cần thiết của con người.
  • Chất lượng có thể thay đổi nếu kết quả đầu ra không được đánh giá liên tục.

Các bước tiếp theo

  1. Lập sơ đồ quy trình làm việc hiện tại và xác định bước có mức độ ma sát cao nhất.
  2. Xác định các điểm kiểm tra của con người trước khi tự động hóa hoàn toàn.
  3. Đào tạo người dùng về lời nhắc, đường dẫn leo thang và tiêu chuẩn chất lượng.
  4. Theo dõi kết quả ở cấp độ nhiệm vụ để xác nhận giá trị bền vững.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.

Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.

Tự kiểm tra

Làm bài kiểm tra AI trong chẩn đoán bệnh cây trồng

Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.

Bắt đầu bài kiểm tra

Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp

Câu hỏi thường gặp

AI là gì trong chẩn đoán bệnh cây trồng?

Các mô hình hình ảnh bệnh cây trồng phân loại hình ảnh thực vật cho các loại cây trồng và bộ dữ liệu được chỉ định. Các chỉ số viễn thám như NDVI cung cấp tín hiệu thực vật; họ không tự mình chẩn đoán mầm bệnh.

Mohanty et al đã thực hiện phương pháp phân loại hình ảnh nào. đánh giá trên tập dữ liệu hình ảnh lá PlantVillage?

Mohanty và cộng sự. đánh giá CNN trên tập dữ liệu hình ảnh PlantVillage. Đây là bối cảnh nghiên cứu cụ thể và không chứng minh rằng CNN là kiến ​​trúc phổ biến nhất trên tất cả các hệ thống bệnh cây trồng.

Trong một nghiên cứu đa phổ về nấm mốc xám ở lá cà chua, tại sao lại đo được độ phản xạ cận hồng ngoại?

Một nghiên cứu theo thời gian đã đo tia hồng ngoại gần cùng với các dải quang phổ nhìn thấy được trong lá cà chua được tiêm chủng để điều tra việc phát hiện tiền triệu chứng; đây là bằng chứng từ bối cảnh mầm bệnh cây trồng cụ thể, không phải là sự đảm bảo chung.

NDVI biểu thị điều gì khi tính toán từ độ phản xạ màu đỏ và cận hồng ngoại?

USGS mô tả NDVI là một chỉ số bắt nguồn từ độ phản xạ màu đỏ và cận hồng ngoại, có thể biểu thị tình trạng hoặc độ xanh của thảm thực vật. Nó không phải là một chẩn đoán sức khỏe thực vật hoàn chỉnh.

Sự thay đổi tên miền có ý nghĩa gì đối với mô hình hình ảnh cắt xén?

Chuyển đổi miền có nghĩa là dữ liệu đào tạo và triển khai khác nhau về các thuộc tính liên quan như ánh sáng, nền hoặc điều kiện thu nhận. Những khác biệt như vậy có thể thay đổi hiệu suất của mô hình; họ không đảm bảo rằng nó luôn giảm.

Lợi ích tiềm tàng nào mà việc học chuyển giao có thể mang lại khi hình ảnh cắt xén được dán nhãn bị hạn chế?

Học chuyển có thể hữu ích khi các tính năng từ nhiệm vụ nguồn được chuyển sang nhiệm vụ đích. Lợi ích phụ thuộc vào cây trồng, bệnh tật, dữ liệu và sự xác nhận; nó không phải là phổ quát.