Svake godine biljne bolesti uzrokovane bakterijama, virusima i gljivama doprinose velikim ekonomskim gubicima. Pravovremeno otkrivanje ovih bolesti je neophodno za suzbijanje njihovog širenja i ublažavanje štete u poljoprivredi, ali predstavlja veliki izazov, posebno u oblastima velike proizvodnje. Pametni poljoprivredni sistemi koriste nadzor kamerom opremljen modelima veštačke inteligencije (AI) za otkrivanje karakteristika biljnih bolesti, koje se često manifestuju kao promene u morfologiji i izgledu listova.
Međutim, konvencionalne metode klasifikacije slika i prepoznavanja obrazaca izdvajaju karakteristike koje ukazuju na bolesne biljke iz skupa za obuku. Kao rezultat toga, oni imaju nisku interpretabilnost, što znači da je izazovno opisati koje su karakteristike naučene.
Dalje, dobijanje velikih skupova podataka za obuku modela je zamorno. Ručno izrađene karakteristike, koje se biraju na osnovu detektora karakteristika, deskriptora i rečnika koje su dizajnirali stručnjaci, nude izvodljivo rešenje za ovaj problem. Međutim, oni često rezultiraju usvajanjem nebitnih karakteristika, koje smanjuju performanse algoritma.
Na sreću, rešenje je sada na pomolu. Tim naučnika podataka i stručnjaka za biljnu fenomiju iz Kine i Singapura razvio je algoritam inteligencije roja za odabir karakteristika (SSAFS) koji omogućava efikasno otkrivanje bolesti biljaka zasnovano na slici. Oni su izvestili o razvoju i validaciji ovog algoritma u svojoj nedavnoj studiji objavljenoj u Plant Phenomics.
Objašnjavajući prednosti uvođenja SSAFS-a, odgovarajući autor ove studije, prof. Zhivei Ji, komentariše: „SSAFS ne samo da značajno smanjuje broj karakteristika, već i značajno poboljšava tačnost klasifikacije.“
Studija je koristila kombinaciju dva principa: fenomena visoke propusnosti, kroz koje se osobine biljaka kao što je ozbiljnost bolesti mogu analizirati u velikoj meri, i kompjuterski vid, u kojem se izdvajaju karakteristike slike koje predstavljaju specifično stanje. Koristeći SSAFS i skup biljnih slika, istraživači su identifikovali „optimalni podskup“ biljnih bolesti.
Ovaj podskup obuhvatao je listu samo karakteristika visokog prioriteta koje bi mogle uspešno klasifikovati biljku kao bolesnu ili zdravu i dalje proceniti ozbiljnost bolesti. Efikasnost SSAFS-a je testirana u četiri UCI skupa podataka i šest skupova podataka o fenomenu biljaka. Ovi skupovi podataka su takođe korišćeni za upoređivanje performansi SSAFS-a sa performansama pet drugih sličnih algoritama inteligencije rojeva.
Nalazi pokazuju da SSAFS dobro radi i u otkrivanju bolesti biljaka i u proceni ozbiljnosti. Zaista, nadmašio je postojeće najsavremenije algoritme u identifikaciji najvrednijih karakteristika ručno izrađenih slika. Zanimljivo je da je većina ovih karakteristika povezanih sa bolešću bila lokalna—tj. uključivala su različite obrasce ili strukture, kao što su tačke, ivice i mrlje, koje se često primećuju kod obolelih biljaka.
Sve u svemu, ovaj algoritam je dragocen alat za dobijanje optimalne kombinacije karakteristika ručno izrađenih slika koje ukazuju na biljne bolesti. Njegovo usvajanje bi moglo značajno poboljšati tačnost prepoznavanja bolesti biljaka i smanjiti potrebno trajanje obrade.
Na pitanje o budućim implikacijama njihove studije, prof. Ji komentariše: „Jedan od ključnih doprinosa ovog rada fenomenu biljaka je definicija ručno izrađenih karakteristika i preciznog ekrana relevantnih karakteristika kroz novi računarski pristup. Predlažemo da kombinujemo sveobuhvatne ručno izrađene i neobrađene karakteristike biljnih slika za tačno i efikasno otkrivanje u oblasti fenomena.“
