Оценка степени поражения растений болезнями методами компьютерного зрения

Представлены результаты первого этапа исследования в рамках диссертационной работы «Исследование методов и алгоритмов компьютерного зрения в области выявления болезней растений». Проведен анализ работ, связанных с автоматической оценкой степени поражения растений болезнями. Установлено, что для решения задач в данной области перспективными методами являются сверточные нейронные сети, которые в настоящее время по точности превосходят классические методы компьютерного зрения. Для оценки степени поражения используются классификационные и сегментационные архитектуры сверточных нейронных сетей. При этом, классификационные архитектуры способны учитывать визуальные особенности признаков болезней на разных стадиях заболевания, но с их помощью нельзя получить информацию о фактической площади поражения. Решения, основанные на сегментационных архитектурах, позволяют получить информацию о площади поражения, но не проводят градацию степени поражения по видимым признакам болезни. На основании проведенного анализа существующих работ, основанных на применении сверточных нейронных сетей и вариантов их использования, определена цель настоящего исследования: разработать автоматическую систему, способную определять площадь поражения, а также учитывать визуальные особенности признаков заболевания и тип иммунологической реакции растения на разных стадиях развития. Планируется построить систему на основе сегментационной архитектуры сверточной нейронной сети, которая будет производить мультиклассовую сегментацию изображений. Такая сеть способна разделять пиксели изображения на несколько классов: фон, здоровая область листа, пораженная область листа. В свою очередь класс «пораженная область» будет включать в себя несколько подклассов, соответствующих визуальным особенностям заболевания на разных стадиях развития.

1. Zhang N., Yang G., Pan Y., Yang X., Chen L., Zhao C. A review of advanced technologies and development for hyperspectral-based plant disease detection in the past three decades // Remote Sensing. 2020. Vol. 12 (19). P. 3188. DOI: 10.3390/rs12193188.

2. Методы фитосанитарного мониторинга и прогноза: монография. СПб.: ВИЗР РАСХН, 2013. 128 с.

3. Попова Л.И. Своевременный мониторинг – основа успешной защиты растений // Защита и карантин растений. 2018. № 4. С. 8–10.

4. Singh A.K., Ganapathysubramanian B., Sarkar S., Singh A. Deep Learning for Plant Stress Phenotyping: Trends and Future Perspectives // Trends in Plant Science. 2018. Vol. 23(10). P. 883–898. DOI: 10.1016/j.tplants.2018.07.004.

5. Singh A., Ganapathysubramanian B., Singh A.K., Sarkar, S. Machine Learning for High-Throughput Stress Phenotyping in Plants // Trends in Plant Science. 2015. Vol. 21(2). P. 110–124. DOI: 10.1016/j.tplants.2015.10.015.

6. Barbedo J.G.A. A review on the main challenges in automatic plant disease identification based on visible range images // Biosystems Engineering. 2016. Vol. 144. P. 52–60. DOI: 10.1016/j.biosystemseng.2016.01.017.

7. Saleem M.H., Potgieter J., Arif K.M. Plant Disease Detection and Classification by Deep Learning // Plants. 2019. Vol. 8(11). DOI: 10.3390/plants8110468.

8. Guo Y., Liu Y., Oerlemans A., Lao S., Wu S., Lew M.S. Deep learning for visual understanding: A review // Neurocomputing. 2016. Vol. 187. P. 27–48. DOI: 10.1016/j.neucom.2015.09.116.

9. Liang Q., Xiang S., Hu Y., Coppola G., Zhang D., Sun W. PD2SE-Net: Computer-assisted plant disease diagnosis and severity estimation network // Computers and Electronics in Agriculture. 2019. Vol. 157. P. 518–529. DOI: 10.1016/j.compag.2019.01.034.

10. Wang G., Sun Y., Wang J. Automatic ImageBased Plant Disease Severity Estimation Using Deep Learning // Computational Intelligence and Neuroscience. 2017. Vol. 2017. DOI: 10.1155/2017/2917536.

11. Picon A., Alvarez-Gila A., Seitz M., OrtizBarredo A., Echazarra J., Johannes A. Deep convolutional neural networks for mobile capture device-based crop disease classification in the wild // Computers and Electronics in Agriculture. 2019. Vol. 161. P. 280–290. DOI: 10.1016/j.compag.2018.04.002.

12. Fang T., Chen P., Zhang J., Bing W. Crop leaf disease grade identification based on an improved convolutional neural network // Journal of Electronic Imaging. 2020. Vol. 29. N 1. DOI: 10.1117/1.JEI.29.1.013004.

13. Su W.-H., Zhang J., Yang C., Page R., Szinyei T., Hirsch C.D., Steffenson B.J. Automatic Evaluation of Wheat Resistance to Fusarium Head Blight Using Dual Mask-RCNN Deep Learning Frameworks in Computer Vision // Remote Sens. 2021. Vol. 13(1). DOI: 10.3390/rs13010026.

14. Lin K., Gong L., Huang Y., Liu C., Pan J. Deep Learning-Based Segmentation and Quantification of Cucumber Powdery Mildew Using Convolutional Neural Network // Frontiers in Plant Science. 2019. Vol 10. DOI: 10.3389/fpls.2019.00155.

15. Hafiz A.M., Bhat G.M. A survey on instance segmentation: state of the art // International Journal of Multimedia Information Retrieval. 2020. Vol. 9. P. 171–189. DOI: 10.1007/s13735-020-00195-x.