Компьютерное зрение для наблюдения и учета Pyrenophora teres озимого ячменя

Полный текст

Введение

Краснодарский край занимает лидирующие позиции среди регионов Российской Федерации по возделыванию озимого ячменя (Hordeum vulgare L.). На конец 2023 года валовой сбор ячменя составил 1110 тыс. тонн, уступив по объему лишь Воронежской области, где было намолочено 1356 тыс. тонн^[1]. Посевная площадь озимого ячменя в Краснодарском крае непрерывно растет, достигнув в 2023 году 184 тыс. гектаров, что подчеркивает важность данной культуры для аграрного производства региона. Озимый ячмень играет ключевую роль в экономике края, определяя не только значительную часть сбора зерновых культур, но и формируя основу для кормовой базы животноводства, а также производства продуктов питания.

Успех возделывания данной культуры напрямую зависит от эффективности борьбы с болезнями, в частности с сетчатой пятнистостью листьев, вызываемой грибом Pyrenophora teres Drechs, который является одним из доминантных патогенов в ценозе культуры как на юге России, так и в целом по стране [1]. Сетчатая пятнистость ‒ серьезное заболевание, способное значительно снизить урожайность и качество зерна [2], борьба с ней требует комплексного подхода, включающего как создание и использование устойчивых к болезни сортов, протравливание семян, так и применение современных инструментов фитосанитарного контроля. По этой причине разработка эффективных методов диагностики сетчатой пятнистости приобретает актуальность и высокое практическое значение [3].

Традиционная практика диагностики развития болезней ячменя основана на визуальной оценке и широко используется в сельском хозяйстве, однако имеет ряд определенных ограничений. Визуальная оценка требует от специалиста, лица, принимающего решение, наличия значительного опыта и высокой квалификации, поскольку многие симптомы болезней ячменя могут быть схожими или перекрываться с проявлениями других проблем. Данный уровень экспертизы не всегда доступен, особенно для небольших колхозно-фермерских хозяйств.

Такое положение дел подталкивает к разработке новых, инновационных подходов, основанных на использовании цифровых технологий и искусственного интеллекта, способных произвести оценку развития заболевания без участия человека-эксперта. Дополнительную актуальность использования цифровых решений в процессе производства ячменя и диагностики сетчатой пятнистости придает растущая зависимость аграрной сферы от устойчивых и экологически безопасных подходов, где интеллектуальные технологии могут сыграть ключевую роль в снижении риска развития и распространения этой болезни на посевах озимого ячменя.

Цель исследования – разработка инновационного подхода, позволяющего на основе методов компьютерного зрения выполнить оценку сетчатой пятнистости озимого ячменя по изображению.

Материалы и методы

Для достижения поставленной цели в 2021–2023 гг. на площадках ФГБНУ ФНЦБЗР были выполнены полевые и лабораторные исследования. При проведении экспериментов использованы классические фитопатологические методы и подходы. Идентификация Pyrenophora teres осуществлялась по определителю В. И. Билай [4]. Наработка инокулюма гриба, инокуляция растений в фазу взрослого растения в условиях поля осуществлялись по стандартным методикам [5, 6]. В полевых условиях учет проводился с момента первичного проявления заболевания, последующие учеты – до фазы молочно-восковой спелости зерна с интервалом 10–12 суток. Степень пораженности листьев и других органов сетчатой пятнистостью определялась по шкале Э. Э. Гешеле. Ранжирование сортов по устойчивости к патогену производилось согласно шкале CIMMYT [7].

Фотоснимки пораженных сетчатой пятнистостью листьев получены при искусственном освещении, на белом фоне, под углом 90°, на расстоянии 30–50 см до объекта съемки. Разрешение каждого фотоснимка 1024 на 682 пикселей, формат хранения данных – растровый (png). В общей сложности объем выборки составил 161 изображение.

Чтобы обучить нейронные сети сегментировать пораженные области на листьях, исходные изображения были размечены. Аннотации всех фотоснимков производились вручную (рис. 1).

 

Рис. 1. Исходное изображение из полученной выборки (а) и соответствующие ему размеченные объекты: маска сетчатой пятнистости (б), маска листовой пластины (в)

Fig. 1. The original image from the resulting sample (a) and the corresponding marked objects: net spot mask (b), leaf plate mask (c)

 

Из 161 объекта случайно отбирались 129 пар (изображение и маска) в качестве тренировочного набора и 32 пары в качестве тестового набора для оценки производительности модели.

Результаты и обсуждение

Инновационный подход к оценке развития Pyrenophora teres, обсуждаемый в данной работе, опирается на использование технологии компьютерного зрения. Идея, стоящая за предлагаемым способом, состоит в использовании нейронной сети, которая на основе размеченных данных учится распознавать и сегментировать участки поражения на листовой поверхности без участия человека-эксперта. Модель U-Net, выбранная в качестве сверточной архитектуры для искусственной нейронной сети, отличается своей способностью эффективно функционировать при работе с ограниченным объемом данных, обеспечивая высокую точность в задачах сегментации. Это достигается благодаря внедрению механизма «skip connections», который создает прямые соединения между слоями сжатия и расширения. Такая структура способствует передаче контекстной информации и обеспечивает высокую точность локализации объектов на изображениях, делая U-Net особенно ценной для применения в аграрной сфере, где критически важна точная сегментация на фоне ограниченного объема релевантных данных.

Как показано в [8–10], анализ количественных показателей качества сегментации, изучение динамики снижения функционала потерь, а также визуальное сопоставление результатов моделирования с экспертной разметкой пятнистости подтверждают эффективность прогнозов, выполненных с использованием нейросетевых технологий. Такие прогнозы соответствуют уровню профессиональных оценок, доказывая высокую степень точности и надежности моделирования.

В рамках настоящего исследования был предпринят новый подход, отличающийся от методик, применяемых в предыдущих работах [8–10]. Авторами были разработаны и обучены две сверточные нейронные сети на базе архитектуры U-Net для локализации двух различных областей. Первая модель, обозначенная как M1, была нацелена на выделение всей площади листовой пластины растения от остального фона, тем самым обучаясь распознавать и отделять лист от не связанных с ним элементов. С помощью второй модели M2 производилась более детальная работа по сегментации конкретных участков листа, затронутых очаговыми поражениями, аналогично методике, описанной в исследовании [8] (рис. 2).

 

Рис. 2. Способ определения степени развития сетчатой пятнистости ячменя на основе современных методов компьютерного зрения

Fig. 2. Method for determining the degree of development of net spot barley based on modern computer vision methods

 

После сегментации обеими моделями использовалась программа для подсчета количества пикселей, относящихся к каждому из выделенных сегментов. Этот подход позволил не только точно определить области поражений на листьях, но и численно оценить степень развития болезни, предоставив ценные данные для анализа состояния растений.

Предлагаемый в статье способ представляет собой новаторский подход и может позиционироваться как начальный этап автоматизации процесса оценки степени развития Pyrenophora teres озимого ячменя на основе шкалы CIMMYT.

Среди ключевых преимуществ данного подхода можно выделить следующие.

Точность: использование компьютерного зрения и машинного обучения позволяет точно определить границы пораженных участков, что существенно повышает точность диагностики по сравнению с традиционными визуальными методами.

Объективность: автоматизированный анализ уменьшает человеческий фактор и повышает объективность оценки степени заболевания.

Скорость обработки: процесс анализа изображений может быть выполнен значительно быстрее, чем визуальная оценка специалистом, что важно для своевременного принятия решений в зерновом производстве.

Масштабируемость: метод может быть применен к новым изображениям, позволяя «доучивать» нейросеть и обеспечивая горизонтальную масштабируемость процесса (например, на новых болезнях).

Выводы

В данной работе был предложен инновационный подход к оценке развития Pyrenophora teres озимого ячменя, основанный на технологиях компьютерного зрения (сверточные нейронные сети), позволяющий в режиме реального времени получать количественную оценку без участия фитопатолога. Способ показал значительные преимущества по сравнению с традиционными визуальными методами, среди которых повышенная точность, объективность и скорость. Одной из ключевых перспектив развития этого подхода является переход от контролируемых условий получения изображений к полуконтролируемым и неконтролируемым, что включает в себя адаптацию обученной модели к изменяющимся условиям окружающей среды, таким как освещение, погодные условия и другие факторы, влияющие на качество изображений. Это открывает возможность проведения диагностики в полевых условиях, что существенно ускорит процесс принятия решений и повысит эффективность фитосанитарных мероприятий.

К другому направлению дальнейшего развития можно отнести масштабируемость инструмента на новые виды болезней ячменя, а также другие сельскохозяйственные культуры.

 

¹ Уборка урожая зерновых и зернобобовых по областям РФ на 29 декабря 2023 года. Режим доступа: https://zerno.ru/node/23178

Об авторах

Ирина Владимировна Ариничева

Кубанский государственный аграрный университет им. И. Т. Трубилина

Автор, ответственный за переписку.
Email: loukianova7@mail.ru
ORCID iD: 0000-0002-3331-8731
SPIN-код: 6169-1334

д-р биол. наук, профессор кафедры высшей математики

Россия, 350044, г. Краснодар, ул. Калинина, 13

Галина Владимировна Волкова

Федеральный научный центр биологической защиты растений

Email: galvol.bpp@yandex.ru
ORCID iD: 0000-0002-3696-2610
SPIN-код: 1949-6965

д-р биол. наук, член-корреспондент РАН, заместитель директора по НИР

Россия, 350039, г. Краснодар, ул. ВНИИБЗР, 1

Яна Викторовна Яхник

Федеральный научный центр биологической защиты растений

Email: yahnik1@mail.ru
ORCID iD: 0000-0002-3410-7928
SPIN-код: 7453-5768

науч. сотр. лаборатории иммунитета растений к болезням

Россия, 350039, г. Краснодар, ул. ВНИИБЗР, 1

Игорь Владимирович Ариничев

Кубанский государственный университет

Email: iarinichev@gmail.com
SPIN-код: 7555-6470

канд. экон. наук, доцент кафедры теоретической экономики

Россия, 350040, г. Краснодар, ул. Ставропольская, 149

Список литературы

Дополнительные файлы