Site Loader

Содержание

Определить болезни растений по листьям фото

Если вы когда-нибудь вели огород, то знаете о том, что растения могут подвергаться заболеваниям. Паразиты, которые поражают плодово-овощные культуры, могут лишить всего урожая. И это ещё ничего страшного, если речь идёт об одном огороде. Становится гораздо хуже, когда масштаб поражения увеличивается, и погибают целые поля урожая. В результате аграрии теряют большую долю дохода, а часть населения недополучает необходимых продуктов, так как стоимость на них повышается. По оценкам экспертов 30% гибели урожая от паразитов является нормой. Можно представить насколько губительны для урожая заболевания, когда показатели выходят за пределы нормы.

Поэтому, если растение вдруг заболело, гораздо менее болезным для урожая будет ранее обнаружение этого факта. И самые первые признаки заболевания появляются на листочках. И именно по ним можно судить об актуальном состоянии здоровья. В этой статье мы расскажем о том, каким образом выявить точную болезнь вашего растения по фотографии его листьев, анализируя главные индикаторы здоровья.

Plantix — лучшее приложение для определения болезни растений

Приложениями, которые по фотографии могут определить, что на ней запечатлено и дать этому предмету детальное описание, уже никого не удивишь. Такие есть и для идентификации растений, животных, пищи и многого другого. Но задача разработчика значительно затрудняется, когда необходимо обучить приложения определять заболевание, анализируя лишь небольшие дефекты листьев растения.

Вам будет интересно: Определить растение по фото онлайн.

На данный момент есть лишь одно такое приложение, и называется оно Plantix. Приложение умеет определять около 60 видов распространённых заболеваний у более чем 30 видов культур. При этом оно постоянно развивается и улучшается, база дополняется новыми данными. Plantix работает на основе машинного обучения, это значит, что чем большее количество фото пользователи в него загружаются, тем более точно оно сможет определять заболевание растений.

Plantix разработан специалистами из Германии, и релиз был организован в странах Центральной Европы. А, так как заболеваемость растения изменяется в зависимости от географии и климата, приложение будет идеально работать именно в странах Центральной Европы. Но это не значит, что в других климатических поясах его нельзя будет использовать — можно, но с меньшим эффектом. Но со временем этот недостаток будет устранён. Так, в данный момент Plantix обучился уже работать также и в регионах Южной Азии.

Чтобы начать пользоваться приложением:

  1. Скачайте Plantix на устройство под управлением Android по этой ссылке. Обратите внимание, что в некоторых регионах приложение может быть недоступно для скачивания. В этом случае вы можете скачать его с помощью Proxy или VPN сервисов.
  2. После установки запустите приложение и выберите язык интерфейса. Если вы не владеете ни одним из приведённых в списке языком, то выберите английский — он универсальный. Русского языка пока нет. После выбора нажмите «Accept«.
  3. Затем вы можете познакомиться с простой презентацией работы приложения или сразу нажать «Get Started«.
  4. Нажмите «Allow» и этим самым вы позволите приложению определять ваше метаположение. Это даст возможность более точно идентифицировать заболевание растения, так как оно зависит от географии.

    Разрешите приложению определить ваше местоположение

  5. Может появиться дополнительный запрос, в котором тоже следует разрешить. Внешний вид и наличие этого уведомления зависят от вашего устройства.
  6. Затем вам нужно выбрать из списка растения, те которые вам вам интересны в данный момент. Среди базы растений, которые вы выберите, приложение будет искать. Можно выбрать до восьми растений одновременно.
  7. После выбора нажмите «Next«. Обратите внимание, что в настоящий момент приложение работает лишь с урожайными растениями, но в будущем скорее всего будут и другие.
  8. На следующей странице вам нужно выбрать ваш статус. Эти данные будут отправлены разработчикам, чтобы они понимали, кто чаще всего пользуется их приложением. Первый вариант — «Я выращиваю урожай в домашнем саду«, второй — «Я выращиваю урожай на поле» и третий — «Я выращиваю урожай в горшках«.
  9. Выберите любой вариант, который вам больше всего подходит и нажмите «Continue«.
  10. Теперь вы окажетесь в интерфейсе приложения. Здесь в верхней вкладке будут растения, которые вы выбрали в начале, и нажав на иконку в виде карандаша, вы сможете отредактировать свой выбор в будущем.
  11. Переключаясь между верхними вкладками, вы можете открывать калькулятор удобрений, список известных болезней и вредителей, и советы по выращиванию для той или иной культуры.
  12. В верхней вкладке выберите нужную культуру и нажмите «Take a picture«, чтобы загрузить изображение с заболевшим листом растения. Фото можно как загрузить из галереи устройства, так и сфотографировать.
  13. После загрузки картинки нажмите на галочку и изображение отправится на анализ, который займёт несколько секунд. На скриншоте ниже в Plantix было загружено фото больного листа арбуза.
  14. После анализа вы увидите описание заболевания, симптомы, рекомендации по профилактике и лечению. Также будут показаны дополнительные фото с этой болезнью, которые позволят вам методом сравнения понять, правильно ли был совершён анализ.

Итак, Plantix — очень функциональное и полезное приложение, но главный его недостаток — это отсутствие русского языка и недоступность в некоторых климатических регионах, которые со временем скорее всего будет устранены. Но, так как это единственный подобный инструмент, приходиться мириться со всеми недостатками. В целом приложение отлично поможет определить любую болезнь вашего домашнего растения, если загрузить в него фото листьев.

как с ними бороться? Почему сохнут кончики листьев? Лечение цветов от мучнистой росы и черных точек

Большинство болезней, характерных для комнатных растений, возникает из-за неправильного или недостаточного ухода за культурами. Поэтому для успешного создания домашнего сада необходимо не только знать, как их лечить, но и почему они заболевают.

Причины развития заболеваний

Домашние комнатные растения разных сортов, как правило, заболевают вследствие влияния одних и тех же факторов. Крайне важно отслеживать кислотность земли, а также количество питательных веществ, находящихся в грунте, так как вредным может оказаться как их избыток, так и недостаток. К примеру, практически всегда при малом содержании полезных элементов происходит замедление роста культуры, опадание листовых пластин и ухудшение внешнего вида цветков. Не менее знаковым фактором является и температура в комнате, где располагается растение. И слишком высокие, и слишком низкие градусы провоцируют закручивание листков.

При неправильном освещении может ухудшаться состояние всех частей кустарника: стебли утончаются, листки засыхают, а цветки прекращают своё развитие. Безусловно, крайне важен полив – избыток влаги очень часто приводит к загниванию корневой системы, в то время как недостаток жидкости объясняет, почему листья желтеют. Причиной ухудшения состояния зелёного любимца могут оказаться и препараты, применяемые для уничтожения насекомых.

В целом любое заболевание может быть вызвано как отдельными факторами, так и их комбинацией.

Если говорить о мучнистой росе, то часто она провоцируется либо неправильным, либо нерегулярным орошением, в результате которого жидкость остаётся на листовых пластинках или же скапливается возле корней. Кроме того, всему виной может оказаться повышенная температура в помещении, сопровождающаяся избыточной влажностью. Обычно такая ситуация возникает летом, но возможна и в холодное время года, если в квартире наблюдаются температурные перепады. Листовые пластины засыхают во многих случаях. Такое изменение может быть вызвано использованием жёсткой воды, неправильным орошением, изменением концентрации питательных веществ в грунте, воздействием прямых солнечных лучей или даже слишком тесным для корней контейнером.

К появлению мучнистой росы приводит одновременное повышение температуры и влажности. Помимо этого, причиной может оказаться неправильный уход либо же атака вредителей. Часто именно растение с ослабленным от насекомых иммунитетом становится «мишенью» для грибкового заболевания.

В принципе, мучнистая роса может возникнуть, если в грунт поступит избыточное количество азотных удобрений либо же содержание кальция в земле станет критически малым.

Вирусные инфекции

К сожалению, практически во всех случаях бороться с вирусным заболеванием дома просто невозможно – заболевшее растение приходится уничтожать. Если этого не сделать, инфекция перекинется на зелёных «соседей». К наиболее распространённым вирусным заболеваниям относятся мозаика и желтуха.

Симптомы

При заболевании мозаикой растение выглядит следующим образом: его листовые пластины покрываются разноцветными пятнами отличающихся размеров. В принципе, это заболевание не слишком вредит растению, но значительно портит его внешний вид. Желтуха же является гораздо более опасной инфекцией. Описание симптомов говорит, что растения быстро вянут, затем останавливаются их рост и развитие, а заканчивается всё гибелью.

Не совсем к вирусным, а, скорее, к грибковым заболеваниям относится ржавчина. Выявить данную болезнь довольно просто – поверхность листовой пластины покрывается тёмными ржавыми пятнами, иногда также красными или жёлтыми. На обратной стороне листа можно обнаружить небольшие бугорки, напоминающие бородавки. С течением времени отдельные бурые пятна перерастают в полосы, а сами листки желтеют, подсыхают и опадают.

Способы лечения

Вылечить желтуху невозможно, поэтому заболевшее растение придётся сразу же уничтожить, не забыв о последующей замене земли в горшках. Растение, заболевшее ржавчиной, лечить также не рекомендуется – лучше сразу же устранить «больного». Однако если культура дорогая или редкая, то можно попробовать удалить только поражённые ветви и листки, после чего обработать куст подходящим фунгицидом. К примеру, это может быть медный купорос, 10 граммов которого разводятся в литре жидкости. Опрыскивание следует повторить ещё пару-тройку раз дней приблизительно через 10 дней. Подойдёт и «Фундазол», в инструкции к которому указано, что 1 грамм вещества разводится в литре воды.

Ещё одним действенным способом лечения считается смесь столовой ложки соды, чайной ложки средства для мытья посуды, столовой ложки растительного масла и толчёного аспирина, которые разводятся в 4 литрах воды. Опрыскивать получившимся раствором следует раз в неделю.

Необходимо добавить, что гораздо правильней станет уделить внимание профилактическим мероприятиям, чем долго и сложно лечить растение. Так как заболевание появляется из-за нарушений режима полива или же высокой влажности, организация правильного ухода является крайне важной.

Кроме того, инфекция часто попадает вместе с садовым грунтом, поэтому перед использованием его следует соответствующе обрабатывать.

Бактериальные болезни

Наиболее распространёнными бактериальными заболеваниями являются разнообразные гнили, увядание, пятнистость и бактериальный рак. Гнилостные процессы чаще всего возникают из-за избыточной влажности или чрезмерной концентрации азота, присутствующего в почве.

Признаки

Пятнистость растения можно определить благодаря присутствию омертвевших частей листовых пластин. Появляющиеся пятна обладают чёткими границами. При бактериальном раке на побегах и корнях появляются опухолеобразные наросты, которые постепенно уничтожают культуру. Мучнистая роса на первых этапах проявляется в виде белых пятен пыли или муки небольшого размера, появляющихся с обеих сторон листа. Сначала их получится просто стереть рукой, но затем пятна появятся снова, сменят оттенок на серый и даже уплотнятся. Когда плотная грибница окрасится в бурый цвет, растение вряд ли можно будет спасти – листовые пластины засохнут, цветки осыпятся, а сам кустарник прекратит развиваться. Температура воздуха от 15 до 26 градусов тепла, сопровождающаяся влажностью на уровне 60–80%, только ускорит этот процесс.

Серую гниль можно определить по возникновению пушка сероватого оттенка, располагающегося на стебле культуры. При отсутствии своевременных мер болезнь распространяется на листовые пластины, цветки и плоды. Отдельные пятнышки со временем разрастаются до полноценных колец, опоясывающих стебель, а все побеги, находящиеся выше, погибают. Необходимо добавить, что своим внешним видом серая гниль напоминает пыль или грязную рыхлую вату. Симптомы болезни усиливаются при температурном режиме от 17 до 25 градусов тепла, а также повышенной влажности.

Корневая гниль начинает своё разрушительное действие с корней, поэтому оперативно обнаружить проблему не всегда представляется возможным. Довольно часто листки даже не успевают пожелтеть, так как корни и низ побега быстро сгнивают. Фитофтороз является наиболее часто встречающейся разновидностью корневой гнили. Поражённая культура замедляется в развитии, затем пропадает цвет листовых пластин и, наконец, всё завершается загниванием корневой системы.

При повышенной плотности листков они могут избежать увядания, зато покрыться крупными коричневыми пятнами, идущими от центра.

Меры борьбы

Считается, что большинство растений, подверженных бактериальным заболеваниям, можно реанимировать, если своевременно скорректировать уход. К примеру, если корневая система начинает гнить, возникает это из-за неправильных условий орошения, а значит, достаточно будет уменьшить количество жидкости и скорректировать процесс. Если же растение полностью подвержено бактериальной болезни, то, скорее всего, его придётся уничтожить.

Мучнистая роса требует надлежащих профилактических мер. Во-первых, раза три-четыре за вегетативный период требуется опрыскивать растение серой. Во-вторых, важно уменьшить внесение азотистых удобрений, особенно в период формирования бутонов, зато увеличить концентрацию калийно-фосфорных составов. В-третьих, важным профилактическим средством являются проветривания, проводимые регулярно, но не допускающие холодных сквозняков. Дополнительно можно опрыскивать кустарник молочной сывороткой, применение которой требует разведения водой в пропорции 1 к 3. Такая процедура повторяется дважды через промежуток, равный двум неделям. Из фунгицидов, используемых для лечения культуры, специалисты рекомендуют выбирать «Топаз», «Чистоцвет» и «Скор».

Безопасным является использование комбинации кальцинированной соды и медного купороса. Для приготовления раствора потребуется взять литр чистой воды и развести в нём 10 граммов кальцинированной соды вместе с 2 граммами хозяйственного мыла. Далее, в другой ёмкости по инструкции разводится ровно 2 грамма медного купороса. Содовый и медный растворы объединяются, после чего разбавляются чистой водой, чтобы сформировалось 2 литра профилактического средства. Можно также задействовать йод, миллилитр которого разводится в литре воды.

Для профилактики серой гнили достаточно будет вовремя проветривать помещение, дезинфицировать используемую почвосмесь, обеспечивать требуемый световой режим и вовремя удалять засохшие части кустарника. Важно не допускать переувлажнения почвы, особенно в то время, когда комнатные цветы выставляются на балкон. Если растение уже заболело, то повреждённые цветки и листья необходимо сразу обрезать, а места среза присыпать толчёным древесным углем, измельчённой таблеткой активированного угля или древесной золой. Подойдёт также паста, представляющая собой смесь небольшого количества «Триходермина» и чистой воды. При сильном поражении куст раз в неделю обрабатывается «Фундазолом», одним из фунгицидов либо же смесью медного купороса и мыльного раствора.

Чтобы избежать заражения фитофторозом, необходимо ещё на этапе посадки подготовить правильную почвосмесь с достаточным количеством дренирующих материалов. Специалисты не рекомендуют использовать речной песок мелкой фракции, так как он во время орошения обладает свойством цементировать землю. Камешки, выбранные для дренажа, не должны превышать длины 3–4 миллиметра. Кроме того, почва всегда должна иметь возможность просыхать до следующего полива, согласно требованиям, свойственным тому или иному сорту.

Лечение фитофтороза бесполезно, если большая часть корней уже загнила, а побеги повяли. В том случае, когда кустарник только начал увядать, а почва в горшке сырая, то его срочно необходимо извлечь из контейнера. Корневая система промывается и освобождается от загнивших участков, после чего здоровые корни на несколько минут замачиваются в растворе фунгицида.

Вредители

Комнатные растения подвергаются воздействию многочисленных вредителей. Цикламеновый клещ выглядит так же, как и обычный, но обладает меньшим размером. В результате его воздействия увядают цветы, закручиваются стебли и края листков, а также замедляется общее развитие культуры. Определить нашествие насекомых можно по «пыли», покрывающей нижнюю поверхность листовых пластин. Избавиться от проблемы можно, если регулярно проводить опрыскивание инсектицидами, а также устранять повреждённые листки.

Грибные комарики наносят вред корневой системе кустарника и появляются в результате повышенной влажности почвосмеси. Для того чтобы остановить нашествие насекомых, необходимо отменить полив суток на 5, а также опрыскать растение «Мухоедом».

Мучнистый червец потребляет листовой сок, в результате чего пластины начинают деформироваться и усыхать. Более того, липкие выделения этих вредителей привлекают муравьёв, после чего на культуре образуются плесневые грибы. Если насекомые оккупировали небольшую часть растения, то можно попытаться протереть зоны мыльным раствором, нанесённым на ватку.

Кроме того, для борьбы с ними готовят раствор табака или чеснока, либо же приобретают раствор календулы, «Метафос» или «Актеллик».

Белокрылки, выглядящие как мелкие мотыльки, откладывают на комнатных растениях яйца, напоминающие своим внешним видом серые крупинки. Через какое-то время на поверхности появляются белые пятна, а затем сам листок желтеет и засыхает. Справиться с вредителями поможет однопроцентный раствор зелёного мыла, используемый для регулярной обработки листьев, либо же настой чеснока.

Тля питается жидкостями растения и оставляет после себя капли, привлекающие муравьёв. Справиться с насекомым сможет только подходящий инсектицид, используемый для обработки посадок.

Если на внутренней поверхности листков появились жёлтые пятна, то, возможно, речь идёт о паутинном клеще. Через какое-то время повреждённая пластина опадёт, а сам кустарник окутается паутиной. Для ликвидации проблемы специалисты используют препарат «Деррис».

Обнаружение на нижней стороне листа маленьких чёрных или коричневых точек может сигнализировать о появлении щитовок, употребляющих сок растений. Вредителей необходимо собрать механическим образом, а само растение обработать раствором хозяйственного мыла или же пивом.

Кстати, отдельно следует упомянуть про чернь – грибок, возникающий из-за липкого следа, оставленного вредителями. Заболевание выглядит как тёмный плотный налёт, который не уничтожает растение, но портит внешний вид и мешает необходимому воздействию солнечных лучей. Чёрный налёт можно просто счищать механическим образом при помощи мокрой тряпки и тёплой воды.

Почему сохнут кончики листьев?

Когда у комнатных растений засыхают концы листков, всему виной чаще всего оказываются либо недостаточная влажность воздуха, либо же неправильный уход. Если проблема зафиксирована на ранней стадии, то важно сразу же проверить отсутствие вредителей, а также сбалансировать все оросительные процессы.

В том случае, когда сухие кончики казались результатом воздействия насекомых, придётся провести обработку фунгицидами, а также механическим образом устранить всех присутствующих особей. Если же причина заключается в неправильном уходе, то сначала лучше сменить воду для полива, отдав предпочтение отстоявшейся водопроводной, дождевой или талой. Далее, необходимо повысить влажность воздуха, введя в уходовую систему опрыскивания кипячёной водой или приобретя комнатный увлажнитель. При необходимости растение также пересаживается в более крупный контейнер.

Профилактика

Проведение профилактических мероприятий является важной составляющей ухода за комнатными растениями. Делать необходимо следующее: выдерживать сбалансированность процессов подкормки и орошения, а также поддерживать уровни температуры и влажности, необходимые для конкретной культуры. Важно регулярно обрезать заболевшие или отмирающие части растений, а также проводить пересадку, обеспечивающую пространство для роста. В комнате всегда должно осуществляться проветривание и присутствовать необходимое количество света. Помимо этого, посадки не должны быть загущёнными.

Вода, используемая для орошения, должна соответствовать комнатной температуре и наливаться прямо под корень, не заливая ни корневую шейку, ни пазухи листьев. Кроме того, важно, чтобы жидкость была очищенной от хлора и солей. Если на листках или побегах появляются подозрительные пятна или образования, то лучше их сразу же удалять. Перед посадкой и земля, и семена должны подвергаться процедуре обеззараживания.

Само растение можно поливать «Бактофитом» или же «Фитоспорином-М». При появлении малейших признаков заражения лучше сразу же провести опрыскивание системным фунгицидом.

Еще больше информации о болезнях комнатных растений смотрите в следующем видео.

10 страшных болезней, уничтожающих целые виды животных

  • Шрея Дасгупта
  • BBC Earth

Автор фото, Getty

Эпидемии страшных болезней грозят не только человеку. Братьев наших меньших порой буквально выкашивают примерно те же серьезные заболевания — от лихорадки Эбола и сибирской язвы до рака и чумы, рассказывает корреспондент BBC Earth.

Вспышки смертельных заболеваний способны уничтожить тысячи животных за очень короткое время. Особенно опасной ситуация становится тогда, когда речь идет о редких или вымирающих видах.

За последние десятилетия возникло немало новых заболеваний животных, а уже известные болезни появились на новых территориях. «Виной тому, в какой-то мере, увеличение объемов торговли и людской миграции, что способствует распространению патогенов в разных регионах», — комментирует Мэрм Килпатрик из Калифорнийского университета в Санта-Крузе. Инфекции передаются между людьми, домашними и дикими животными.

Самой серьезной угрозой фауне по-прежнему остается сокращение ареалов обитания, зачастую вызванное расширением площади сельскохозяйственных земель. Но болезни тоже могут привести к существенному уменьшению или даже вымиранию популяций диких животных, подчеркивает Ричард Кок из Королевского ветеринарного колледжа в английском городе Хэтфилде.

В этой статье речь пойдет о десяти заболеваниях, наносящих большой вред животным в дикой природе. Начнем наш перечень с печально знаменитого недуга.

1. Лихорадка Эбола

Автор фото, BSIP SA Alamy

Подпись к фото,

Вирус Эболы очень опасен и для шимпанзе, и для горилл. Он убивает примерно 95% зараженных особей

Мы воспринимаем Эболу как болезнь человека, и тому есть очевидное объяснение: вспышка этой лихорадки в прошлом году унесла около 10 тысяч человеческих жизней. Но она же прошлась и по популяциям наших ближайших родственников, человекообразных обезьян.

В начале 1990-х годов Эбола выкосила стаи шимпанзе в национальном парке Тай в африканском Кот-д’Ивуаре. В следующем десятилетии несколько вспышек заболевания в Республике Конго серьезно проредили тамошнюю популяцию горилл: в 2002-2003 годах лихорадка убила около 5000 находящихся на грани вымирания приматов в заповеднике Лосси, а потом, в 2003-2004 годах, уничтожила сотни горилл в национальном парке Одзала.

Вирус Эболы очень опасен и для шимпанзе, и для горилл. Он убивает примерно 95% зараженных особей, вызывая сильную лихорадку и кровотечения.

Угроза эта становится еще более серьезной, когда она накладывается на другие опасные для человекообразных приматов факторы — браконьерство и вырубку лесов. Бесконтрольная охота настолько снизила численность горилл и шимпанзе, что Эбола способна окончательно уничтожить некоторые популяции, говорит Джулия Джонс из Бангорского университета в Великобритании.

Одним из вариантов решения проблемы может стать вакцина против Эболы. К 2014 году ученые испытали этот препарат на группе шимпанзе в неволе, и он оказался безопасным и эффективным.

2. Хитридиомикоз

Автор фото, Chris Mattison Alamy

Подпись к фото,

Смертельный грибок за последние 30 лет вызвал катастрофическое снижение поголовья более 200 видов земноводных

Смертельно опасный грибок хитридиомицет оказался роковым для многих лягушек и саламандр. За последние 30 лет он вызвал катастрофическое снижение поголовья более 200 видов земноводных, а некоторые из них в итоге даже вымерли.

К примеру, эпидемии в панамском национальном парке Эль-Копе в начале 2000-х годов уничтожили 30 видов. Пять из них не были до этого известны науке.

Этот грибок с латинским названием Batrachochytrium dendrobatidis встречается на всех континентах, кроме Антарктиды. Он поражает внешний слой кожи земноводных. Поскольку лягушки и саламандры всасывают через кожу питательные вещества и воду, инфекция со временем их убивает.

Однако этот грибок не всегда был столь вредоносным. В течение более чем 100 лет он не наносил никакого вреда земноводным в некоторых ареалах их обитания, к примеру, в американском штате Иллинойс и в Корее.

От инфекции погибают не все зараженные виды. Некоторые из них, например, американская лягушка-бык и африканская гладкая шпорцевая лягушка, устойчивы к опасному грибку. Эти виды, как предполагается, способствовали распространению заболевания, хотя, как отмечает Килпатрик, свою роль в этом сыграла и международная торговля земноводными.

3. Энцефалит Западного Нила

Автор фото, Dick Daniels CC by 3.0

Подпись к фото,

Вирус, переносимый комарами, заразил и убил миллионы птиц на территории США, Мексики и Канады

В 1999 году американский город Нью-Йорк стал эпицентром вспышки опасного заболевания. Люди обращались в больницы с энцефалитом: у них был воспален мозг. Примерно в то же время были найдены мертвыми несколько городских ворон и других птиц из зоопарка в Бронксе. Во всех этих случаях виновником был вирус энцефалита Западного Нила, в то время встречавшийся в основном на территории Африки и Азии.

Этот вирус, переносимый комарами, с тех пор заразил и убил миллионы птиц на территории США, Мексики и Канады. Вирус был обнаружен у 48 видов комаров и 250 видов птиц, иногда он также передается людям и лошадям.

В некоторых районах из-за этой болезни поголовье американских воронов сократилось на 45%. Вирус также привел к существенному снижению численности других видов пернатых, таких как странствующий дрозд, восточная сиалия, острохохлая синица и синица-гаичка. Тем не менее, по словам Килпатрика, полное вымирание от энцефалита Западного Нила им не грозит.

Однако под угрозой оказались другие, более редкие виды. Ученые разработали антиэнцефалитную вакцину для калифорнийского кондора и для островной кустарниковой сойки, которая обитает только на острове Санта-Круз у юго-западного побережья США. Сейчас ведется тестирование вакцин и для других видов пернатых.

4. «Синдром белого носа»

Автор фото, Michael Durham NPL

Подпись к фото,

В результате эпидемии «синдрома белого носа» погибло почти шесть миллионов летучих мышей, а численность некоторых видов сократилась на 99%

В 2006 году спелеолог-любитель сделал фотографию летучей мыши в пещере около города Олбани в американском штате Нью-Йорке. Нос рукокрылого был покрыт белым грибком. Этот снимок стал первым фотографическим свидетельством опасной эпидемии, поразившей летучих мышей в Северной Америке. Болезнь, получившая название «синдром белого носа», быстро распространилась по территории США и Канады.

В результате эпидемии погибло почти шесть миллионов летучих мышей, а численность некоторых видов — к примеру, североквинслендского гладконоса — на северо-востоке континента сократилась на 99%. «Синдром белого носа» серьезно сказывается на популяциях летучих мышей Северной Америки», — констатирует Кок.

Грибок, вызывающий заболевание, называется Pseudogymnoascus destructans. Он нарушает зимнюю спячку летучих мышей. Вместо того, чтобы спать в своих пещерах, рукокрылые улетают слишком далеко от логова, причем даже в дневное время. Они быстро истощают свои запасы подкожного жира и гибнут от голода.

Зараза, возможно, пришла из Европы, где она не оказывает на местных летучих мышей никакого заметного опасного влияния. В качестве возможных мер борьбы с эпидемией рассматривается ограничение доступа людей в пещеры и охрана мест обитания рукокрылых.

5. Сибирская язва (антракс)

Автор фото, Scott Camazine Alamy

Подпись к фото,

В 2004 году в заповеднике Малилангве в Зимбабве сибирская язва уничтожила около 90% местной популяции диких травоядных животных

Сибирская язва печально знаменита в качества оружия биотеррора. Однако это заболевание угрожает фауне испокон веков. В основном оно поражает травоядных, но может передаваться и другим млекопитающим, в том числе некоторым хищникам, человекообразным обезьянам и человеку.

У заражения сибирской язвой могут быть разные последствия, и зависят они от вида животного и экосистемы, в которой этот вид обитает. В таких районах, как национальный парк Этоша в африканской Намибии, эта болезнь считается естественной составляющей окружающей среды, и попытки бороться с ней были оставлены еще в начале 1980-х годов, рассказывает эколог Уэнди Тернер из Университета Осло в Норвегии.

Однако время от времени вспышки сибирской язвы становятся смертельно опасными. К примеру, в 2004 году в заповеднике Малилангве в Зимбабве антракс уничтожил около 90% местной популяции диких травоядных животных. В 2010 году в результате похожей вспышки заболевания в Уганде погибло более 80 бегемотов.

Споры сибирской язвы (Bacillus anthracis) могут жить в почве в течение нескольких лет и заражать пасущийся скот, а через него — и людей. По словам Тернера, для борьбы с болезнью стоит регулярно прививать домашних травоядных животных.

6.

Лицевая опухоль тасманийского дьявола

Автор фото, Dave Watts NPL

Подпись к фото,

Впервые лицевая опухоль у тасманийских дьяволов была замечена в 1996 году, и с тех пор она уничтожила до 90% некоторых популяций этих животных

Среди тасманийских дьяволов, обитающих в Австралии, вспыхнула странная эпидемия заразного онкологического заболевания. Этот рак передается от одного животного другому, когда они кусают друг друга. А делают они это нередко, сражаясь за еду или за половых партнеров.

Эта болезнь часто приводит к летальному исходу. На мордах у зараженных дьяволов появляются крупные раковые опухоли, которые впоследствии распространяются по всему телу и убивают животное в течении нескольких месяцев.

По мнению ученых, изначально заболевание появилось в так называемых шванновских клетках нервной ткани лишь у одного животного. Однако потом раковые клетки стали распространяться от одного тасманийского дьявола к другому, чему способствовала склонность этих животных к дракам.

Генетически все тасманийские дьяволы очень мало отличаются друг от друга, и, как следствие, их иммунная система не способна оказать сильное сопротивление раку. Впервые эта болезнь была замечена в 1996 году, но с тех пор она уничтожила до 90% некоторых популяций этих животных.

Для охраны вида ученые создали в неволе «резервные популяции» из примерно 500 здоровых тасманийских дьяволов. В рамках этих популяций представлено 98% генетического разнообразия всего вида.

7. Собачья чума

Автор фото, Steve Bloom Images Alamy

Подпись к фото,

В конце 2000-х собачья чума уничтожила 49 из 52 содержавшихся в неволе в Танзании гиеновидных собак — всего за два месяца

Вирус собачьей чумы, появившийся у домашних собак, уничтожает диких хищников по всему миру. Этот вирус очень похож на возбудителя человеческой кори, он поражает дыхательную, нервную и пищеварительную систему животных.

В 1985 году собачья чума поразила черноногих хорьков в американском штате Вайоминг. Потом, в начале 1990-х, от нее погибло много гиеновидных собак в Африке, а также около 1000 львов. А в конце 2000-х годов вирус уничтожил 49 из 52 содержавшихся в неволе в Танзании гиеновидных собак — всего за два месяца.

С ростом поголовья домашних собак эта болезнь распространяется на новые территории и передается все большему количеству видов хищных животных. От нее пострадали, в частности, редкие амурские тигры, обитающие на Дальнем Востоке России.

Прививание домашних собак способно до какой-то степени ограничить распространение вируса. Однако этого не вполне достаточно, так как его могут переносить и другие животные. Для спасения редких видов, возможно, следует предпринять их целенаправленную вакцинацию.

8. Хламидиоз

Автор фото, Roland Seitre NPL

Подпись к фото,

Хламидиоз сократил численность коал в некоторых районах Австралии с 60 тысяч в середине 1990-х до 10 тысяч в 2012 г.

Австралийские коалы страдают от венерического заболевания, хламидиоза, которое встречается также и у человека. Эта болезнь может лишить зараженного коалу способности к размножению, привести к инфекциям мочеполовой и дыхательной систем, ослепить или даже убить животное.

Наложившись на засуху, хламидиоз сократил численность коал в некоторых районах Австралии с 60 тысяч в середине 1990-х годов до 10 тысяч в 2012 году. Больше всего пострадали популяции в штатах Квинсленд и Новый Южный Уэльс.

Для того, чтобы вовремя обнаружить инфекцию, некоторые ветеринары прибегают к ультразвуковому сканированию животных вместо традиционных мазков. Кроме того, ученые приступили к секвенированию генов коал, в том числе тех, которые играют ключевую роль в их иммунной системе. Специалисты надеются понять, как заболевание влияет на эти гены.

Ситуацию осложняет еще одно заболевание — ретровирус коал, похожий на вирус иммунодефицита человека. Он подавляет иммунную систему, делая животных менее устойчивыми к хламидиям.

Два этих заболевания, а также разрушение среды обитания коал и угроза со стороны других видов, поставили этих симпатичных зверьков на грань вымирания. Однако уже проведены успешные тесты вакцины, которая, возможно, сможет их спасти.

9. Зудневая чесотка

Автор фото, Juan Iacruz CC by 3.0

Подпись к фото,

Считается, что от чесотки вымерли все лисы на датском острове Борнхольм

Зудневая чесотка, как следует из названия, вызывает сильный зуд и непреодолимое желание чесаться, что может привести к инфекциям и даже к смерти. Вызывает ее микроскопический паразит — чесоточный клещ.

Этому заболеванию подвержены более 100 видов животных, от австралийских вомбатов до европейских лис и рысей и североамериканских волков. Близкий родственник звериного чесоточного клеща вызывает чесотку у человека.

Клещ вгрызается под кожу, и оставляемые им чесоточные ходы воспаляются. Инфекция распространяется при постоянном расчесывании. Со временем животное может потерять шерсть, начать страдать от обезвоживания, переохлаждения и голода, и в некоторых случаях даже умереть.

Во многих стабильных популяциях чесотка не оказывает долговременного влияния на численность животных. Но болезнь может оказаться роковой для популяций, которые уже находятся под угрозой исчезновения или живут в изоляции. К примеру, считается, что от чесотки вымерли все лисы на датском острове Борнхольм.

Чтобы избавить от чесотки отдельные группы животных, ветеринары применяют антипаразитные препараты, такие как ивермектин.

10. Чума

Автор фото, Charlie Summers NPL

Подпись к фото,

В некоторых районах Северной Америки чума уничтожила целые колонии луговых собачек. Смертность от нее — свыше 90%.

Та же самая бактерия, которая вызвала опустошительные эпидемии чумы в человеческой цивилизации (в том числе европейский «черный мор» середины XIV века), выкашивает и представителей животного мира. Это чумная палочка Yersinia pestis.

Чума у животных впервые наблюдалась в Северной Америке в начале XIX века. Возможно, суда, приходившие из пораженных чумой районов Европы и Азии, привезли с собой зараженных блох и крыс, которые передали чумную палочку местной фауне, до того с чумой не сталкивавшейся.

В некоторых районах Северной Америки чума уничтожила целые колонии луговых собачек. Смертность от нее у этих животных составляла более 90%.

Исчезновение луговых собачек в свою очередь привело к снижению числа черноногих хорьков. Это один из самых редких видов североамериканских животных, они питаются в основном луговыми собачками и выращивают потомство в их норах. Поэтому хорьки зависят от луговых собачек, не говоря уж о том, что и для них самих чума тоже смертельно опасна.

Вымирающих хорьков начали разводить в неволе и вновь выпускать в дикую природу, и сейчас их численность медленно растет. Помочь остановить распространение чумы может и вакцинация хорьков, а также луговых собачек — посредством приманок с вакциной.

Галерея изображений

Возврат к PDIO

 


Галерея изображений

В этой галерее представлены изображения распространенных болезней растений, встречающихся в Коннектикуте. При нажатии на ссылку под изображением откроется информационный бюллетень, в котором объясняется болезнь и варианты лечения.

[Овощи] [Древесные декоративные растения] [Травянистые декоративные растения] [Газон] [Фрукты][Хвойные деревья]

Овощи

              

      Лушная мучнистая роса базилика                                      Бактериальная пятнистость листьев базилика

               

                     Грибная пятнистость листьев свеклы                             Антракноз огурцов            

               

           Мучнистая роса тыквенных                      Бактериальная пятнистость листьев перца

            

Фитофтороз перца                     Антракноз томатов

              

Верхушечная гниль томатов                       Ранняя гниль

                           

Томатный фузариоз

     

 Фитофтороз томатов                              Плесень листьев томатов

Мучнистая роса томатов                      Септориоз листьев томатов

           

         Серая пятнистость листьев томатов                  Церкоспороз томатов

          

      Лушная мучнистая роса тыквенных                      Вертициллезное увядание баклажанов

    

       Картофельный фитофтороз

 

    Вернуться к началу

  Деревянные декоративные элементы Ржавчина Amelanchier                                  Ясень

 

              
Галл листьев азалии                                           

               

Болезнь листьев бука


Самшитовая пятнистость                   

            

Самшит Volutella Canker                     Cherry Black Knot

           

 Ржавчина яблони                                   Парша яблони

          

          Антракноз кизила                    Мучнистая роса кизила

        

          Болезнь голландского вяза                        Пятнистость листьев вяза Stegophora

       

         Антракноз боярышника              Пятнистость листьев боярышника Entomosporium

       

      Пятнистость листьев остролистной Phyllosticta           Пятнистость листьев гледичии Cercospora

        

 Натуральная пятнистость листьев конского каштана                     Сиреневая мучнистая роса

        

Клен антракнозный                                     Кленовая смола Spot

        

      Кленовое вертициллезное увядание                 Пятнистость листьев горного лавра

       

Мучнистая роса дуба                                     Слива черный узел

        

Грибковая пятнистость листьев рододендрона           Галлы листьев рододендрона

        

Rhododendron Winter Injury                Роза черная пятнистая

       

        Rose Brand Canker                                         Розовая ложная мучнистая роса

       

Мучнистая роса роз                        Ржавчина роз

      

  Сикамор мучнистая роса             Клен Botryosphaeria Canker

      

      Береза ​​Anthracnose                 Enkianthus Anthracnose

        

      Ель Зимняя Травма                        Холли Зимняя Травма

  Вернуться к началу

Травянистые декоративные растения

       

Begonia Botrytis Blight                               Begonia INSV Мучнистая роса бегонии                    Calibrachoa Botrytis Blight

 

Cineraria INSV                                     Колеус Ложная мучнистая роса

 

Calibrachoa Thielaviopsis Черная корневая гниль                    Ботритис тюльпанов

      

Lily Botrytis Blight                            Heuchera Botrytis Blight

 

Ботритис циннии                             Пуансеттия ботритис

 

Sedum Botrytis Blight

 

Вернуться к вершине
Газон Pythium Blight                                       Красная нить

     

 Ризоктониоз                        Снежная плесень

Вернуться к вершине
Фрукты

     

  Яблоневый кедр-яблоневая ржавчина                                Ожог яблони

             

                           Марссонина Пятнистость яблони                         Парша яблони                                            3 900 0

Ботритис голубики

           

             Черная гниль винограда                            Пленная мучнистая роса винограда    

         

  Мучнистая роса винограда                       Антракноз винограда

         

 Персиковая коричневая гниль                          Персиковый лист курчавости

         

          Мучнистая роса персика                  Пятнистость листьев груши Fabraea

        

   Парша груши                                                          Черный узел сливы

  Вернуться к началу

Хвойные деревья

        

                  Пихта Дугласа Диплодиозная гниль                     Пихта Дугласа Rhabdocline Needle Cast

       

              Дугласова пихта Swiss Needle Cast              Douglas Fir Rhizosphaera Needle Cast

       

     Можжевельник кедрово-боярышниковый ржавый                    можжевельник кедрово-айвовый

       

          Leyland Cypress Seiridium Canker                         Сосна обыкновенная Diplodia Blight

       

   Ржавчина на иглах ели                Ель Rhizosphaera Needle Cast

 

       

             Ель Stigmina Needle Cast              Белая сосна Dooks Needle Blight        

 

 

Вернуться к началу

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

База данных изображений APS

Подпишитесь сегодня всего за

62 доллара (участники платят 52 доллара)!

Подписаться легко! Просто зайдите в База изображений и нажмите «подписаться»!

Американское фитопатологическое общество обрабатывает тысячи прошедших научную рецензию изображений, показывающих симптомы болезней, вредителей и другие нарушения, связанные с растениями и сельскохозяйственными культурами, в рамках своих программ публикации книг и журналов. Изображения APS полезны для обучения, обучения и диагностики. На протяжении многих лет изображения APS были доступны через наборы слайдов APS PRESS, технологию видеодисков, компакт-диски с изображениями, а теперь и через онлайн-базу данных изображений APS .

Изображения в База данных изображений APS помечены описательными метаданными, включая научные биномы патогенов и хозяев, а также общие названия, которые представлены в надежной поисковой системе. Изображения содержат подписи, если они доступны, а также имена авторов/фотографов и цитаты, которые также доступны для поиска.То База данных изображений APS курируется Редакционная коллегия APS PRESS и, как ожидается, будет размещена в Интернете на десятках тысяч изображений болезней, вредителей и нарушений.

База данных изображений APS доступна по персональной подписке. Подписки включают личный доступ и особые права на использование рецензируемых с научной точки зрения изображений и описательных информационных бюллетеней для обучения, повышения квалификации и диагностики при наличии подписки. Разрешение на использование изображений APS в коммерческих и иных целях в книгах, брошюрах и других средствах массовой информации предоставляется за возможную плату, отдельно от доступа по подписке.

Все изображения доступны для просмотра, но после подписки пользователи получают немедленный доступ к изображениям в различных разрешениях без водяных знаков. Подписчики могут загрузить изображение и сопровождающий информационный бюллетень, когда они войдут в систему со своим именем пользователя и паролем.


База данных изображений APS включает около 7000 изображений из книг APS PRESS, включая рецензированные изображения из серии «Сборник болезней растений», охватывающих болезни, вредителей и нарушения следующих хозяев: Фасоль

  • Свекла
  • Черника
  • Брокколи
  • Капуста
  • Цветная капуста
  • Нут
  • Сельдерей
  • Кофе
  • Кукуруза
  • Клюква
  • Огурцы
  • Баклажан
  • Чеснок
  • Grape
  • Hop
  • Хрен
  • Чечевица
  • латук
  • брусники
  • горчица
  • масличных / рапс
  • Лук
  • груша
  • Перец
  • Картофель
  • редьки
  • рододендрона
  • Брюквы
  • Соевых
  • шпината
  • Подсолнечных
  • батата
  • томатных
  • Turfgrasses
  • Зелень репы
  • Пшеница
  • Плюс еще почти 1000 изображений бактериальных заболеваний с множества хостов
  • Вскоре будут добавлены новые коллекции изображений, в том числе.

    ..

    Еще не все

    В дополнение к наборам изображений из серии APS PRESS Compendium of Plant Disease и других книг APS PRESS, База данных изображений APS будет включать изображения из журнальных статей и других источников APS, включая частные коллекции членов общества. В будущем база данных будет доставлять видео и многое другое.


    Подпишитесь сегодня и получите доступ к базе данных изображений


    стоит всего 62 доллара (для участников 52 доллара)​!

    Просто перейдите в базу данных изображений и нажмите «подписаться»!


    Путь от классического машинного обучения к глубокому обучению

    Автоматизация болезней растений в сельскохозяйственной науке является первоочередной задачей для каждой страны, поскольку спрос на продовольствие растет быстрыми темпами из-за роста населения.Более того, более широкое использование технологий сегодня повысило эффективность и точность обнаружения болезней растений и животных. Процесс обнаружения знаменует собой начало ряда мероприятий по борьбе с болезнями и уменьшению их распространения. Некоторые болезни также передаются между животными и людьми, что затрудняет борьбу с ними. В течение многих лет ученые исследовали, как бороться с распространенными заболеваниями, поражающими людей и растения. Однако многие этапы процесса обнаружения и обнаружения еще не завершены.Технологии, используемые в медицинских процедурах, недостаточны для своевременного выявления всех заболеваний, и поэтому некоторые болезни становятся пандемиями, потому что их трудно вовремя обнаружить. Наша цель — уточнить подробности о заболеваниях и о том, как их быстро обнаружить с помощью искусственного интеллекта. Мы обсуждаем использование машинного обучения и глубокого обучения для автоматического обнаружения болезней растений. Наше исследование также фокусируется на том, как за последние пять лет методы машинного обучения перешли от обычного машинного обучения к глубокому обучению.Кроме того, подробно обсуждаются различные наборы данных, относящиеся к болезням растений. Также представлены вызовы и проблемы, связанные с существующими системами.

    1. Введение

    Использование технологии в процессе обнаружения и анализа повышает точность и надежность этих процессов. Например, люди, которые используют новейшие технологии для анализа неожиданно возникающих заболеваний, имеют больше шансов справиться с ними, чем те, кто этого не делает. В связи с недавним появлением коронавируса мир полагался на новейшие технологии для разработки профилактических мер, которые помогли снизить скорость передачи болезни.Болезни сельскохозяйственных культур представляют собой серьезную угрозу для существования человека, поскольку они могут привести к засухам и голоду. Они также наносят значительный ущерб в тех случаях, когда сельское хозяйство ведется в коммерческих целях. Использование компьютерного зрения (CV) и машинного обучения (ML) может улучшить обнаружение болезней и борьбу с ними. Компьютерное зрение — это форма искусственного интеллекта (ИИ), которая включает использование компьютеров для понимания и идентификации объектов. В первую очередь он применяется при тестировании водителей, парковке и вождении беспилотных транспортных средств, а теперь и в медицинских процессах для обнаружения и анализа объектов [1].Компьютерное зрение помогает повысить точность защиты растений от болезней, облегчая обеспечение продовольственной безопасности.

    Одной из областей, в которых больше всего помог CV, является выявление тяжести заболеваний. Глубокое обучение (ГО), часть CV, полезно и перспективно для определения тяжести заболеваний у растений и животных [2]. Он также используется для классификации заболеваний и предотвращения позднего выявления заболеваний [1]. Болезни растений немного отличаются от тех, которые поражают людей.Многие факторы также делают болезни похожими. Однако заболевания, которые могут передаваться от человека к растениям и наоборот, встречаются редко. Анализ данных, относящихся к этой области, помогает определить, как можно улучшить использование новейших технологий. Изображения листьев и других частей растений можно использовать для выявления заболеваний у растений [3]. Технология может применяться для анализа изображений человека, которые также доказывают наличие заболеваний и определяют степень их поражения.Это исследование направлено на анализ того, как технология на основе изображений может использоваться для выявления заболеваний как у растений, так и у животных.

    2. Предыстория

    ML — это технология, которая позволяет машинам общаться с людьми и понимать их потребности. Это также заставляет машины вести себя как люди и принимать решения от имени людей. Это одна из областей, которая быстро выросла за последние несколько лет. ML помогает в классификации болезней растений. Использование этой технологии рассматривается как важное начало и достижение в борьбе с болезнями растений.Это также увеличило производительность в области выращивания. Методы визуализации также были включены в эту технологию, и за последние три года она была улучшена до текущего улучшенного уровня [4]. Вызовы, стоящие сегодня перед миром, связанные с болезнями, поражающими растения и людей, могут быть уменьшены, если болезни будут выявлены до того, как они распространится на обширные территории. Использование ML сегодня широко распространено в мире. Разнообразные методы, используемые в ML и DL, помогают специалистам анализировать болезни растений и вовремя узнавать их источник [4].На обнаружение этих заболеваний влияют в основном несколько проблем, влияющих на эффективность и точность этой технологии.

    Первая проблема связана со сложностью времени, связанной с использованием машинного обучения и глубокого обучения, в результате чего некоторые технологии, используемые для выявления этих заболеваний, устарели или основаны на некоторой информации из прошлого. Другой проблемой является чувствительность сегментации [5]. Это означает, что интересующая область (RoI) требует высокого уровня точности и чувствительности для достижения необходимого использования и точности.Другая проблема заключается в том, что существует языковой барьер, который влияет на способ применения технологии. Еще одной проблемой является нехватка ресурсов, необходимых для поддержки применения этой технологии. Для использования и реализации большинства операций ML и DL требуется много ресурсов. Частные и государственные организации обычно финансируют институты, использующие эту технологию для выявления болезней у людей и растений, что может повлиять на успех исследований и внедрения технологии.

    Значение растений в мире со временем возросло. Открытия о важной роли, которую растения могут играть в медицине, производстве энергии, а также недавние опасения по поводу уменьшения глобального потепления уже давно составляют значительную часть науки и техники [6]. Сокращение растительного покрова в мире увеличивает риск более высокого глобального потепления и увеличения связанных с ним проблем. Необходимость создания современной сверточной системы, которая поддерживает технологию обнаружения изображений и классификацию болезней растений, привела ко многим исследовательским программам, чтобы предоставить ученым необходимые знания [7].Обнаружение изображения может применяться, когда необходимо отличить здоровые листья от нездоровых. Сверточные нейронные сети (CNN) обеспечивают различия между изображениями растений, которые помогают определить аномалии, которые могут существовать у растений в естественной среде [6]. Фоновое исследование показывает, что сканирование изображений, на которых показаны здоровые и нездоровые растения, служит основой для сравнения учеными в этой области.

    DL можно использовать для обнаружения аномалий как у людей, так и у растений.Пиксельные операции используются для анализа листьев, собранных с больных растений, и это используется для классификации болезней в соответствии с их воздействием на растения. Видимые узоры на этих листьях используются для определения болезней, поражающих растения, и способов борьбы с ними, чтобы предотвратить их распространение. Исследования показывают, что использование технологии DL обеспечивает точность до 98,59% [8]. Область патологии растений внесла огромный вклад в борьбу с болезнями и уменьшение глобального потепления.Одним из важных исходных знаний, которые определяют использование технологии обнаружения изображений, является то, что листья зараженных растений отличаются от листьев здоровых. Листья, вероятно, будут иметь темные участки, а некоторые могут быть сухими по краям. Высохшие части тоже могут сворачиваться, и это легко заметить даже невооруженным глазом. Использование ML заключается в обнаружении этих различий без вмешательства человека.

    Методы машинного обучения, используемые для принятия решений об обнаружении заболеваний, включают, среди прочего, искусственные нейронные сети (ИНС), деревья решений, машины опорных векторов (SVM) и K-средние [9].Компьютеры могут не работать напрямую с изображениями, сделанными в полях. Изображения преобразуются в данные, которые могут интерпретировать машины и компьютеры. Это означает, что технология требует кодирования изображений в данные, которые могут быть загружены в компьютерные системы. Таким образом, базовые знания в области компьютерных кодов и программирования составляют неотъемлемую часть базовых знаний, необходимых в этой области.

    Помимо вышеупомянутого применения знаний о растениях и своевременного выявления заболеваний, обнаружение и распознавание заболеваний на основе изображений применяется у людей для выявления заболеваний, поражающих различные части тела. Некоторые болезни человека оказывают значительное влияние на ткани и органы, на которые они воздействуют. Аденокарцинома предстательной железы является одной из наиболее распространенных форм рака. Его обнаруживают с помощью методов обнаружения на основе изображений, при которых тело сканируется на наличие аномалий, а полученные изображения используются для определения наличия у пациента заболевания. Это второй наиболее часто диагностируемый тип рака у мужчин, примерно у каждого девятого мужчины он диагностируется в течение жизни [10]. Использование субъективного исследования тканей было основным способом обнаружения рака у мужчин с подозрением на него.Исследование этих тканей организма во многом зависит от системы Глисона [11]. Область ИИ предложила множество решений проблемы неточности шкалы Глисона и способов ее использования для решения проблем людей, страдающих раком простаты. Решения ИИ применяются при анализе образцов простатэктомии, чтобы определить влияние на них рака. До и после того, как они были поражены таким заболеванием, как рак, внешний вид органов тела используется для разработки процесса обнаружения на основе изображений, который является более точным, чем человеческий глаз. Другими словами, компьютерные системы могут обнаруживать разницу в органах более эффективно, чем люди. Это помогает обнаружить заболевание задолго до того, как оно перейдет в смертельную стадию.

    Что касается некоторых растений, таких как маниока, то можно обеспечить некоторую защиту от распространенных заболеваний с помощью технологии обнаружения на основе изображений. Сельское хозяйство зависит от некоторых засухоустойчивых культур, таких как маниока, для регулирования снабжения продовольствием и обеспечения достаточного количества питательных веществ [12]. Однако болезни угрожают выживанию некоторых из этих культур, что затрудняет выполнение сельскохозяйственными департаментами своих задач.Фоновые знания о болезнях могут помочь избежать таких случаев. Использование CNN создает надежную платформу для подробного анализа заболеваний [13]. Точность этого метода высокая и надежная. Дальнейшие исследования экспертов по болезням, поражающим такие растения, как маниока, классифицировали болезни с точки зрения их воздействия на листья и другие части растений [14]. Например, многие болезни поражают часть листьев, некоторые поражают весь лист, а третьи поражают края или стебель.Изображения листьев можно анализировать с помощью системы обнаружения на основе изображений, чтобы определить классификацию, соответствующую заболеванию.

    В таких странах, как Африка к югу от Сахары, маниока является одним из основных продуктов питания, поскольку она обеспечивает людей большим количеством углеводов. Однако из-за своей уязвимости к вирусным заболеваниям он не смог эффективно поддерживать ту питательную ценность, которую мог бы достичь в этом регионе. В 2014 г. в Африке было собрано около 145 млн тонн маниоки [13]. Методы контроля качества пищевых продуктов, применяемые сегодня в мире, в основном направлены на увеличение производства.Применение новейших технологий для выявления и борьбы с болезнями, влияющими на производство, является надежным способом решения проблем нехватки продовольствия. Большинство растений также используются в качестве сырья во многих отраслях промышленности. Если такие заводы будут низкого качества, значит, они приведут к выпуску некондиционной продукции.

    3. Обзор литературы по типам болезней растений

    Грибы обычно вызывают болезни, поражающие растения, и они обычно поражают листья.Вирусные и бактериальные возбудители вызывают многие другие. Точность в сельском хозяйстве улучшилась с более широким использованием машинного обучения и связанных с ним функций [15]. Сокращение объемов производства в сельском хозяйстве наносит ущерб многим людям и животным, для решения которого требуются современные технологии. Извлечение и обнаружение заболеваний упрощается при использовании системы обнаружения на основе изображений из-за ее высокой точности и уменьшения осложнений и дублирования данных. Для некоторых растений, таких как помидоры, использование изображений для определения болезней, которые их поражают, и степени повреждений не может быть достигнуто, если нет высокой степени точности [16].Исследование болезней растений показывает, что применение технологического обнаружения изображений определяется многими различными факторами. Другими словами, болезни, которые вызывают видимые вмятины и изменения на растениях, — это те, которые могут быть обнаружены с помощью этой технологии, в отличие от тех, которые вызывают повреждения, которые не могут быть обнаружены на изображениях растений [17]. Анализ этого исследования показывает, что болезни растений обычно обнаруживаются, когда они начинают оказывать влияние на внешний вид растений.

    Главной проблемой, влияющей на сферу сельского хозяйства, является сокращение производства и некачественная продукция растений. Проблема является результатом плохого выявления и борьбы с болезнями, поражающими растения. Задача также распространяется на людей несколькими способами. Сокращение растительного покрова из-за болезней растений означает глобальное потепление, голод и снижение очистки воздуха. Гиперспектральная визуализация стала надежным способом своевременного выявления болезней сельскохозяйственных культур [18].Трудно определить факторы, которые приводят к заболеваниям, если они не обнаружены вовремя. Другими словами, если заболевание обнаружено вовремя, его легко связать с возможными факторами, которые приводят к его возникновению. Например, ученые могли бы определить, было ли изменение погоды или климата, которое могло привести к возникновению болезни.

    Дальнейшее исследование, проведенное [6], показало неадекватность базы данных, которую можно было бы использовать для получения базовых знаний для сравнения сделанных изображений.Другая проблема заключается в том, что симптомы и характеристики заболеваний разнообразны и могут быть в определенной степени схожими [19]. Например, многие болезни могут привести к увяданию листьев. Проблема еще не решена, потому что эксперты постепенно загружают все больше и больше новых изображений.

    Другой проблемой является отсутствие подходящих инструментов для использования в работе по обнаружению изображений. У большинства специалистов в этой области нет оборудования, необходимого им для анализа изображений, которые они получают в полевых условиях, и это затрудняет получение точных данных и выявление заболеваний [20]. Другой заключается в том, что в некоторых областях наблюдается низкий уровень внедрения из-за правил, введенных в действие для обеспечения достоверности и надежности данных, полученных в результате этих анализов. Например, после 4-й и 6-й Международной конференции по машинному обучению и программным вычислениям было принято множество правил, которые в некоторых частях могут сорвать использование ML [21]. Правила не рекомендуют применять некоторые результаты функций ML на практике, поскольку они не соответствуют требуемым параметрам.

    Эта технология существует уже несколько лет. Однако остается еще много неясных вопросов, связанных с его применением. Другая проблема связана с этим фактом. Некоторые из важных изображений, которые могли бы помочь определить, существует ли болезнь, не были сделаны. Другой заключается в том, что дальнейшие перспективы исследований неясны, и это связано с увеличением разнообразия заболеваний, поражающих как людей, так и животных [19]. На применение обнаружения на основе изображений также влияет возросшее разнообразие способов проявления заболеваний. Некоторые из болезней, которые раньше поражали растения несколько лет назад, превратились в новые формы, и они имеют другие последствия и результаты. Трудно использовать только изображения, чтобы сделать вывод о заболеваниях и выбрать решение. Некоторые решения, использовавшиеся в прошлом, также стали неэффективными, что снизило эффективность технологии.

    Вышеупомянутые проблемы показывают, что существует много возможных способов применения обнаружения на основе изображений, но эти проблемы снижают удобство использования.Первое решение состоит в том, чтобы предоставить адекватные данные, которые можно использовать для точного определения болезней, не путая те, которые тесно связаны между собой. Изменения погоды, глобальное потепление и другие воздействия привели к возникновению многих болезней, которые не были задокументированы. Решение состоит в том, чтобы увеличить охват ученых и продвигать лучший способ сбора информации [22]. Другим решением было бы предложить обучение ученых в этой области, чтобы убедиться, что они оснащены для сбора данных. Еще одно решение — создать более совершенные способы сбора данных о заболеваниях. Проблема неадекватной информации о заболеваниях может быть решена, если существует улучшенный процесс подписи данных, включающий мелкие детали сделанных изображений и определяющие их различия [6]. Изображения должны быть тщательно проанализированы, чтобы определить, какие из них затронуты или заражены.

    Другим решением было бы сосредоточиться на использовании новейших технологий, которые являются надежными и действительными.Путаница, которая возникает из-за неадекватной базы данных для использования при выявлении заболеваний, возникает из-за несовершенной технологии и ограниченных возможностей хранения существующих систем. Большинство изображений хранятся некорректно, что влияет на доступность информации. Ее можно решить путем использования современных методов хранения информации. Например, использование облачных вычислений может помочь повысить точность хранения и доступность. Другим решением является обучение людей, отвечающих за исследование и анализ информации. Обученный алгоритм DL повышает точность технологии [23]. Другим решением было бы понимание фенотипов, используемых при обнаружении заболеваний [24]. Фенотип, используемый при выявлении болезней, обычно является результатом климата и погоды [23, 25]. Другим решением было бы обновить системы, чтобы обеспечить актуальность собранных данных. Высокий уровень неопределенности при выявлении заболеваний влияет на способ реализации технологии. Например, использование байесовского DL связано с рядом неопределенностей [26].Это означает, что этот метод ненадежен, если используется отдельно.

    Комбинация нескольких методов может снизить неэффективность процессов. Например, применение метаархитектур DL обеспечивает решение некоторых ошибок, возникающих при использовании других методов выявления заболеваний [27]. Другим решением было бы применение глубоких сверточных генеративно-состязательных сетей, которые помогают в идентификации и анализе изображений [28]. Вклад состязательных сетей повышает точность процесса обнаружения. Использование методов CNN также может быть эффективным в борьбе с неточностями и медленными процессами идентификации заболеваний [29]. Эти методы использовались для выявления болезней, поражающих рис, и имеют много преимуществ [28]. Для обнаружения на основе изображений требуется много ресурсов, и власти должны обеспечить их доступность, чтобы обеспечить бесперебойную работу.

    4. Наборы данных изображений болезней растений

    Наборы данных, использованные в исследовании, включают описания листьев до и после поражения их болезнями.Данные содержат таблицы и изображения листьев, собранных на полях. Данные анализируются и классифицируются таким образом, чтобы читателям было легко их понять. Например, Wallelign et al. [9] показаны листья, по которым определяли пораженные болезнями растения сои. Набор данных показывает здоровые листья и те, у которых были вмятины из-за поражения септориозом листьев, другие — лягушачьей пятнистостью листьев и листья, пораженные ложной мучнистой росой, как показано на рисунке 1.

    Изображения на рисунке 1 показывают, что были видимые различия между листьями, пораженными болезнью и не пораженными.Набор данных был четким и легким для понимания. Другой формой данных была таблица, показывающая количество листьев, классифицированных по каждому заболеванию. Набор данных ясен и показывает общее количество листьев, проанализированных и классифицированных по четырем категориям. Другой набор данных принадлежит [4], который показывает графическое представление захваченной информации в таблицах.

    Набор данных, используемых в исследовании, может быть представлен в виде таблиц, текстов, графиков и других форм. Однако существенным аспектом всех из них является простота анализа и простота понимания.Некоторые данные также сгруппированы по требуемым уровням. Например, данные могут быть сгруппированы по заболеваниям, которые они представляют, времени их сбора или методу анализа [30]. Данные, собранные в некоторых результатах исследований, также показывают использование технологий и их эффективность. Например, наборы данных, собранные с помощью технологии, позволяют создать контролируемую среду; наборы данных показывают тип используемого контроля и его эффективность. Например, системы автоматизированной диагностики (CAD) были отражены в данных, проанализированных [31].Наборы данных предоставляются, чтобы помочь понять использование этой технологии и ее влияние на качество исследования. В тех же данных показаны используемые методы классификации и обоснования выбора.

    Другая особенность заключается в том, что наборы данных для анализа листьев основаны на первичных данных, собранных на полях. Надежность данных высока, поскольку они основаны на наблюдаемых особенностях листьев. Наборы данных также разделены на разделы, которые легко понять.Например, работа [32] показывает разделение работы с точки зрения таких болезней, как пирикуляриоз риса (RB), бактериальный ожог листьев (BLB) и ожог листьев (SB). Использование набора данных PlantVillage также применялось в исследовании [32]. Набор данных состоит из 54 306 изображений 14 различных культур, представляющих 26 болезней растений. Изображения, которые были включены в набор данных, включали листья разного цвета. На рисунке 2 показаны некоторые образцы набора данных PlantVillage. Цветами обозначены части листьев, пораженные исследуемыми болезнями.Авторы также использовали расширенный набор данных, предложенный Гитарамани и Пандианом [33]. В исследовании также использовался набор данных ImageNet, что привело к получению высококачественных результатов благодаря синергии комбинирования различных методов [32].


    Наборы данных, используемые в исследованиях, зависят от типа содержащейся информации. Например, исследование [14] было сосредоточено на влиянии неконтролируемых вредителей в Китае и их влиянии на все производимые продукты питания. Исследования показывают, что плохая борьба с вредителями в Китае приводит к потере около 30% всего производимого продовольствия [35].Наборы данных в исследовании большие и показывают различные уровни производства и то, как на них влияют вредители. Использование общедоступного набора данных также позволило понять различные способы проведения исследования и проверки с использованием данных, доступных в открытом доступе [36]. Набор данных PlantVillage также использовался в работе [37], где 14 различных типов листьев растения огурца проанализированы на наличие семи различных заболеваний. Наборы данных были в основном объединены, чтобы обеспечить хорошее представление собранных данных.Использование набора данных PlantVillage [38] было использовано, чтобы показать, как собранная информация была полезна для понимания болезней растений.

    Наборы данных, использованные в большинстве ссылок, были получены из данных, собранных разными исследователями и объединенных в один набор. Надежность исследования может быть поставлена ​​под угрозу, если нет контроля над тем, что должно быть включено в наборы данных [39]. Характер исследования также определяет, как используются наборы данных. Например, при сборе листьев и объединении их в таблицу обычно используется набор данных PlantVillage. Использование наборов данных о листьях кофе в исследовании [40] обусловлено необходимостью показать болезни, поражающие листья кофе и помидоры, и то, как их можно обнаружить с помощью методов обнаружения на основе изображений [36]. В исследовании [41] авторы использовали информационный набор цветных данных и большие числовые наборы данных для отображения собранных данных. Процесс машинного обучения также использует набор обучающих данных для прогнозирования и анализа невидимых данных. Наборы данных также включают ожидаемые данные, что позволяет легко полагаться на данные в исследовании и определять, являются ли данные достоверными.Использование наборов данных, связанных с характером исследования, помогает достичь целей сбора и анализа данных [42]. На вышеупомянутые наборы данных влияют некоторые проблемы и ограничения, которые снижают их применимость.

    Другим хорошо известным набором данных, используемым исследовательским сообществом, является Северная гниль листьев (NLB), которая содержит зараженные листья кукурузы [1]. Некоторые образцы изображений из набора данных NLB показаны на рис. 3. NLB состоит из 1787 изображений с 7669 поражениями. Изображения были получены с растений кукурузы в поле с помощью портативной камеры.Изображения в NLB были сняты в неконтролируемых условиях, в отличие от набора данных PlantVillage.


    4.1. Задачи и проблемы с наборами данных

    Исследованные наборы данных имеют несколько проблем и проблем, влияющих на их применение. Одна из проблем заключается в том, как организованы наборы данных для отображения данных, собранных из разных полей. Например, при использовании набора данных PlantVillage данные, собранные с разных полей, может быть трудно представить одинаково.Большинство данных могут быть разнообразными. Отсутствие единообразия может привести к проблемам с отображением данных в таблицах и других приложениях [43]. Другая проблема заключается в том, что наборы данных может быть трудно преобразовать в графическое представление. Информация в наборах данных могла бы иметь больше смысла, если бы информация отображалась в графическом формате [44]. Данные также могли бы быть более понятными для читателей, если бы они были представлены в виде графиков. Однако некоторые наборы данных нельзя напрямую преобразовать в графики, и может потребоваться полная переработка графиков.Для наборов данных, содержащих таблицы, можно преобразовать данные в графики без необходимости рисовать вручную. Другая проблема заключается в том, что некоторые наборы данных не обобщают содержащиеся данные [45]. Например, когда данные представлены в PlantVillage, сводка общего значения приводится в конце таблицы. Однако в некоторых наборах данных эта информация отсутствует.

    Другая проблема с наборами данных заключается в том, что они могут не отражать всю информацию о факторах, которые приводят к показанным в них значениям.Например, данные, представленные в работе [27], не показывают факторов, влияющих на процесс классификации и обнаружения. Такие недостающие детали могут повлиять на то, как данные применяются при принятии решений о заболеваниях [46]. Наборы данных также могут быть сложными для использования людьми, если у них нет предварительной подготовки и образования, связанного со статистическим анализом данных. Наборы данных также содержат некоторые детали, которые могут не соответствовать результатам исследования. Например, наборы данных могут содержать информацию о классификации болезней и не отражать меры профилактики, которые можно было бы использовать для снижения вероятности возникновения болезней, поражающих растения [47].В некоторых случаях наборы данных нечеткие, что может сбить с толку людей, которые их интерпретируют. Некоторые данные могут содержать информацию о болезнях, поражающих кофе или рис, и не содержать точного влияния на производство [20]. Точное влияние на количество и качество продукта должно быть зафиксировано в таких исследованиях. Другая проблема заключается в том, что некоторые наборы данных могут не позволять использовать мобильные гаджеты [13]. Их сложности затрудняют анализ их содержимого с помощью мобильных устройств из-за требований к более высокому разрешению экрана.

    Изображения растений имеют три основные характеристики: цвет, форму и текстуру. По сравнению с цветом и текстурой признак формы не может помочь обнаружить болезни растения [48]. Hlaing и Zaw [48] классифицировали болезни растений томата, используя комбинацию признаков текстуры и цвета. Они использовали масштабно-инвариантное преобразование признаков (SIFT), чтобы найти информацию о текстуре, содержащую сведения о форме, местоположении и масштабе. Точно так же они собрали детали цвета из канала RGB.

    Дандавате и Кокаре [49] разработали подход к автоматическому обнаружению болезней растений сои. Они преобразовали изображение из цветового пространства RGB в цветовое пространство HSV (Hue Saturation Value). Для сегментации использовались цветовые и кластерные методы. Метод SIFT использовался для определения типа растения по форме листа.

    Пидипати и др. [50] идентифицировали болезнь цитрусовых, используя особенности цветовой текстуры наряду с дискриминантным анализом. Они также использовали метод совпадения цветов (CCM), чтобы определить, могут ли цветовые характеристики оттенка, насыщенности и интенсивности (HSI) и алгоритмы статистической классификации помочь идентифицировать больные листья. Их метод достиг точности более 0,95.

    Al-bayati и Üstündağ [51] выделили только участок листа, пораженный болезнью. Кроме того, они использовали слияние функций, что помогло сократить количество функций.

    Для обнаружения на основе изображений требуется много ресурсов, и власти должны обеспечить их доступность, чтобы деятельность прошла гладко. DL в целом и CNN в частности были разработаны для анализа многомерных данных, таких как изображения. Базовая модель основана на многослойной ИНС.Тем не менее, сверточный слой выполняет операции ядра над различными областями предоставленного изображения. Полученное представление не зависит от таких операций, как перенос или поворот. Было доказано, что такие признаки работают лучше по сравнению с традиционными признаками, ранее использовавшимися для обнаружения болезней растений [2].

    6. Сравнение производительности и обсуждение результатов

    Наша текущая исследовательская работа охватывает самые современные методы распознавания болезней растений с использованием ИИ за последние пять лет. Мы резюмируем ряд наблюдений, вытекающих из этой работы, в следующих абзацах: (i) Доступные базы данных и размер выпуска . Трудно получить изображения листьев для конкретных инфекций растений. Из-за этого размеры доступных наборов данных об объектах очень малы. Только в ограниченных работах сообщалось о тысячах изображений для исследовательских целей [22, 52–56]. Из-за проблемы небольшого размера базы данных большая часть набора данных используется на этапе обучения в большинстве методов глубокого обучения.Однако очень мало исключений, например [57–59]. Кроме того, доступные изображения базы данных собираются в очень ограниченных условиях окружающей среды. Мы считаем, что изображения должны быть собраны в реальных условиях, чтобы сделать алгоритмы более практичными. Эффективное получение изображений листьев — это необходимость часа. Если эти изображения будут сняты в реальном времени, такие базы данных будут тепло встречены исследовательским сообществом. В большинстве опубликованных в последнее время работ набирают популярность изображения, снятые с помощью умных мобильных устройств. Также представлены некоторые системы изображений с одним щелчком мыши, но предполагается, что исследователи сделают гораздо больше для автоматизации алгоритмов идентификации болезней растений. Переход систем захвата изображений на интеллектуальные устройства может помочь преодолеть серьезные проблемы, связанные с размером базы данных. (ii) Проблемы с доступными методами извлечения признаков . Выполнение задач предварительной обработки, выделения признаков и сегментации играет ключевую роль в разработке алгоритма на основе машинного обучения. Выбор наиболее подходящего метода предварительной обработки и сегментации также зависит от характера набора данных.Среди многих техник той, которая наиболее подходит для конкретного приобретения, обычно служит цели. Мы наблюдаем диапазон изменчивости в сообщаемых алгоритмах до сих пор для разных модулей. Мы наблюдаем несколько схожие наблюдения для различных методов выделения признаков. Короче говоря, стандартизация описанных методов еще не завершена и не достигнута. (iii) Трудности в модуле классификации . Автоматизация и обнаружение болезней растений уже давно является активной областью исследований.Учитывая очень мало изображений для обучения и тестирования, исследователи сообщают о весьма приемлемых результатах. Многие классификаторы изучаются исследователями в этой области. Это исследование пришло к выводу, что нейронная сеть с обратным распространением, SVM и дискриминантный анализ (особенно линейный) работают намного лучше, чем другие. Затем за ними следуют наивный байесовский алгоритм, случайный лес, k-ближайший сосед и многослойный персептрон. Однако современные результаты значительно улучшились благодаря недавно внедренным оптимизированным глубоким нейронным сетям.Более правильное использование глубоких сверточных нейронных сетей может помочь улучшить результаты для больших наборов данных. (iv) Ограничения доступных систем . Мы утверждаем, что методы анализа изображений сравнительно лучше, чем методы визуальной оценки тяжести конкретного заболевания. Однако системы, разработанные с использованием этих методов визуализации, несовершенны. Производительность системы сильно зависит от качества обучающих данных. В автоматизации болезней растений обучающие изображения и определенные извлеченные признаки существенно влияют на производительность системы.Система, обученная на данных хорошего качества, хорошо обучена. Однако большинство существующих систем имеют определенный набор требований, которые необходимо выполнить, чтобы система работала точно. Если некоторые из этих ограничений не выполняются, система может давать неточные результаты, что в конечном итоге приводит к неправильному обнаружению болезни. Например, большинство методов, основанных на глубоком обучении, и обычные методы машинного обучения в целом сталкиваются с проблемой переобучения. Исследователи должны думать об адаптивных системах, разработанных с учетом более гибких требований.Кроме того, необходимо адаптировать некоторые обобщенные методы, которые работают в гетерогенных средах. Для повышения эффективности также необходимы глубокие знания методов и надлежащее использование инструментов. (v) Меры по оценке . Доступно множество показателей для сравнения различных моделей классификации заболеваний. Эти меры основаны на четырех статусах: истинно положительный (TP), указывающий на количество правильно идентифицированных инфицированных образцов; истинно-отрицательный (TN), описывающий правильно идентифицированные здоровые изображения.Точно так же ложноположительные результаты (FP), показывающие количество здоровых образцов, которые были ошибочно классифицированы как инфицированные. Наконец, ложноотрицательные (FN) представляют инфицированные образцы, ошибочно классифицированные как здоровые. Точность – это отношение правильных классификаций () к общему количеству классификаций (). Точность представляет собой отношение правильно идентифицированных образцов как зараженных (TP) к общему количеству образцов, идентифицированных как инфицированные (сумма TP и FP). Точно так же отзыв представляет собой отношение TP к фактическому количеству инфицированных образцов (сумма TP и FN).Наконец, F-мера представляет гармоническое среднее точности и полноты. (vi) Сравнение результатов . Современные результаты обнаружения болезней растений сравниваются и обобщаются для различных наборов данных и методов в таблице 1. Мы представляем сводку наблюдений в следующих параграфах: (a) Дандавате и Кокаре [49] использовали SVM, линейный классификатор с контролируемым обучением для классификации болезней растений сои. Предложенная ими система получила среднюю точность 0,938. Аль-Баяти и Устундаг [51] использовали SVM и ANN для обнаружения болезней растений.Они проверили свои подходы на наборе данных PlantVillage. Среди различных фруктов и овощей клубника получила наивысшую точность 0,991. Более того, результаты улучшились благодаря слиянию классификаторов. По отзываемости наилучшие результаты были также получены для земляники (0,959). Было замечено, что слияние улучшило результаты для отзыва, как и в случае с точностью. Как и ожидалось, лучшая F-мера наблюдалась у земляники (0,975). Кроме того, результаты F-меры были лучше при использовании слияния классификаторов (b) Saleem et al.[27] разработали три архитектуры DL для обнаружения различных заболеваний растений, а именно: Single Shot Multibox Detector (SSD), Faster Region-based CNN (Faster-RCNN) и Region-based Fully Convolutional Networks (RFCN). SSD выполнял все вычисления в одной сети и использовал фильтры свертки меньшего размера, такие как и . Точно так же в Faster-RCNN обнаружение объектов осуществляется на двух разных этапах, в отличие от SSD. На первом этапе, также известном как этап сети предложений по регионам, изображения обрабатываются для получения предложений по регионам с использованием экстракторов признаков.Следовательно, функции помогают в определении специфичных для класса предложений для каждого из промежуточных сверточных слоев. Позже, на втором этапе, выявляются характеристики того же промежуточного слоя изображения. RFCN очень похож на Faster-RCNN, но не включает полностью сверточные слои после объединения областей интереса (ROI) (c) Эрнандес и Лопес [26] использовали стохастический градиентный спуск (SGD) для обучения слоя softmax. Конвергенция была достигнута после 60 эпох. SGD получил точность 0.96 и показатель F1 0,96, а также тонкую настройку VGG16, современного классификатора изображений, с использованием байесовских алгоритмов обучения. Отсев Монте-Карло (MC) смог получить как точность, так и оценку F1 0,94. Наконец, стохастическая градиентная динамика Ланжевена (SGLD) достигла точности 0,89, тогда как оценка F1 составила 0,88. SGD достигла точности 0,49 для вневыборочной классификации. С другой стороны, отсев методом Монте-Карло (MC) позволил достичь точности 0,55. Уместно отметить, что отсев MC можно использовать как во время обучения, так и во время тестирования.Точность SGLD составила всего 0,54, тогда как оценка F1 составила 0,15 для классификации вне выборки. Камиларис и Пренафета-Болду [2] сообщают, что во многих работах, связанных с обнаружением болезней растений и листьев и использованием методов DL, сообщаются отличные результаты, то есть точность выше 0,95 или показатель F1 выше 0,92. Причина, вероятно, заключается в специфических характеристиках (больных) листьев/растений и плодов на изображениях (d) Brahimi et al. [36] использовали AlexNet и GoogLeNet в наборе данных PlantVillage и получили точность 0.99. Точно так же Дхакал и Шакья [8] также использовали DL для набора данных PlantVillage. Они рассмотрели четыре метки класса: бактериальная пятнистость, вирус желтой курчавости листьев, фитофтороз и здоровый лист. Им удалось получить точность теста 0,956. Хан и др. [60] предложили модель на основе CNN и работали над пятью различными заболеваниями, обнаруженными в наборе данных PlantVillage. Метод получил точность 0,978. Уоллин и др. [9] использовали CNN для выявления болезней, обнаруженных у растений сои. Они использовали 12 673 изображения из набора данных PlantVillage.Набор данных был несбалансированным и содержал 6234 экземпляра здоровых листьев, 3565 изображений септориальной пятнистости листьев, 2023 изображения лягушачьей пятнистости листьев и всего 851 изображение ложной мучнистой росы. Они использовали три сверточных слоя, за каждым из которых следовал слой максимального объединения. Функция активации ReLU использовалась в каждом из сверточных слоев и полносвязном (FC) слое. Их результаты показали, что гораздо лучше использовать цветные изображения, чем изображения в градациях серого или сегментированные. Их подход позволил получить точность теста 0.993 после отсева. Тем не менее, лучшая модель получила оценку F1 0,99 (e) Reddy et al. [61] использовали CNN для идентификации видов растений, используя цветные изображения листьев. Они использовали пять наборов данных, включая PlantVillage, Leaf Snap, лист UCI, Flavia и шведский лист. В их модели используются четыре сверточных слоя, два слоя FC и слой softmax. Предлагаемый метод обеспечивает идеальную точность для трех наборов данных: Flavia, Swedish leaf и UCI leaf. Точно так же точность 0,980 получается для привязки к листу, тогда как 0.900 получается для набора данных PlantVillage. Сембиринг и др. [62] разработали краткую CNN для обнаружения болезней растений томатов. Они также использовали набор данных PlantVillage и получили точность 0,972. Точность немного меньше, чем у VGG16 (0,983). Тем не менее, предложенный метод потребовал менее одной четверти времени, необходимого VGG16. Таблица 1 обеспечивает сравнение различных подходов




    База данных Изображения используются Точность

    9
    AtiLa et al.[32] 2021 PlantVillage 61 486 0,984
    Reddy et al. [61] 2021 PlantVillage 54 305 0,900
    Sembiring et al. [62] 2021 PlantVillage 17 641 0,972
    Штольня и др. [12] 2020 PlantVillage 76 000 0,980
    Guo et al.[46] 2020 PlantVillage 61 486 0,992
    Khan et al. [60] 2020 PlantVillage 7 733 0,978
    Saleem et al. [27] 2020318 2020 2020 61 486 0.730
    2019 2019 PlantVillage 9 000 0.994
    Гончаров и др.[38] 2019 PlantVillage 54 306 0,870
    Lin et al. [5] 2019 Набор данных по мучнистой росе 20 0,961
    Nagasubramanian et al. [18] 2019 Набор данных гиперспектральных изображений 111 0,957
    Ozguven et al. [39] 2019 Набор данных по сахарной свекле 155 0.955
    Рамчаран и др. [7] 2019 Набор данных о болезни маниоки 720 0,790
    Shrivastava et al. [31] 2019 База данных Oryza sativa 619 0,914
    Stewart et al. [25] 2019 Набор данных аэрофотоснимков 3000 0,780
    Tian et al. [45] 2019 Набор данных изображения болезни Apple 640 0.994
    Туркогло и др. [15] 2019 Набор данных о растениях Турции 1,965 0,956
    Verma et al. [24] 2019 2019 IPPN Фенотипированные данные 345 0,904
    2018 PlantVillage дополнены 50 000 0.960
    Barbedo [19] 2018 Расширенная версия PlantVillage 50 000 0.980
    Кэп и др. [37] 2018 2018 Saitama Research Center Набор данных 60 000 0,780
    2018 PlantVillage 54 000 0. 985
    Ferentinos [3] 2018 Открытая база данных растений 87 848 0,995
    Rangarajan et al. [23] 2018 PlantVillage 13 262 0.950
    Ubbens et al. [14] 2018 PlantVillage 18 160 0,962
    Walleline et al. [9] 2018 Набор данных изображений сои 12 673 0,993
    [10] 2018 Набор данных Корнельского университета 18 222 0,850
    Amara et al. [35] 2017 PlantVillage 3700 0.997
    Брахими и др. [36] 2017 PlantVillage 14 828 0,992
    Cruz et al. [30] 2017 PlantVillage 299 0,986
    Durmus et al. [21] 2017 Набор данных о корейских заболеваниях томатов 5000 0,972
    Fuentes et al. [16] 2017 Набор данных изображений болезней томатов 5000 0.870
    Рамчаран и др. [13] 2017 Набор данных изображений болезни маниоки 11 670 0,930
    Wang et al. [1] 2017 PlantVillage 2 265 0,904
    Але и др. [43] 2016 Реальный набор данных о болезнях растений [22] 2016 Изображения взяты из Интернета 33 469 0.982

    7. Заключение и будущие работы

    В этой статье мы обсудили, как МО в целом и ДО в частности помогли идентифицировать болезни растений. Если болезни не идентифицированы правильно, они влияют на урожайность и в конечном итоге приводят к долгосрочным проблемам, таким как глобальное потепление и даже голод. Предлагаемая работа обобщает многочисленные исследования, касающиеся автоматизации и идентификации болезней растений с помощью различных методов машинного обучения.Предлагаемая рукопись также демонстрирует широкое признание ряда методов CV в этой области, что делает ее широкой областью исследований, которую предстоит изучить в ближайшем будущем. В следующих абзацах кратко изложены некоторые моменты, которые могут помочь улучшить и улучшить текущее состояние дел и дать исследователям некоторые потенциальные идеи для дальнейшего изучения этой области в будущем. (i) Идентификация стадии заболевания . Идентификация стадии болезни является одной из основных областей, которые необходимо изучить в отношении идентификации болезней растений.Каждое заболевание имеет несколько стадий. Большинство исследователей сосредоточили свою работу только на идентификации типа заболевания, но ни одна из этих работ не нацелена на идентификацию конкретной стадии заболевания. Кроме того, такие системы должны обладать способностью предлагать некоторые меры, зависящие, в частности, от конкретных стадий заболевания. Идентификация прогнозирования болезни поможет агрономам принять надлежащие меры и меры предосторожности для снижения процента ущерба. (ii) Количественная оценка болезни .Еще одна интересная область, которую необходимо изучить, — это количественная оценка конкретного заболевания. Хотя в этой области было проделано много работы, очень немногие исследователи определили степень ущерба, причиняемого болезнью. Они могут очень помочь, так как меры по исправлению положения могут быть приняты в зависимости от тяжести заболевания. Такой вид количественного определения позволит выявить долю зараженной определенной культуры некоторым заболеванием. Эта перспектива исследования жизненно важна, поскольку количество пестицидов можно контролировать.Обычно фермеры применяют химикаты для лечения болезней без предварительного анализа или количественной оценки. Такая практика крайне вредна для здоровья человека. Разработка эффективного приложения для обработки изображений поможет определить, нужны ли конкретные химические вещества или нет. (iii) Мобильные и онлайн-приложения . В литературе сообщалось о нескольких решениях, касающихся приложений идентификации заболеваний. Однако лишь немногие порталы и мобильные приложения общедоступны и доступны в Интернете.Некоторыми из этих приложений являются Assess Software и Leaf Doctor, которые общедоступны для использования. Однако эти приложения работают на оставленных изображениях с плоским и только черным фоном. Поэтому подобные онлайн-системы и приложения крайне необходимы для распознавания болезней растений. Наличие этих типов программного обеспечения поможет фермерам идентифицировать тот или иной вид болезни. Такие виды программного обеспечения могут использоваться для получения аналитических отчетов, которые могут быть отправлены эксперту по заболеваниям для получения некоторых предложений.(iv) Исследование трансферного обучения для увеличения объема данных . Аналогичным образом, отмечая текущие тенденции развития CV, которые очень быстро движутся к методам DL, для обнаружения болезней растений не очень удовлетворительно. Учитывая сложность данных, особенно на этапе обучения, лучшим вариантом для изучения является трансферное обучение. Для исследования передачи знаний может быть адаптирована стратегия гетерогенной предметной области. Что касается автоматической идентификации болезней растений, ключевыми словами, которые могут быть изучены, являются LSTM, кадры оптического потока, временное объединение и трехмерная свертка.Последний момент, который необходимо помнить, заключается в том, что для дальнейшего изучения этой области необходимы более совершенные и тщательно разработанные методы. Например, можно дополнительно исследовать случай увеличения данных.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов в отношении публикации данной статьи.

    Благодарности

    Авторы выражают благодарность Университету Кассим в лице декана научных исследований за финансовую поддержку данного исследования под номером (10269-coc-2020-1-3-I) в течение учебного года 1441 AH/ 2020 г. н.э.

    Цифровая фотография (проблемы растений) | Новости садоводства и домашних вредителей

    Цифровые изображения симптомов болезней растений и грибов (вызывающих гниение древесных растений) могут быть очень полезными для диагностики и идентификации. Цифровые фотографии бесплатны и их легко отправить. Мы не предоставляем диагноз или идентификацию только по изображению , потому что в большинстве случаев невозможно сделать даже хорошее предположение, но мы принимаем изображения, чтобы помочь определить, какой тип образца является наиболее подходящим.Вот советы, которые помогут лучше отправлять фотографии.

    1. Получите разные точки зрения.
      • Разнообразие изображений.
      • Сфотографируйте растение или гриб целиком.
      • Сфотографируйте крупным планом симптомы болезни или другие мелкие особенности растения или гриба.
    2. Убедитесь, что освещение правильное. Это может означать, что вы пытаетесь снимать под разными углами и в разных местах.
    3. Убедитесь, что особенности растения, гриба или болезни растения находятся в полном освещении, так как тени могут затенить образец и то, что вы хотите увидеть.
    4. Фокус, фокус, фокус.
      • Убедитесь, что образец (растение, признаки растения или гриб) хорошо виден.
      • Чтобы сфокусировать камеру мобильного телефона, часто достаточно просто коснуться экрана, чтобы настроить фокус автоматически.
      • Для стандартных камер «наведи и снимай» нажатие кнопки захвата наполовину приведет к фокусировке большинства камер. Если требуется крупный план, найдите на камере опцию макросъемки, часто это значок тюльпана или кнопка.
    5. Включите ссылку на размер.
      • В зависимости от размера положите рядом с образцом на фотографии монету, карандаш, линейку или линейку.
    6. Сделайте несколько снимков (цифровая пленка бесплатна!), но отправьте только лучшие пять-десять..
      • Включает вид всего завода,
      • Наблюдаемая картина симптомов (сверху, сбоку или снизу наиболее пораженные)
      • Ствол/ствол и основание растения
      • Наиболее распространенные симптомы крупным планом
      • Для грибов на деревьях сделайте снимок, на котором видно их расположение на дереве/растении, верх и низ шляпки и стебель. (без фото только идентификация, без рекомендаций по съедобности)
    7. Отправьте свои фотографии в форму отправки изображений PIDC (проблемы растений — болезни) https://go.iastate.edu/UUBQSQ
    8. Не выбрасывайте материал образцов.

    Не считай нужным извиняться. Мы все вместе, и фотографировать сложно. Практика и терпение. Ваши фотографии станут лучше с практикой.

     

    Как измерить ущерб от болезней листьев с помощью анализа изображений в ImageJ

    Лилиан Прайд, Гэри Валлад и Шинсуке Агехара 2

    В этой статье представлены простые методы обработки и анализа изображений для количественной оценки поражений листьев болезнями с помощью ImageJ, программы обработки изображений с открытым исходным кодом (рис. 1).Эти методы не предназначены для замены осмотра урожая или диагностики заболеваний лабораторией диагностики растений, а скорее служат дополнительным инструментом для проведения количественных измерений поражения листьев болезнями. Аналогичные методы также доступны для оценки роста растений, включая высоту растений, ширину растений и площадь полога (Agehara 2020). Методы обработки и анализа изображений, представленные в этой статье, довольно просты в использовании и поэтому могут применяться не только исследователями, но и консультантами по растениеводству, агентами по распространению знаний и студентами.Учебные видеоролики также доступны на YouTube-канале лаборатории физиологии садовых культур UF IFAS (https://www.youtube.com/playlist?list=PL4qrjj3jZ6i568ToiUV-DvAsQ0Gyb30hK).

    Рисунок 1. Пример методов обработки изображений для количественной оценки повреждения листьев болезнями на основе изображений с использованием ImageJ.

    Введение

    Болезни растений могут вызывать различные симптомы. Каждое заболевание имеет характерные симптомы, такие как пятнистость листьев, хлороз, некроз, задержка роста, увядание и другие деформации.Хотя симптомы могут проявляться на всем растении или на определенном органе растения, многие распространенные заболевания вызывают симптомы на листьях.

    Методы на основе изображений позволяют проводить количественные измерения, которые, как правило, более объективны, точны и воспроизводимы, чем визуальная оценка (Laflamme et al., 2016; Mutka and Bart, 2015; Sibiya and Sumbwanyambe, 2019; Xie et al., 2012). В этой статье представлены простые методы обработки и анализа изображений для количественной оценки поражений листьев болезнями с использованием ImageJ, программы обработки изображений с открытым исходным кодом.В следующих разделах мы шаг за шагом продемонстрируем различные методы, используя следующие болезни растений в качестве примеров: фомопсис на листьях ежевики, ложная мучнистая роса на огурцах и бактериальная пятнистость листьев на помидорах. Мы также продемонстрируем некоторые приемы устранения неполадок при обработке неидеальных изображений. Преимущества и недостатки количественной оценки поражения листа болезнью на основе изображений заключаются в следующем:

    Преимущества

    • Измерения на основе изображений предоставляют количественные данные и могут быть более объективными и точными, чем визуальная оценка.

    • Стоимость и необходимые инструменты минимальны — вам нужно только устройство захвата изображения (цифровая камера, смартфон или планшетный сканер) и ImageJ.

    • На одном и том же изображении можно выполнить несколько измерений (например, площадь заражения болезнью, процент заражения болезнью и количество пятен на листьях).

    • Изображения сами по себе являются очень хорошими визуальными данными.

    • Фотографии могут автоматически сохраняться с метаданными, такими как геолокация, дата и время.

    Недостатки

    • Измерения на основе изображений не могут отличить разные заболевания и симптомы, вызванные разными факторами (например, болезнь или абиотический стресс).

    • На точность измерений могут влиять качество изображения и тяжесть поражения болезнью.

    • Использование ImageJ для обработки и анализа изображений требует некоторой базовой компьютерной грамотности и установки совместимой версии программного обеспечения Java (https://www. java.com/ES/download/).

    Как получить идеальные изображения для анализа изображений

    Получение высококачественных изображений имеет решающее значение как для качественной интерпретации, так и для количественных измерений с помощью анализа изображений. Высококачественные изображения также могут сэкономить значительное количество времени при обработке изображений. Вот несколько советов, как сделать идеальные изображения для анализа изображений:

    • Используйте планшетный сканер вместо камеры. Отсканированные изображения имеют ряд преимуществ перед фотографиями, в том числе большую глубину цвета, равномерное освещение, отсутствие оптических искажений и минимальные эффекты искривления листьев.Мы рекомендуем использовать разрешение 300 точек на дюйм (dpi) или выше.

    • При съемке в помещении используйте штатив и положите листья на высококонтрастный фон (например, белый лист бумаги, черный лист). Включите в изображение эталонный объект известного размера, чтобы изображение можно было масштабировать.

    • Если вы фотографируете на открытом воздухе, выберите пасмурный день или угол съемки, при котором можно свести к минимуму глубокие тени на изображении (например, солнечный день без облаков в 12–14 часов для съемки сверху).

    Загрузить программное обеспечение ImageJ

    Обучающее видео для этого шага доступно по адресу https://youtu.be/KMq4cV_BQ7Y.

    1. Перейдите на https://imagej.nih.gov/ij/ и выберите «Загрузить».

    2. Определите свою платформу (Mac/Linux/Windows) и нажмите соответствующую ссылку.

    3. Установить программу. Описанные ниже измерения не требуют плагинов.

    Примечание:

      • Другой вариант загрузки — Фиджи (https://imagej.net/Fiji/Downloads), версия ImageJ со множеством плагинов.

      • Существуют и другие полезные плагины, доступные для отдельной загрузки (например, Wika Segmentation для обучения ImageJ автоматической обработке изображений).

      • В этой статье используется версия ImageJ 1.52.

    Установка масштаба (калибровка размера изображения)

    Фотографии

    Учебное видео для этого шага доступно по адресу https://youtu.быть/HoidaLxKMMk.

    1. Импорт изображения: выберите «Файл > Открыть» и перейдите к изображению или перетащите файл на панель инструментов ImageJ. Ниже представлена ​​фотография листьев ежевики, лежащих на листе белой копировальной бумаги. Фотография была сделана с помощью компактной цифровой камеры (SONY DSC-RX100) в комнате с только потолочным освещением.

    Фигура 2.

    2. Выберите инструмент «Прямая линия» (выделен ниже).

    Рисунок 3.

    3. Проведите линию к объекту известного размера (например, к линейке).

    Рисунок 4.

    4. Перейдите к «Анализ > Установить масштаб», чтобы установить расстояние до линии.

    i) Введите следующие параметры (например, высота линейки = 5 дюймов).

        • Известное расстояние: 5

        • Единица длины: дюйм

        • Глобальный: Проверено

    Рисунок 5.

    ii) Нажмите «ОК».

    Примечание:

        • Для точной калибровки размера изображения эталонный объект должен быть большим и находиться рядом с интересующим объектом.

        • Если установлен флажок «Глобальный», та же калибровка изображения будет применяться к изображениям, которые будут импортированы впоследствии. Используйте этот параметр, если одно и то же изображение необходимо импортировать несколько раз для выполнения анализа разных наборов изображений или когда все изображения в наборе имеют одинаковый масштаб (например,г., отсканированные изображения, изображения, сделанные с использованием штатива). При работе с изображением с другим масштабом «Установить масштаб» необходимо выполнить еще раз.

    Отсканированные изображения

    Обучающее видео для этого шага доступно по адресу https://youtu.be/9vnIt0JXJ5M.

    1. Получите размеры в пикселях, разрешение и физический размер изображения.

    Примечание:

      • В Windows размер изображения в пикселях и разрешение в точках на дюйм (dpi) можно получить, щелкнув файл правой кнопкой мыши, открыв «Свойства» и затем просмотрев вкладку «Подробности».Чтобы рассчитать физический размер изображения, разделите размеры в пикселях на разрешение.

      • На Mac физический размер изображения в дюймах, dpi и размерах в пикселях можно получить, открыв файл в «Предварительном просмотре» и перейдя в «Инструменты > Настройка размера…»

    2. Импортируйте изображение в ImageJ. Ниже представлено отсканированное изображение в формате 3400 × 4680 пикселей с разрешением 400 dpi (8,5 × 11,7 дюймов) листа помидора, полученное с помощью планшетного сканера (Epson Perfection V800).

    Рисунок 6.

    3. Перейдите к «Анализ > Установить масштаб», чтобы откалибровать изображение.

    i) Введите следующие параметры.

        • Расстояние в пикселях: 3400

        • Известное расстояние: 8,5

        • Единица длины: дюйм

        • Глобальный: Проверено

    ii) Нажмите «ОК».

    Примечание:

    Измерение площади

    Пример 1: фомопсис ежевики (образец листьев)

    Обучающее видео для этого шага доступно по адресу https://youtu.бе/твосУЖ6оДИ.

    В этом примере будет использоваться фотография листьев ежевики, использованная в разделе «Установка масштаба». Фитофтороз листьев проявляется в виде крупных некротических поражений.

    1. Перейдите в «Изображение > Настройка > Порог цвета», чтобы отделить лист от фона.

    i) Настройте параметры цветового порога (оттенок, насыщенность и яркость), чтобы выбрать весь лист (здоровый + больной).

    Примечание:

      • Оттенок является одним из параметров внешнего вида цвета и описывает чистые цвета спектра.Для всей площади листа диапазон оттенков от 0 до 110 хорошо подходит для большинства изображений.

      • Оптимальные значения могут варьироваться в зависимости от качества изображения, особенно для насыщенности и яркости.

    Рисунок 7.

    ii) Нажмите «Выбрать».

    Рисунок 8.

    2. Выберите «Процесс > Двоичный > Создать двоичный», чтобы преобразовать цветное изображение в двоичное (черно-белое).

    Рисунок 9.

    3. Используйте инструмент «Кисть», чтобы удалить большие скопления пикселей, которые не являются частью листьев.

    Рисунок 10.

    i) Дважды щелкните инструмент «Кисть» (выделен ниже).

    Рисунок 11.

    ii) Выберите следующие параметры.

    Рисунок 12.

    iii) Нажмите «ОК» и сотрите пиксели, которые не являются частью листьев.

    Рисунок 13.

    4.Перейдите в «Процесс > Шум > Удалить выбросы», чтобы удалить мелкие пятнышки, не являющиеся частью листьев. Этот шаг можно пропустить, если у изображения чистый фон, как в этом примере.

    5. Выберите переменные измерения и выполните измерение всей площади листа.

    i) Перейдите к «Анализ > Установить измерения» и выберите «Площадь» и «Ограничить до порога».

    Рисунок 14.

    ii) Нажмите «ОК».

    iii) Перейдите в «Анализ > Измерить» или нажмите Ctrl+M, чтобы измерить всю площадь листа.

    6. Снова откройте то же изображение и перейдите в «Изображение > Настройка > Порог цвета», чтобы выбрать пораженную область листа.

    i) Настройте параметры цветового порога (оттенок, насыщенность и яркость).

    Примечание:

      • Диапазон оттенков от 0 до 40 хорошо подходит для выделения пораженной области листа на этом изображении.

      • Оптимальный диапазон оттенков варьируется в зависимости от тяжести хлороза или некроза и степени зелени здоровой части листа.

    ii) Нажмите «Выбрать».

    Рисунок 15.

    7. Перейдите в «Процесс > Двоичный > Создать двоичный», чтобы преобразовать цветное изображение в двоичное.

    Рисунок 16.

    8. Используйте «Инструмент «Кисть» для удаления больших скоплений пикселей, которые не являются некротическими поражениями.

    Рисунок 17.

    9. Перейдите в «Обработка > Шум > Удалить выбросы», чтобы удалить мелкие пятна, не являющиеся некротическими поражениями.

    i) Выберите порог следующим образом.

        • Радиус: 5

        • Порог: 50

        • Какие выбросы: темные

    Рисунок 18.

    ii) Отметьте «Предварительный просмотр». Если все выглядит хорошо, нажмите «ОК».

    Примечание:

    Рисунок 19.

    10. Перейдите к «Анализ > Измерить» или нажмите Ctrl+M, чтобы измерить площадь пораженного листа.

    11. Рассчитайте процент поражения болезнью следующим образом: Площадь пораженного листа ÷ Вся площадь листа × 100. На рисунке 1 показаны изображения листьев ежевики, обработанные ImageJ для измерения целых, здоровых и больных участков листа.

    Пример 2: ложная мучнистая роса огурцов (несколько растений)

    Обучающее видео для этого шага доступно по адресу https://youtu.be/elyYvOEUezM.

    В этом примере будет использована фотография растений огурцов в поле.Фотография была сделана с помощью компактной цифровой камеры (SONY DSC-RX100) в середине солнечного дня. Повреждения, вызванные ложной мучнистой росой, проявляются некрозом на лозах.

    1. Импорт изображения.

    Рисунок 20.

    2. Перейдите в «Изображение > Настройка > Цветовой порог», чтобы отделить купол от фона.

    i) Отрегулируйте параметры цветового порога (оттенок, насыщенность и яркость), чтобы выбрать весь полог (здоровый + больной).

    Примечание:

        • На этом изображении хорошо работают оттенки от 0 до 122, насыщенность от 58 до 255 и яркость от 9 до 255.

    ii) Нажмите «Выбрать».

    Рисунок 21.

    3. Перейдите в «Изображение > Цвет > Палитра цветов», чтобы установить белый цвет фона.

    i) Дважды щелкните «B» в окне CP.

    Рисунок 22.

    ii) Откроется окно Цвет фона.Заполните 255 во всех трех ячейках в окне Цвет фона.

    iii) Нажмите «ОК», чтобы закрыть окно «Цвет фона».

    iv) Закройте окно CP.

    Примечание:

    4. Выберите «Правка > Очистить снаружи», чтобы удалить все, кроме выделенной области.

    Рисунок 23.

    5. Используйте «Инструмент «Кисть» или «Обработка > Шум > Удалить выбросы», чтобы удалить пиксели, которые не являются листьями.

    Рисунок 24.

    6.Перейдите в «Файл» > «Сохранить как…» > «Tiff…», чтобы сохранить изображение в виде файла TIFF. Сохраненное изображение будет использоваться на этапах 8–10 для измерения всей площади кроны и на этапах 12–14 для измерения пораженной области кроны.

    7. Закройте окно изображения и откройте изображение, сохраненное на шаге 6.

    8. Повторите шаг 2, чтобы выбрать навес.

    Рисунок 25.

    9. Перейдите в «Процесс > Двоичный > Создать двоичный», чтобы преобразовать цветное изображение в двоичное.

    Рисунок 26.

    10. Перейдите в «Анализ > Измерить» или нажмите Ctrl+M, чтобы измерить всю площадь купола.

    11. Закройте окно изображения и снова откройте изображение, сохраненное на шаге 6.

    12. Перейдите в «Изображение > Настройка > Цветовой порог», чтобы выбрать пораженную область кроны.

    i) Настройте параметры цветового порога (оттенок, насыщенность и яркость).

    Примечание:

        • На этом изображении хорошо работают оттенки от 0 до 45, насыщенность от 0 до 155 и яркость от 0 до 254.

    ii) Нажмите «Выбрать».

    Рисунок 27.

    13. Выберите «Процесс > Двоичный > Создать двоичный», чтобы преобразовать цветное изображение в двоичное.

    Рисунок 28.

    14. Перейдите к «Анализ > Измерить» или нажмите Ctrl+M, чтобы измерить пораженную область кроны.

    15. Рассчитайте процент поражения болезнью следующим образом: Пораженная площадь кроны ÷ Вся площадь навеса × 100.

    Измерение подсчета (бактериальная пятнистость листьев томатов)

    Пример 1: отсканированное изображение

    Обучающее видео для этого шага доступно по адресу https://youtu. быть/YV5L_YDMkRo.

    В этом примере будет использоваться сканирование листьев помидора, используемое в разделе «Установить масштаб > Отсканированные изображения». Бактериальная пятнистость листьев томатов проявляется в виде маленьких точек на обратной стороне листа.

    1. Щелкните инструмент «Прямоугольник» (выделен ниже).

    Рисунок 29.

    2. Выберите наименьший прямоугольник вокруг листа.

    Рисунок 30.

    3. Перейдите в «Изображение > Обрезать».»

    Рисунок 31.

    4. Перейдите в «Изображение > Настройка > Цветовой порог», чтобы выбрать пятна на листьях.

    i) Настройте параметры цветового порога (оттенок, насыщенность и яркость).

    Примечание:

        • На этом изображении хорошо работают оттенки от 0 до 47, насыщенность от 0 до 255 и яркость от 0 до 147.

    ii) Нажмите «Выбрать».

    Рисунок 32.

    5. Перейдите в «Процесс > Двоичный > Создать двоичный», чтобы преобразовать цветное изображение в двоичное.

    Рисунок 33.

    6. Используйте инструмент «Кисть», чтобы удалить большие скопления пикселей, которые не являются пятнами листьев.

    Рисунок 34.

    7. Перейдите в «Обработка > Шум > Удалить выбросы», чтобы удалить мелкие точки, которые не являются пятнами на листьях.

    i) Выберите порог следующим образом.

        • Радиус: 1

        • Порог: 50

        • Какие выбросы: темные

    ii) Отметьте «Предварительный просмотр.» Если все выглядит хорошо, нажмите «ОК».

    Примечание:

    Рисунок 43.

    8. Перейдите в «Анализ > Анализ частиц», чтобы измерить количество пятен на листьях.

    i) Введите следующие параметры.

    Примечание:

        • Используйте параметр «Размер», чтобы исключить пиксели, не являющиеся листовыми пятнами, по размеру, установив минимальную и максимальную площади пикселей. На шагах 6–7 мы удалили все крупные и мелкие частицы, которые не были пятнами на листьях.Таким образом, мы можем сосчитать все оставшиеся частицы.

        • Используйте параметр «Округлость», чтобы исключить пиксели, не являющиеся листовыми пятнами, по округлости, установив минимальную и максимальную округлость. Ноль вовсе не круглый, а 1 — идеальный круг.

        • Параметр «Показать» предоставляет несколько возможных визуальных выходов.

    ii) Выберите параметры, отмеченные на изображении ниже.

    iii) Нажмите «ОК».

    Рисунок 35.

    9. Запишите нужную информацию из таблиц «Сводка» и «Результаты». Данные подсчета указаны красной стрелкой на изображении ниже.

    Рисунок 36.

    Пример 2: Полевая фотография

    Обучающее видео для этого шага доступно по адресу https://youtu.be/bDuj4Jl1OS8.

    В этом примере мы будем анализировать фотографию того же листа из Примера 1, сделанную в полевых условиях на смартфон (iPhone 7). Поскольку скручивание листьев сделало некоторые пятна невидимыми, а наружное освещение уменьшило цветовой контраст между здоровой тканью листа и больной тканью, ImageJ обнаружит на фотографии меньше пятен на листьях, чем на отсканированном изображении.Тем не менее, все же можно подсчитать пятнистость листьев, используя следующую процедуру.

    1. Импорт изображения.

    Рисунок 37.

    2. Используйте инструмент «Выделения от руки», чтобы выбрать интересующую область.

    i) Щелкните инструмент «Выделение от руки» (выделено ниже).

    Рисунок 38.

    ii) Щелкните левой кнопкой мыши и удерживайте, чтобы начать обводку.

    iii) Продолжая удерживать, наметьте всю нужную область.

    Рисунок 39.

    Примечание:

        • Для наиболее стабильных результатов может потребоваться стандартизировать выбор части листа. На этом изображении исключены больные ткани на границе листа.

    3. Выберите «Правка > Очистить снаружи», чтобы удалить фон.

    Рисунок 40.

    4. Перейдите в «Изображение > Настройка > Цветовой порог», чтобы выбрать пятна на листьях.

    i) Настройте параметры цветового порога (оттенок, насыщенность и яркость).

    Примечание:

        • На этом изображении хорошо работают оттенки от 0 до 47, насыщенность от 0 до 255 и яркость от 0 до 254.

    ii) Нажмите «Выбрать».

    Рисунок 41.

    5. Перейдите в «Процесс > Двоичный > Создать двоичный», чтобы преобразовать цветное изображение в двоичное.

    Рисунок 42.

    6. Используйте инструмент «Кисть», чтобы удалить большие скопления пикселей, которые не являются пятнами листьев.

    7. Перейдите в «Обработка > Шум > Удалить выбросы», чтобы удалить мелкие точки, которые не являются пятнами на листьях.

    i) Выберите порог следующим образом.

        • Радиус: 2

        • Порог: 50

        • Какие выбросы: темные

    ii) Отметьте «Предварительный просмотр.» Если все выглядит хорошо, нажмите «ОК».

    8. Перейдите в «Анализ > Анализ частиц», чтобы измерить количество пятен на листьях.

    i) Введите следующие параметры.

    ii) Отметьте те же параметры, выбранные на том же шаге для Примера 1.

    iii) Нажмите «ОК».

    9. Запишите нужную информацию из таблиц «Сводка» и «Результаты». Данные подсчета указаны красной стрелкой на изображении ниже.

    Рисунок 44.

    Цитированная литература

    Agehara, S. 2020. Простые методы визуализации для оценки роста растений . ХС1353. Гейнсвилл: Институт пищевых и сельскохозяйственных наук Университета Флориды. https://edis.ifas.ufl.edu/hs1353.

    Лафламм, Б. , М. Миддлтон, Т. Ло, Д. Дево и Д. С. Гуттман. 2016. «Количественная оценка иммунитета и болезней растений на основе изображений». Молекулярные взаимодействия растений и микробов 29:919–924.

    Мутка А.М. и Р. С. Барт. 2015. «Фенотипирование симптомов болезней растений на основе изображений». Границы науки о растениях 5:1–8.

    Сибия М. и М. Сумбваньямбе. 2019. «Алгоритм оценки серьезности болезней листьев растений с использованием сегментации цветового порогового изображения и нечеткого логического вывода: предлагаемый алгоритм обновления приложения« Листовой доктор »». Агроинженерия 1: 205–219.

    Се, В., К. Ю, К. П. Паулс и А. Наваби. 2012. «Применение анализа изображений в исследованиях количественной устойчивости к болезням на примере патосистемы обыкновенной бактериальной гнили и обыкновенной фасоли». Фитопатология 102:434–442.

    Торговые наименования в данной публикации используются исключительно в целях предоставления конкретной информации. UF/IFAS не дает гарантии на названные продукты, и ссылки на них в этой публикации не означают нашего одобрения, за исключением других продуктов подходящего состава.

    Болезни растений — Публикации

    Исследование сухих бобов 2020 года — это 31-е ежегодное исследование выращиваемых сортов, проблем с вредителями (насекомые-вредители, болезни, сорняки), использования пестицидов, агрономических методов и методов борьбы с вредителями производителей сухих пищевых бобов в Миннесоте и Северной Дакоте.Опрос проводится при поддержке Ассоциации производителей сушеных бобов Northarvest.

    Предоставляет общую информацию о болезнях и управлении бактериальной полосатостью листьев пшеницы. Распространенность этого лиственного заболевания увеличилась за последние пять лет, что привело к потере урожая.

    Значение, причина, признаки и симптомы, цикл болезни и стратегии борьбы с килой канолы

    Часто встречается церкоспороз, который может привести к значительной потере урожая и качества, а также снижает срок хранения корнеплодов сахарной свеклы в буртах.Бактериальная пятнистость листьев встречается часто, но обычно не имеет экономического значения; некоторые устойчивые к ризомании сорта показали повышенную восприимчивость к бактериальной пятнистости листьев.

    Плесень кукурузных початков вызывает беспокойство из-за их способности продуцировать микотоксины, которые могут повлиять на кормовую ценность скота.Ниже приведены некоторые ответы на часто задаваемые вопросы о плесневых грибках для кукурузных початков.

    Сухая фасоль — это продовольственная культура, которая требует от производителей особого ухода и внимания. Надлежащее управление необходимо от выбора сорта, выбора поля и посадки до сбора урожая, а также маркетинга для максимальной прибыльности. Это руководство помогает производителям решать эти производственные задачи.

    Корневые гнили являются важным фактором, ограничивающим урожайность чечевицы и гороха. Борьба с корневыми гнилями требует профилактических мер, раннего обнаружения и точной диагностики.В этой публикации описаны симптомы и стратегии борьбы с возбудителями корневой гнили гороха и чечевицы.

    Болезнь картофеля вызывается грибковым возбудителем Alternaria solani. Болезнь поражает листья, стебли и клубни и может снижать урожайность, размер клубней, лежкость клубней, качество клубней в свежем виде и для переработки, а также товарность урожая.

    В этой публикации представлена ​​информация по часто задаваемым вопросам, касающимся спорыньи и ее воздействия на зерновые, а также о том, скармливается ли она домашнему скоту.

    В этой публикации представлена ​​информация по выявлению и борьбе с распространенными грибковыми пятнистостями листьев пшеницы в Северной Дакоте.

    В этой публикации представлена ​​информация по идентификации и борьбе с фузариозом и связанными с ним микотоксинами.

    Желтый фузариоз сахарной свеклы был обнаружен в долине Ред-Ривер на нескольких полях между Мурхедом, штат Миннесота.и Дрейтон, Северная Дакота, в 2002 г. Желтый фузариоз вызывается грибком Fusarium oxysporum f. сп. betae, хотя другие виды Fusarium могут быть вовлечены в качестве вторичных захватчиков. Болезнь вызывает значительное снижение урожая корнеплодов и извлекаемой сахарозы. При хранении качество инфицированных корней может ухудшаться быстрее, чем у неинфицированных корней.

    В этой публикации рассматривается комплексная борьба с вредителями (IPM) в сельском хозяйстве. Описаны примеры различных стратегий борьбы с вредителями, таких как культуральная, устойчивость растений-хозяев, механическая, биологическая и химическая. Обобщены этапы внедрения IPM и его преимущества.

    Фитофтороз вызывает грибоподобный оомицетный возбудитель Phytophthora infestans.Это потенциально разрушительное заболевание может поражать листву и клубни картофеля на любой стадии развития культуры.

    Продолжая серию карточек диагностики заболеваний, они финансируются извне и будут распространяться среди производителей и других заинтересованных сторон.

    Это руководство по фунгицидам основано на последней информации, полученной от Сельскохозяйственной экспериментальной станции Северной Дакоты. Министерство сельского хозяйства США, Агентство по охране окружающей среды США (EPA) и сельскохозяйственная химическая промышленность.

    Время от времени возникает нехватка семян, и некоторые производители хотят высаживать несертифицированные семена.Цель этой статьи — рассказать об этих правилах для Северной Дакоты и Миннесоты и обсудить, как выбрать лучшие семенные клубни.

    В публикации представлена ​​информация по часто задаваемым вопросам о ДОН/ВОМ, содержащихся в мелких зернах. Дополнительная информация предоставляется по управлению ДОН/ВОМ.

    Мучнистая роса — это спорадическое грибковое заболевание листьев сахарной свеклы в долине Ред-Ривер и в районах выращивания сахарной свеклы на юге Миннесоты. Впервые он был обнаружен в Миннесоте и Северной Дакоте в 1975 году.В последние годы использование фунгицидов триазола и стробилурина для борьбы с пятнистостью листьев Cercospora ограничивает развитие мучнистой росы. Недавние открытия половой стадии грибка мучнистой росы в нескольких штатах, производящих сахарную свеклу, могут привести к потенциальным биологическим изменениям в грибке, что затруднит его контроль.

    Это было разработано для буфера обмена, чтобы помочь с программой диагностики картофеля.

    Вирус картофельной швабры вызывает проблемы с качеством клубней. Инфекция на клубнях может проявляться дугами или кольцами на поверхности клубней, глубокими трещинами и деформациями кожуры, ухудшающими качество клубней. Необходимо соблюдать осторожность, чтобы не заразить поля PMTV из известных полей, зараженных мучнистой паршой и PMTV.Кроме того, избегание заражения семенных клубней PMTV или мучнистой паршой и использование сортов, нечувствительных к мочалке, может помочь предотвратить эту проблему.

    Spongospora subterranea f. сп. subterranea (называемый S. subterranea), возбудитель мучнистой парши и корневого галлообразования у картофеля, представляет собой грибоподобный патоген, передающийся через почву и клубни.Впервые о S. subterranea сообщили в США в 1913 г. В том же году болезнь была обнаружена в таких штатах, где выращивают картофель, как Мэн, Флорида, Миннесота и Орегон. На сегодняшний день возбудитель болезни можно обнаружить на всей территории США, а также в некоторых других регионах выращивания картофеля по всему миру.

    Предоставляет общую информацию и информацию по управлению листовой, стеблевой и полосатой ржавчиной пшеницы в Северной Дакоте.

    Эта серия помогает в идентификации заболеваний.

    Справочник по производству сои в Северной Дакоте предоставляет производителям данные о производстве сои по всему штату.В нем рассматриваются вопросы выбора сортов, выращивания и внесения удобрений, борьбы с болезнями, насекомыми и сорняками, сбора и хранения соевых бобов.

    Эта серия помогает в идентификации заболеваний.

    Вирус погремушки табака (TRV) вызывает экономически важную болезнь пробково-кольцевой пятнистости (CRS) у картофеля. Вирус табачной погремушки передается в поле почвенными душными корневыми нематодами родов Trichodorus и Paratrichodorus.

    Использование компьютерного зрения для обнаружения заболеваний сельскохозяйственных культур с помощью анализа изображений с помощью Amazon Rekognition Custom Labels

    В настоящее время многие болезни поражают сельское хозяйство и приводят к значительным экономическим потерям из-за снижения урожайности и потери качества продукции. Во многих случаях состояние здоровья урожая или растения часто оценивают по состоянию его листьев.Для фермеров крайне важно выявить эти симптомы на ранней стадии. Раннее выявление является ключом к борьбе с болезнями до того, как они распространится слишком далеко. Однако вручную определить, заражен ли лист, тип инфекции и необходимое решение для борьбы с болезнью, трудно решить. Существующие методы могут быть подвержены ошибкам и очень дороги. Здесь может помочь автоматизированное машинное обучение (ML) для компьютерного зрения (CV). Как правило, для создания сложных моделей машинного обучения требуются сотни тысяч помеченных изображений, а также опыт работы с данными.В этом посте мы покажем, как можно создать комплексное решение для обнаружения, идентификации и рекомендаций по устранению заболеваний с помощью пользовательских меток Amazon Rekognition.

    Amazon Rekognition — это полностью управляемый сервис, который предоставляет возможности CV для анализа изображений и видео в масштабе с использованием технологии глубокого обучения, не требуя опыта машинного обучения. Пользовательские метки Amazon Rekognition, автоматизированная функция машинного обучения в Amazon Rekognition, позволяет быстро обучать пользовательские модели CV, соответствующие потребностям вашего бизнеса, просто добавляя помеченные изображения.

    Обзор решения

    Мы создаем индивидуальную модель для обнаружения болезней листьев растений. Чтобы создать нашу пользовательскую модель, мы выполняем следующие шаги:

    1. Создайте проект в Amazon Rekognition Custom Labels.
    2. Создайте набор данных с изображениями, содержащими несколько типов болезней листьев растений.
    3. Обучите модель и оцените производительность.
    4. Протестируйте новую пользовательскую модель с помощью автоматически созданной конечной точки API.

    Пользовательские метки Amazon Rekognition позволяют управлять процессом обучения модели машинного обучения в консоли Amazon Rekognition, что упрощает сквозную разработку модели и процесс вывода.

    Создание вашего проекта

    Чтобы создать проект обнаружения болезней листьев растений, выполните следующие шаги:

    1. В консоли Amazon Rekognition выберите Пользовательские метки .
    2. Выберите Начать .
    3. Для Название проекта введите обнаружение заболеваний листьев растений.
    4. Выберите Создать проект .

    Вы также можете создать проект на странице Проекты . Вы можете получить доступ к странице Projects через панель навигации.

    Создание набора данных

    Чтобы создать модель обнаружения болезней листьев, сначала необходимо создать набор данных для обучения модели.Для этого поста наш набор данных состоит из трех категорий изображений заболеваний листьев растений: бактериальная пятнистость листьев, бурые пятна и листовая головня.

    На следующих изображениях показаны примеры бактериального ожога листьев.

    На следующих изображениях показаны примеры коричневых пятен.

    На следующих изображениях показаны примеры листовой головни.

    Мы получили изображения из UCI, Citation (Prajapati HB, Shah JP, Dabhi VK.Выявление и классификация болезней растений риса. Технологии интеллектуального принятия решений. 2017 Jan 1;11(3):357-73, doi: 10.3233/IDT-170301) (Дуа, Д. и Графф, К. (2019). Репозиторий машинного обучения UCI [http://archive. ics.uci. edu/ml].Ирвин, Калифорния: Калифорнийский университет, Школа информационных и компьютерных наук.)

    Чтобы создать свой набор данных, выполните следующие шаги:

    1. Создайте корзину Amazon Simple Storage Service (Amazon S3).

    Для этого поста я создаю корзину S3 под названием «план-лист-болезнь-данные».

    1. Создайте внутри этого ведра три папки с именами Bacterial-Leaf-Blight, Brown-Spot и Leaf-Smut для хранения изображений каждой категории болезней.

    1. Загрузите файлы изображений каждой категории в соответствующее ведро.
    2. В консоли Amazon Rekognition в разделе Наборы данных выберите Создать набор данных .
    3. Выберите Импорт изображений из корзины Amazon S3 .

    1. Для местоположения папки S3 введите путь к корзине S3.
    2. Для автоматической маркировки выберите Автоматически прикреплять метку к моим изображениям на основе папки, в которой они хранятся .

    Это создает маркировку данных изображений как имена папок.

    Теперь вы можете увидеть сгенерированную политику разрешений корзины S3.

    1. Скопируйте политику JSON.

    1. Перейдите к корзине S3.
    2. На вкладке Permission в разделе Bucket policy выберите Edit .
    3. Введите скопированную политику JSON.
    4. Выбрал Сохранить изменения .

    1. Выбрать Отправить .

    Вы можете видеть, что маркировка изображений организована на основе имени папки.

    Обучение вашей модели

    После того, как вы пометите свои изображения, вы готовы к обучению своей модели.

    1. Выберите модель поезда .
    2. Для Выберите проект , выберите свой проект обнаружения болезней листьев растений.
    3. Для Выберите обучающий набор данных , выберите свой набор данных о заболеваниях листьев растений.

    В рамках обучения модели Amazon Rekognition Custom Labels требуется размеченный тестовый набор данных. Amazon Rekognition Custom Labels использует тестовый набор данных, чтобы проверить, насколько хорошо обученная модель предсказывает правильные метки и создает метрики оценки. Изображения в тестовом наборе данных не используются для обучения вашей модели и должны представлять те же типы изображений, которые вы используете с моделью для анализа.

    1. Для Создать тестовый набор выберите способ создания тестового набора данных.

    Пользовательские метки Amazon Rekognition доступны в трех вариантах:

    • Выберите существующий набор тестовых данных
    • Создать новый тестовый набор данных
    • Разделить набор обучающих данных

    Для этого поста мы выбираем Разделить обучающий набор данных и позволяем Amazon Rekognition удерживать 20 % изображений для тестирования, а оставшиеся 80 % изображений использовать для обучения модели.

    Обучение нашей модели заняло примерно 1 час. Время обучения, необходимое для вашей модели, зависит от многих факторов, включая количество изображений, представленных в наборе данных, и сложность модели.

    По завершении обучения Amazon Rekognition Custom Labels выводит ключевые показатели качества, включая оценку F1, точность, полноту и предполагаемый порог для каждой метки. Дополнительные сведения о метриках см. в разделе Метрики для оценки вашей модели.

    Результаты нашей оценки показывают, что наша модель имеет точность 1,0 для Bacterial-Leaf-Blight и Brown-Spot, что означает, что ни один объект не был ошибочно идентифицирован (ложноположительные результаты) в нашем тестовом наборе. Наша модель также не пропустила ни одного объекта в нашем тестовом наборе (ложноотрицательные результаты), что отражено в нашей оценке отзыва, равной 1. Вы часто можете использовать показатель F1 в качестве общего показателя качества, поскольку он учитывает как точность, так и отзыв. Наконец, мы видим, что наш предполагаемый порог для создания показателей оценки, точности и отзыва F1 для каждой категории равен 0.62, 0,69 и 0,54 для бактериальной пятнистости листьев, бурой пятнистости и головни листьев соответственно. По умолчанию наша модель возвращает прогнозы выше этого предполагаемого порога.

    Мы также можем выбрать Просмотр результатов теста , чтобы увидеть, как наша модель работала на каждом тестовом изображении. На следующем снимке экрана показан пример правильно идентифицированного изображения бактериальной пятнистости листьев во время тестирования модели (истинно положительный результат).

    Проверка вашей модели

    Теперь ваша модель обнаружения болезней растений готова к использованию.Amazon Rekognition Custom Labels предоставляет вызовы API для запуска, использования и остановки вашей модели; вам не нужно управлять какой-либо инфраструктурой. Дополнительные сведения см. в разделе Запуск и остановка модели пользовательских меток Amazon Rekognition (консоль).

    Помимо использования API, вы также можете использовать демонстрацию пользовательских меток. Этот шаблон CloudFormation позволяет вам настроить собственный защищенный паролем пользовательский интерфейс, в котором вы можете запускать и останавливать свои модели, а также выполнять демонстрационные выводы.

    После развертывания к приложению можно получить доступ с помощью веб-браузера, используя адрес, указанный в выходных URL-адресах из стека CloudFormation, созданного во время развертывания решения.

    1. Выберите Запустите модель .

    1. Укажите требуемый модуль логического вывода. Для этого примера присвоим значение 1,
    2. .

    Плата взимается за время работы модели в минутах.Дополнительные сведения см. в разделе Часы логического вывода.

    Запуск может занять некоторое время.

    1. Выберите название модели.

    1. Выберите Загрузить .

    Откроется окно, в котором можно выбрать изображение листа растения с локального диска.

    Модель обнаруживает заболевание на загруженном изображении листа вместе с оценкой достоверности. Он также дает рекомендации по борьбе с вредителями в зависимости от типа болезни.

    Уборка

    Во избежание ненужных расходов удаляйте ресурсы, использованные в этом пошаговом руководстве, когда они не используются. Для получения инструкций см. следующее:

    Заключение

    В этом посте мы показали, как создать модель обнаружения объектов с помощью пользовательских меток Amazon Rekognition. Эта функция упрощает обучение пользовательской модели, которая может обнаруживать класс объектов без необходимости указывать другие объекты или терять точность результатов.

    Дополнительные сведения об использовании настраиваемых меток см. в разделе Что такое настраиваемые метки Amazon Rekognition?


    Об авторах

    Дирадж Тхакур — архитектор решений в Amazon Web Services. Он работает с клиентами и партнерами AWS, предоставляя рекомендации по внедрению, миграции и стратегии корпоративного облака. Он увлечен технологиями и любит строить и экспериментировать в области аналитики и AI/ML.

     

     

    Самир Гоэл — архитектор решений из Сиэтла, который способствует успеху клиентов, создавая прототипы на основе передовых инициатив.До прихода в AWS Самир получил степень магистра в NEU Boston, специализируясь на науке о данных. Ему нравится создавать и экспериментировать с проектами AI/ML на Raspberry Pi.

    .

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *