Süni intellekt əsaslı bitki sağlamlığının aşkarlanması, görüntü, spektral ölçmə, ətraf mühit sensoru və ya oxşar kənd təsərrüfatı məlumatlarındakı nümunələri öyrənərək xəstəlik və zərərvericilərin avtomatik şəkildə skan edilməsini, təsnifləşdirilməsini, lokallaşdırılmasını və ya inkişafının proqnozlaşdırılmasını təmin edən qərar-dəstək yanaşmasıdır. Bu icmal, zərərverici və bitki xəstəliklərinin aşkarlanmasında istifadə olunan süni intellekt metodlarını aşkarlama modaliteti, öyrənmə paradiqması, müşahidə miqyası və xəstəliyin inkişaf mərhələsinə görə strukturlaşdırır. Zərərverici monitorinqi; tələ/populyasiya səviyyəsi, bitki-mərkəzli birbaşa aşkarlama və sahə/hava platforması miqyasında nəzərdən keçirilərkən xəstəlik aşkarlanması görünən simptomlar yarandıqdan sonrakı RGB əsaslı diaqnostika ilə multispektral və hiperspektral görüntüləməyə əsaslanan pre-simptomatik aşkarlama olaraq ayrılır. İcmalın əsas şərhi ondan ibarətdir ki, süni intellekt sürətli və miqyaslana bilən skan təmin edə bilər; lakin məlumat azlığı, domain shift, sahə şəraitində ümumiləşdirmə, biotik–abiotik stressin ayrılması və korrelyasiya–səbəbiyyət problemi səbəbindən PCR, ELISA və aqronomik ekspertiza kimi təsdiqləyici üsulların yerini alan müstəqil diaqnostik sistem kimi qəbul edilməməlidir.

Mənbədə nəzərdən keçirilən tədqiqatlar RGB, multispektral, hiperspektral, termal və flüoresans görüntüləməni; IoT sensorlarını, UAV-ləri, robotik sistemləri və müxtəlif kompüter görməsi arxitekturalarını istifadə edir. Klassik maşın öyrənməsi metodları əvvəlcədən çıxarılmış spektral indeks və ya tekstura xüsusiyyətləri ilə işləyə bildiyi halda CNN və Vision Transformer kimi dərin öyrənmə arxitekturaları xam görüntülərdən və ya spektral məlumat kublarından xüsusiyyətləri ucdan-uca öyrənə bilər. Obyekt aşkarlamasında YOLO, R-CNN və SSD ailələri; seqmentasiyada U-Net, DeepLab, Mask R-CNN və Mask2Former kimi arxitekturalar ön plana çıxır. Bununla yanaşı, model arxitekturasının adı təkbaşına sahə uğurunu müəyyən etmir; məlumat dəstinin məhsulu, bölgəni, xəstəlik mərhələsini, sensoru, işıqlandırmanı və ətraf mühit şəraitini nə dərəcədə təmsil etməsi kritik əhəmiyyət daşıyır.

İcmal xüsusilə xəstəliyin görünən simptom yaratmasından əvvəl baş verən fizioloji dəyişikliklərin spektral sensorlarla aşkarlanmasına önəm verir. Red-edge, NIR və SWIR bölgələrindəki dəyişikliklər xlorofil, hüceyrə quruluşu və yarpaq su vəziyyəti kimi fizioloji proseslərə həssas ola bilər. Lakin quraqlıq, qida çatışmazlığı və digər abiotik stresslər də oxşar spektral imzalar yarada bildiyindən, AI tərəfindən aşkarlanan spektral anomaliya müəyyən bir patogenin mövcudluğunun birbaşa bioloji sübutu deyil. Buna görə mənbə geniş sahəli AI skanını hədəfli molekulyar təsdiqləmə ilə birləşdirməyi ən etibarlı yanaşma kimi təqdim edir.

Bitki sağlamlığının aşkarlanması niyə çətin problemdir?

Bitki sağlamlığı yalnız bitkinin xəstəlik daşımaması demək deyil. Zərərvericilər, göbələklər, bakteriyalar, viruslar və nematodlar kimi biotik amillərlə yanaşı quraqlıq, temperatur, şoranlıq, qida çatışmazlığı və ya toksiklik kimi abiotik stresslər də bitkinin fizioloji funksiyasını və məhsuldarlığını poza bilər.

Bu müxtəlif amillərin yaratdığı simptomlar çox vaxt bir-birinə bənzəyir. Saralma virus infeksiyasının nəticəsi ola biləcəyi kimi azot çatışmazlığı və ya su basmasından da yarana bilər. Solma vaskulyar patogenin göstəricisi ola bildiyi kimi quraqlıq və ya istilik stressində də ortaya çıxa bilər. Nekrotik lezyonlar göbələk və bakteriyalarla yanaşı şoranlıq, don və ya kimyəvi zədələnmə nəticəsində də yarana bilər.

Buna görə etibarlı AI sistemi yalnız “yarpaqda sarı sahə varmı?” sualına cavab verməməlidir. Simptomun məkan paylanması, lezyon sərhədi, teksturası, bitkinin hansı hissəsində meydana gəlməsi, spektral cavab, torpaq rütubəti, temperatur və xəstəliyin zaman ərzində inkişafı kimi kontekstual dəyişənlər də qiymətləndirilməlidir.

Süni İntellekt Bitki Xəstəliyi və Zərərverici Aşkarlanmasında Hansı Məlumat Növlərindən İstifadə Edir?

Mənbədə nəzərdən keçirilən AI sistemləri görünən RGB görüntülərdən multispektral və hiperspektral məlumat kublarına, termal və flüoresans görüntülərdən torpaq rütubəti, temperatur və nisbi rütubət kimi IoT sensor məlumatlarına qədər müxtəlif modalitetlərdən istifadə edir; sensor seçimi isə görünən simptomların aşkarlanması, erkən fizioloji dəyişikliklərin müəyyənləşdirilməsi və ya geniş sahəli monitorinq kimi məqsədə görə dəyişir.

RGB görüntüləmə

RGB görüntüləmə qırmızı, yaşıl və mavi görünən diapazonları istifadə edir və insan gözünün qavrayışına yaxın vizual məlumat verir. Aşağı maliyyətli olması və smartphone, kamera, drone və robotik platformalara asan inteqrasiya edilə bilməsi əsas üstünlüyüdür.

RGB-nin əsas məhdudiyyəti əksər hallarda yalnız görünən fenotipik dəyişiklikləri tuta bilməsidir. Xəstəlik fizioloji olaraq başlamış, lakin rəng, tekstura və ya morfologiyada görünən simptom yaratmamışsa yalnız RGB istifadə edən modelin lazımi siqnalı görməsi mümkün olmaya bilər.

Multispektral görüntüləmə

Multispektral sistemlər adətən RGB ilə yanaşı red-edge və near-infrared kimi seçilmiş bir neçə spektral diapazondan istifadə edir. Mənbə multispektral sistemlərin tipik olaraq təxminən 3–13 diapazonla işləyə bildiyini bildirir.

Seçilmiş görünən xarici diapazonlar xlorofil dəyişimi, hüceyrə quruluşu və ya bitki-su əlaqəsinə həssas olduğundan görünən simptomlardan daha erkən fizioloji dəyişiklikləri aşkarlamaq potensialı daşıyır.

Hiperspektral görüntüləmə

Hiperspektral görüntüləmə onlarla və ya yüzlərlə dar spektral diapazon yaradır. Mənbə təxminən 400–2500 nm intervalına yayılan hiperspektral ölçmələrin insan gözünün ayırd edə bilmədiyi incə biokimyəvi dəyişiklikləri üzə çıxara biləcəyini müzakirə edir.

Bu zənginlik eyni zamanda maliyyət, məlumat həcmi və hesablama problemi yaradır. Çoxsaylı diapazonlar aşağı nümunə-sayı / yüksək xüsusiyyət-sayı problemi səbəbindən modelin həddən artıq uyğunlaşma riskini yüksəldə və real zamanlı edge istifadəsini çətinləşdirə bilər.

Termal görüntüləmə

Termal sensorlar yarpaq temperaturundakı dəyişiklikləri izləyir. Stomanın bağlanması və transpirasiyanın dəyişməsi kimi fizioloji proseslər temperatur nümunəsini təsir edə bildiyindən görünən simptomlar yaranmadan əvvəl stress haqqında məlumat təmin edə bilər.

Flüoresans görüntüləmə

Xlorofil flüoresansı fotosintetik sistemin vəziyyəti haqqında məlumat daşıyır. İcmalın istinad etdiyi ədəbiyyatda Fv/Fm və qP kimi fotosistem II ilə əlaqəli dəyişənlərin bəzi stress şəraitində erkən fizioloji reaksiya göstəricisi ola bildiyi bildirilir.

IoT və ətraf mühit sensorları

Torpaq rütubəti, hava temperaturu, nisbi rütubət və digər ətraf mühit müşahidələri təkbaşına patogen aşkarlanması deyil. Bunun əvəzinə görüntü və ya spektral anomalının hansı ətraf mühit şəraitində yarandığını izah edən kontekstual məlumat verir. Beləliklə, məsələn, su stressi ilə xəstəlik mənşəli spektral dəyişimin ayrılması daha mümkün ola bilər.

AI, maşın öyrənməsi və dərin öyrənmə arasındakı əlaqə

Artificial Intelligence (AI), ağıllı davranış göstərə bilən sistemlərin hazırlanmasını əhatə edən geniş tədqiqat sahəsidir. Machine Learning (ML), AI-ın məlumat nümunələrindən öyrənməyə fokuslanan alt sahəsidir. Deep Learning (DL) isə çoxqatlı neyron şəbəkələrindən istifadə edərək təsvirləri avtomatik öyrənən ML alt sahəsidir.

Klassik ML tətbiqlərində tədqiqatçı əvvəlcə spektral indeks, rəng statistikası və ya tekstura təsviri kimi xüsusiyyətlər çıxara bilər və sonra Support Vector Machine, Decision Tree və ya Random Forest kimi alqoritmlərdən istifadə edə bilər.

DL-də CNN və ya Vision Transformer kimi arxitekturalar xam piksel, hiperspektral məlumat kubu və ya zaman sırasından xüsusiyyətləri birbaşa öyrənə bilər. Bunun üstünlüyü xüsusiyyət mühəndisliyinin bir hissəsini avtomatlaşdırmasıdır; çatışmazlığı isə adətən daha çox etiketlənmiş məlumat və hesablama resursu tələb etməsidir.

Kompüter görməsi tapşırıqları bir-birindən necə fərqlənir?

Başlıca model ailələri

İcmal obyekt aşkarlanmasında R-CNN, YOLO və SSD ailələrini; seqmentasiyada U-Net, DeepLab, Mask R-CNN və Mask2Former kimi strukturları izah edir. CNN-lər yerli görüntü nümunələrini konvolyusiya filtrləri ilə öyrənərkən Vision Transformer arxitekturaları görüntünü patch ardıcıllıqlarına bölüb self-attention vasitəsilə daha geniş konteksti modelləşdirə bilər.

YOLO ailəsinin xüsusilə sürətli inference və obyekt lokalizasiyası səbəbindən nəzərdən keçirilən pest detection tədqiqatlarında geniş istifadə olunduğu görünür. Lakin icmalın öz müqayisəsi eyni arxitektura ailəsinin müxtəlif mühitlərdə çox fərqli performans verə biləcəyini göstərir.

Simptom Yaranmadan Bitki Xəstəliyinin Aşkarlanması Necə Mümkün Ola Bilər?

Pre-simptomatik aşkarlama, xəstəliyin görünən lezyon yaratmazdan əvvəl bitkinin xlorofil məzmununda, fotosintetik funksiyasında, hüceyrə quruluşunda, su daşınmasında və ya yarpaq temperaturunda yaratdığı fizioloji dəyişikliklərin multispektral, hiperspektral, termal və ya flüoresans sensorlarla ölçülməsinə və bu zəif nümunələrin AI tərəfindən öyrənilməsinə əsaslanır; lakin belə bir anomaliya təkbaşına müəyyən bir patogenin dəqiq diaqnozu deyil.

Stressin zaman ərzində inkişafı

Mənbənin konseptual çərçivəsinə görə stress əvvəlcə molekulyar və hüceyrə səviyyəsində başlayır. Gen ifadəsi, hormon səviyyələri, protein sintezi və reactive oxygen species kimi proseslərdəki dəyişikliklər gözlə görünmür.

Daha sonra fotosintetik səmərəlilik, spektral əks olunma, temperatur və su vəziyyəti kimi sensorla aşkarlana bilən fizioloji dəyişikliklər yarana bilər. Görünən saralma, lezyon, nekroz və ya morfoloji pozuntu isə daha sonrakı mərhələlərdə aydınlaşa bilər.

AI-ın erkən aşkarlamadakı məqsədi xəstəliyin bu ikinci təbəqədəki zəif sensor siqnalını görünən simptom yaranmazdan əvvəl ayırd etməkdir.

Red-edge: 700–740 nm

İcmal, Botrytis cinerea tədqiqatları kontekstində red-edge bölgəsinin təxminən 700–740 nm intervalında xlorofil məzmunu və fotosistem II funksiyasındakı dəyişikliklərə həssas ola biləcəyini bildirir.

NIR: 750–900 nm

Near-infrared bölgəsi hüceyrə və struktur bütövlüyü ilə əlaqəlidir. İnfeksiyanın mezofil toxumasına irəliləməsi kimi dəyişikliklər NIR əks olunma davranışını dəyişdirə bilər.

SWIR: 1400–1900 nm

Short-wave infrared bölgəsi yarpaq su məzmununa güclü şəkildə həssasdır. Patogen mənşəli biotik stress bitki daxilində su daşınmasına təsir edə bildiyindən, icmalın istinad etdiyi bəzi tədqiqatlar SWIR dəyişikliklərinin görünən simptomlardan təxminən 1–3 gün əvvəl ölçülə bildiyini bildirir.

NDRE, PRI və SIPI niyə istifadə oluna bilər?

NDRE, PRI və SIPI kimi vegetation indices müəyyən diapazon kombinasiyalarından bitki piqmentləri və ya fotosintetik vəziyyətlə əlaqəli göstəricilər törədir. İcmal bu indekslərin bəzi erkən biotik stress şəraitində NDVI-dan daha həssas ola bildiyini bildirir.

Lakin tək bir indeksin müəyyən bir patogenə spesifik olmadığı xüsusilə vurğulanır. Red-edge sürüşməsi azot çatışmazlığında, SWIR su-diapazon dəyişikliyi quraqlıqda və görünən xloroz dəmir çatışmazlığında da yarana bilər. Buna görə yalnız bir threshold istifadə edərək “bu bitkidə mütləq göbələk infeksiyası var” nəticəsinə gəlmək uyğun deyil.

Ground truth necə qurulmalıdır?

Görünən xəstəlik simptomlarının bounding box və ya segment maskası ilə etiketlənməsində phytopathologist mütəxəssislərin annotasiyaları ground truth kimi istifadə edilə bilər. Birdən çox annotator olduqda Cohen's Kappa və ya Fleiss' Kappa kimi razılaşma ölçülərindən istifadə edilə bilər.

Pre-simptomatik spektral aşkarlamada ground truth daha çətin problemdir. Bitki görünən olaraq sağlam görünə bildiyindən yalnız görüntü etiketinə etibar etmək olmaz. Mənbənin nəzərdən keçirdiyi nəzarətli tədqiqatlarda patogen inokulyasiyası aparılmış və infeksiya vəziyyəti PCR və ya ELISA kimi üsullarla təsdiqlənmişdir. Bu təsdiqləmə spektral siqnalın yalnız quraqlıq və ya başqa stress əvəzinə həqiqətən infeksiyalı nümunədən gəldiyini göstərmək baxımından vacibdir.

Laboratoriya dəqiqliyi niyə yetərli deyil?

Laboratoriya mühiti fon, işıqlandırma və stress şəraitinə nəzarəti asanlaşdırır. Buna qarşılıq real sahədə kölgə, dəyişən günəş bucağı, yarpaq örtüşməsi, yağış, şeh, toz, müxtəlif cultivar morfologiyaları və eyni anda bir neçə stress görünə bilər.

Buna görə mənbə üç validasiya səviyyəsi arasında fərq qoyur: nəzarətli laboratory benchmark, real field validation və modelin inkişaf etdirildiyi məhsul/bölgədən fərqli domain üzərində cross-domain validation. Sonuncu modelin həqiqətən ümumiləşdirə bilib-bilmədiyini anlamaq üçün xüsusilə çətindir.

Zərərverici aşkarlanmasında üç müşahidə miqyası

İcmal pest monitoring metodlarını üç geniş sinfə ayırır. Tələ əsaslı monitorinq, yapışqan tələlərdəki həşəratların avtomatik sayımı ilə populyasiya trendlərini izləyir. Bitki-mərkəzli aşkarlama, həşəratı və ya onun yarpaqda yaratdığı zərəri birbaşa lokallaşdırır. Sahə/hava miqyaslı müşahidə isə UAV və ya geniş sahəli görüntüləmə ilə daha böyük bölgələrdə risk xəritəsi yaratmağa çalışır.

Tələ sistemi sayım və proqnoz üçün miqyaslana bilən ola bilər; lakin həşəratın tarlanın məhz hansı bitkisində zərər yaratdığını göstərmir. Bitki-mərkəzli sistemlər daha lokal qərar təmin edir, amma yarpaqların üst-üstə düşməsi, fon qarışıqlığı və işıqlandırma dəyişməsi aşkarlamanı çətinləşdirir. UAV müşahidələri geniş sahə üstünlüyü verir, lakin tək yarpaq və ya kiçik lezyon səviyyəsində detal itə bilər.

Müşahidə miqyası niyə standart metadata olmalıdır?

Mənbə yarpaq, bitki, kanopi və regional miqyasların yalnız görüntü həlli baxımından deyil; istifadə olunan sensor, model arxitekturası, annotasiya və ground-truth metodu baxımından da fərqli olduğunu vurğulayır. Buna görə gələcək benchmark-larda performans metrikası ilə yanaşı qiymətləndirmənin hansı məkan miqyasında aparıldığının da açıq şəkildə bildirilməsi tövsiyə olunur.

Tədqiqatın Metodu və Nəticələri

Bu Review necə strukturlaşdırılıb?

Tədqiqat yeni təcrübə və ya məlumat dəsti yaratmır. Müəlliflər mövcud AI əsaslı pest və disease detection tədqiqatlarını tematik şəkildə təsnifləşdirərək sensor modaliteti, model paradiqması, tətbiq miqyası və pre-/post-simptomatik aşkarlama baxımından müqayisə edirlər.

PDF-də PRISMA axını, verilənlər bazasına əsaslanan tam search string, axtarış tarixi, ilkin tapılan qeyd sayı, duplicate elimination, formal inclusion/exclusion criteria və ya quality/risk-of-bias balı bildirilməyib. Buna görə burada verilən cədvəllər sistematik meta-analitik ümumi effekt ölçüləri kimi deyil, sahənin təmsilçi metod və performans nümunələrini bir araya gətirən strukturlaşdırılmış icmal cədvəlləri kimi oxunmalıdır.

Table 2: Zərərverici aşkarlama tədqiqatlarından təmsilçi nəticələr

Bu cədvəl eyni “pest detection” etiketi altında belə performansın geniş intervalda dəyişə bildiyini göstərir. Lakin bir tədqiqatdakı mAP və ya precision dəyərinin digərindən yüksək olması təkbaşına daha yaxşı alqoritmi sübut etmir. Hədəf növlərin sayı, pest ölçüsü, görüntü həlli, fon, test mühiti və train/test ayrımı dəyişir.

Table 3: Xəstəlik aşkarlama tədqiqatlarından təmsilçi nəticələr

Müxtəlif sətirlərdəki mAP, precision, Dice və accuracy eyni riyazi ölçü deyil. Bundan əlavə, müxtəlif məlumat dəsti və tapşırıqlarda ölçülüb. Buna görə cədvəl leaderboard deyil.

Yüksək AI Dəqiqliyi Niyə Real Sahə Etibarlılığı Demək Deyil?

Bitki xəstəliyi və ya zərərverici modeli nəzarətli məlumat dəstində yüksək accuracy və ya mAP əldə etsə belə, müxtəlif cultivar, bölgə, kamera, işıq, hava şəraiti və ya xəstəlik mərhələsində məlumat paylanması dəyişə bilər; model real bioloji simptom əvəzinə fon və ya sensora xas təsadüfi korrelyasiyaları öyrənibsə, sahə performansı kəskin şəkildə düşə bilər.

Domain shift

Domain shift təlim məlumatlarının paylanması ilə real istifadə məlumatlarının paylanmasının fərqlənməsidir. İstixana görüntüsündə yetişdirilən pomidor yarpağını tanıyan model fərqli cultivar, fərqli torpaq fonu və ya açıq sahə günəş işığı altında eyni performansı qoruya bilməyə bilər.

Hiperspektral və multispektral sistemlərdə problem daha mürəkkəb ola bilər. Sensor kalibrləmə fərqi, atmosfer, günəş bucağı və cihaz dəyişikliyi ölçülən spektral imzanı dəyişdirə bilər.

Sinif balanssızlığı

Real kənd təsərrüfatı məlumat dəstlərində sağlam bitkilər xəstə nümunələrdən daha çox ola bilər. Bu halda yalnız accuracy istifadə etmək təhlükəlidir. Məsələn %10 xəstəlik prevalansı olan fərziyyəvi məlumat dəstində bütün nümunələrə “sağlam” deyən model %90 accuracy əldə edir; lakin xəstəliklərin heç birini aşkarlaya bilmir.

Mənbə buna görə Precision–Recall əyrisi, F1-score və Matthews Correlation Coefficient kimi ölçülərin balanssız məlumat dəstlərində daha məlumatlı ola biləcəyini müzakirə edir.

Etiketlənmiş məlumat çatışmazlığı

Nadir xəstəliklər, yeni patogenlər və bölgəyə xas cultivar-lar üçün yetərli görüntü olmaya bilər. Erkən infeksiya mərhələsi üçün problem daha çətindir; görünən simptom olmadıqda doğru etiket yaratmaq ekspert biliyi və çox vaxt laboratoriya təsdiqi tələb edir.

Mənbə active learning, semi-supervised learning, transfer learning, data augmentation və generative AI əsaslı sintetik məlumat istehsalını bu darboğazı azalda biləcək yanaşmalar arasında nəzərdən keçirir. Bununla yanaşı, sintetik məlumat ekspert tərəfindən təsdiqlənmiş real sahə məlumatını tam əvəz edən həll kimi təqdim edilmir.

Korrelyasiya səbəbiyyət deyil

Trap-based AI sistemi temperatur, rütubət və həşərat sayından gələcək populyasiya trendini proqnozlaşdıra bilər; lakin model həşəratın yumurta qoyma mexanizmini bioloji baxımdan “anlamış” olmaya bilər.

Eyni şəkildə hiperspektral AI modeli infeksiya ilə əlaqəli spektral anomaliyanı tanıya bilər, lakin eyni anomaliya başqa bioloji və ya abiotik stress tərəfindən də yaradıla bilər.

Bu fərqə görə yüksək predictive accuracy ilə “xəstəliyin səbəbini bilmək” eyni iddia deyil.

AI + molekulyar təsdiqləmə yanaşması

İcmalın təklif etdiyi ən möhkəm praktik arxitektura AI-ı böyük sahələrdə sürətli screening qatı kimi istifadə etməkdir. Sistem şübhəli bitkiləri və ya bölgələri seçir; sonra yalnız bu nümunələrdə PCR, ELISA və ya digər təsdiqləyici test tətbiq olunur.

Bu struktur bahalı molekulyar testlərin bütün sahəyə tətbiq edilməsini tələb etmədən geniş sahəli müşahidə təmin edir və AI-ın korrelyasiya əsaslı proqnozunu bioloji baxımdan daha spesifik diaqnozla dəstəkləyir.

Texniki və əməliyyat sahə problemləri

Real sahə şəraitində təbii işığın gün ərzində dəyişməsi, kölgələr, specular reflection, bulud keçidləri və rəng temperaturu modellərin görüntü paylanmasını dəyişə bilər. Yağış və ya şeh yarpağın görünüşünü dəyişdirdiyi halda toz sensor keyfiyyətinə təsir edə bilər.

Sıx kanopidə yarpaqların bir-birini örtməsi kiçik zərərvericiləri və ya daxili yarpaqlardakı xəstəlik simptomlarını gizlədə bilər. Müxtəlif cultivar-ların təbii rəng, forma və tekstura fərqləri də xəstəlik simptomu ilə qarışdırıla bilər.

Sosial-iqtisadi maneələr

AI sisteminin yalnız alqoritmi deyil, tələb olunan avadanlıq və infrastruktur da tətbiq oluna bilməni müəyyənləşdirir. İcmal drone üzərində istifadə olunan hiperspektral kameraların təxminən 15.000–100.000 ABŞ dollarından yuxarı qalxa bildiyini; multispektral sistemlərin təxminən 3000–8000 ABŞ dolları intervalında ola bildiyini bildirir. Bu dəyərlər icmalın istifadə etdiyi mənbələrdəki kontekstual bazar nümunələridir və hər cihaz üçün universal cari qiymət deyil.

Bu maliyyət fərqi xüsusilə kiçik təsərrüfatlarda mütləq model dəqiqliyi ilə əlçatanlıq arasında tarazlıq qurulmasını tələb edir. Müəlliflər yüksək maliyyətli sistemin bir qədər yüksək accuracy verməsinin daha ucuz və daha geniş əlçatan texnologiyadan avtomatik olaraq daha böyük food-security təsiri yaratmaya biləcəyini vurğulayırlar.

Gələcək istiqamətlər

Explainable AI niyə yalnız heatmap deyil?

Mənbə saliency və ya class-activation heatmap-in modelin görüntünün hansı hissəsinə baxdığını göstərə bildiyini, lakin bunun fermerə və ya aqronoma həmişə bioloji izah vermədiyini bildirir.

Məsələn yarpağın müəyyən hissəsinin qırmızı ilə vurğulanması həmin siqnalın göbələk infeksiyası, azot çatışmazlığı və ya herbisid zədəsi olduğunu izah etmir. Daha faydalı explainability sistemi qərarın hansı fizioloji və ya spektral xüsusiyyətə əsaslandığını və alternativ stresslərlə niyə uyğun gəlmədiyini izah edə bilməlidir.

Edge AI

Edge AI görüntü və ya sensor məlumatlarının buluda göndərilmədən drone, traktor və ya sahə robotu üzərindəki yerli avadanlıqda işlənməsini hədəfləyir. Bu yanaşma bağlantının zəif olduğu bölgələrdə işləyə bilər, latency-ni azalda və məlumat məxfiliyini artıra bilər.

İcmal bu arxitekturanı real vaxtda hədəfli müdaxilə üçün vacib hesab edir. Lakin böyük model arxitekturaları ilə edge avadanlığının enerji və yaddaş məhdudiyyətləri arasında mühüm mühəndislik tarazlığı mövcuddur.

Foundation model ilə lightweight model arasındakı tarazlıq

İcmal kənd təsərrüfatına xas foundation model-ların çox böyük və müxtəlif bitki görüntüsü məlumat dəstlərindən ümumi təsvirlər öyrənə biləcəyini müzakirə edir. Bununla yanaşı ümumi təyinatlı böyük visual backbone-ların sahə avadanlığına birbaşa yerləşdirilməsi çətin ola bilər.

Mənbə nümunə olaraq ViT-B/14 sinifli backbone-un təxminən 86 milyon parametrə malik ola bildiyini; YOLOv8-nano-nun təxminən 3.2 milyon parametrlə embedded sistemlərdə 5 W-dan aşağı enerji siniflərində real vaxtda işləyə bildiyini bildirir.

Buna görə yaxın dövr üçün təklif olunan istiqamətlərdən biri foundation model-ı böyük kənd təsərrüfatı məlumatı üzərində offline əvvəlcədən təlim üçün istifadə etmək və sonra öyrənilən təsviri kiçik tapşırıq-xüsusi modellərə distill edərək edge cihazlara daşımaqdır.

Hiperspektral məlumatda band selection

Hiperspektral sistemin yüzlərlə bandı hər tətbiqdə eyni məlumat dəyəri daşımır. PCA və ya LDA kimi dimensionality-reduction metodları məlumat ölçüsünü azalda bilər, lakin qeyri-xətti xəstəlik–spektr əlaqələrini qaçıra bilər.

İcmal autoencoder əsaslı representation learning və AI-driven band selection-ı mühüm gələcək istiqamətlərindən biri kimi görür. Əgər müəyyən bir xəstəlik üçün 200 band əvəzinə yalnız 3–5 seçilmiş bandın oxşar diaqnostik məlumat verə bildiyi etibarlı şəkildə göstərilərsə sensor maliyyəti və emal yükü əhəmiyyətli dərəcədə azala bilər. Mənbə bu məqamı gələcəkdə təsdiqlənməsi tələb olunan texnoloji hədəf kimi müzakirə edir; reallaşmış universal nəticə kimi təqdim etmir.

Erkən mərhələ qiymətləndirmə metrikaları

Xəstəlik aşkarlanmasında yanlış mənfi ilə yanlış müsbətin kənd təsərrüfatı maliyyəti eyni deyil. Yanlış mənfi real infeksiyanın qaçırılmasına və yayılmasına imkan verə bilər; yanlış müsbət isə lazımsız təsdiqləmə və ya müalicəyə səbəb ola bilər.

Mənbə gələcək benchmark-ların bu asimmetrik maliyyəti nəzərə almasını və sensitivity-nin pre-simptomatik, erkən-simptomatik və gec-simptomatik mərhələlər üçün ayrıca bildirilməsini tövsiyə edir. Xüsusilə pre-simptomatik sensitivity-nin overall mAP ilə yanaşı əsas ölçülərdən biri olması tövsiyə olunur.

Tədqiqatın dəstəklədiyi nəticələr

İcmal AI-ın bitki zərərvericiləri və xəstəliklərinin görüntü və sensor əsaslı skanında geniş metod ailəsi təqdim etdiyini dəstəkləyir.

İcmal RGB məlumatının görünən simptomlar üçün güclü və əlçatan olduğunu; multispektral və hiperspektral məlumatların görünən simptomlardan əvvəl yaranan bəzi fizioloji dəyişikliklərə çıxış verə bildiyini dəstəkləyir.

İcmal model performansının yalnız arxitekturaya deyil, məlumat keyfiyyəti, domain, sensor, məhsul, xəstəlik mərhələsi və ətraf mühit şəraitinə güclü şəkildə bağlı olduğunu dəstəkləyir.

İcmal AI-ın geniş sahəli screening vasitəsi kimi molekulyar diaqnostika və aqronomik ekspertiza ilə birləşdirilməsinin müstəqil AI diaqnostikasından elmi baxımdan daha müdafiə oluna bilən yanaşma olduğunu dəstəkləyir.

İcmal multimodal sensing, XAI, edge computing, foundation models və cross-domain validation-ın sahənin mühüm gələcək tədqiqat istiqamətləri olduğunu dəstəkləyir.

Tədqiqatın dəstəkləmədiyi nəticələr

Tədqiqat hər hansı YOLO, Transformer və ya CNN arxitekturasının bütün məhsul və bölgələrdə “ən yaxşı” olduğunu göstərmir.

Tədqiqat yüksək laboratory accuracy-nin eyni şəkildə real sahə şəraitinə daşınacağını göstərmir.

Tədqiqat AI modelinin PCR və ya ELISA əvəzinə müəyyən bir patogenin bioloji mövcudluğunu dəqiq sübut edə bildiyini göstərmir.

Tədqiqat tək bir vegetation index və ya spektral bandın biotik və abiotik stressləri bütün şəraitdə etibarlı şəkildə ayırd etdiyini göstərmir.

Tədqiqat Table 2 və Table 3-dəki müxtəlif faizləri ortaq benchmark altında ölçülmüş birbaşa müqayisə olunan nəticələr kimi təqdim etmir.

Tədqiqat AI istifadəsinin bütün fermerlər üçün iqtisadi cəhətdən uyğun olduğunu və ya bahalı sensorların hər halda daha yüksək kənd təsərrüfatı dəyəri yaratdığını göstərmir.

Əsas məhdudiyyətlər

İcmal çox fərqli məhsul, zərərverici, patogen, mühit, sensor, məlumat dəsti, model və performans metrikasını əhatə edir. Bu heterogenlik ümumi meylləri görmək üçün dəyərlidir, lakin tədqiqatlar arasında birbaşa kəmiyyət müqayisəsini məhdudlaşdırır.

Review daxilində formal PRISMA əsaslı systematic-review selection protocol bildirilməyib. Buna görə mənbə seçimi və ədəbiyyat əhatəsinin müstəqil olaraq eynilə yenidən istehsal oluna bilməsi məhduddur.

Nəzərdən keçirilən tədqiqatların mühüm hissəsi pomidor, xiyar, üzüm, kartof və bibər kimi tez-tez tədqiq olunan məhsullarda cəmlənir. Bir məhsulda hazırlanmış modelin başqa məhsul, cultivar və ya aqro-ekoloji bölgəyə ötürülə bilməsi əksər hallarda birbaşa sınaqdan keçirilməyib.

Pre-simptomatik sensing tədqiqatları xüsusilə laboratoriya və nəzarətli mühit məlumatlarında güclüdür; təbii sahə mühitində çoxsaylı biotik və abiotik stressin eyni anda mövcud olduğu şərait daha çətin validasiya problemidir.

Mənbə və Metod Qeydi

Orijinal başlıq: A Review on Artificial Intelligence Methods for Plant Disease and Pest Detection

Müəlliflər: Nikolaos Giakoumoglou; Dimitrios Kapetas; Kleanthis Marios Papadopoulos; Panagiotis Christakakis; Tania Stathaki; Eleftheria Maria Pechlivani

Yazışma müəllifi: Eleftheria Maria Pechlivani

Qurum 1: Department of Electrical and Electronic Engineering, Imperial College London, London, United Kingdom.

Qurum 2: Centre for Research and Technology Hellas, Information Technologies Institute, Thessaloniki, Greece.

Jurnal: AI and Precision Agriculture

Nəşriyyat: MDPI

Cild / Say / Məqalə: 1 / 1 / 2

DOI: 10.3390/aipa1010002

Tarixlər: Alındı: 27 Fevral 2026; yenidən işlənib: 28 May 2026; qəbul edildi: 1 İyul 2026; nəşr olundu: 14 İyul 2026.

Mənbə növü: Review. Tədqiqat yeni təcrübə və ya yeni məlumat dəsti yaratmır.

İcmal metodunun təsnifatı: Strukturlaşdırılmış əhatəli elmi icmal. PDF formal PRISMA axını, tam search strategy, tədqiqat seçim sayları, inclusion/exclusion protocol və ya meta-analitik pooling bildirmədiyi üçün systematic review və ya meta-analysis kimi təsnifləşdirilməyib.

Əsas əhatə: AI əsaslı pest monitoring, plant disease detection, computer vision, multispectral/hyperspectral sensing, pre-simptomatik detection, validation, generalization və field deployment.

Başlıca nəzərdən keçirilən məhsullar: Pomidor, xiyar, üzüm, kartof və bibər. Mənbə həmçinin pambıq, düyü, buğda, qarğıdalı, meyvə ağacları və digər məhsullardakı tətbiqləri də əhatənin bir hissəsi kimi bildirir.

Başlıca sensing modalitetləri: RGB, multispektral, hiperspektral, termal, flüoresans, LiDAR və ətraf mühit IoT sensorları.

Başlıca AI tapşırıqları: Classification, object detection, semantic/instance/panoptic segmentation, forecasting və regression.

Başlıca model ailələri: Support Vector Machine, Decision Tree, Random Forest, CNN, Vision Transformer, R-CNN, YOLO, SSD, U-Net, DeepLab, Mask R-CNN və Mask2Former.

Validasiya yanaşması: Expert annotation, lazım olduqda annotator agreement; pre-simptomatik spektral etiketlərdə nəzarətli inokulyasiya və PCR/ELISA təsdiqləməsi; laboratory, field və cross-domain validation fərqi.

Mənbə cədvəlləri: Table 1 biotik və abiotik stresslərdə ortaq vizual simptomları; Table 2 AI əsaslı pest detection tədqiqatlarını; Table 3 AI əsaslı plant disease tədqiqatlarını müqayisə edir.

Elmi şəkil: Mənbə PDF-də orijinal məlumat şəkli yoxdur; elmi vizual məzmun əsasən cədvəllər və mətn əsaslı metodoloji sintez vasitəsilə təqdim olunur.

Lisenziya: Creative Commons Attribution (CC BY). Görünən PDF mətnində versiya nömrəsi ayrıca göstərilmədiyi üçün versiya təxmin edilməyib.

Maliyyələşdirmə: E-SPFdigit layihəsi; European Union Horizon Europe research and innovation programme, Grant Agreement No. 101157922.

Etika komitəsi: Tətbiq edilmir.

Məlumatlandırılmış razılıq: Tətbiq edilmir.

Məlumat əlçatanlığı: Review yeni məlumat yaratmayıb və ya təhlil etməyib; istifadə olunan məlumatlar daha əvvəl dərc olunmuş və biblioqrafiyada göstərilən tədqiqatlardan əldə edilib.

AI istifadəsi bəyanatı: Müəlliflər məqalənin hazırlanması zamanı Claude (Anthropic) adlı böyük dil modelindən seçilmiş hissələrin qaralamasına və redaktəsinə kömək etmək məqsədilə istifadə ediblər. AI dəstəkli mətn müəlliflər tərəfindən nəzərdən keçirilib və təsdiqlənib. Mənbənin bəyanatına görə AI aləti məlumat təhlili, ədəbiyyat axtarışı və ya istinadların yoxlanılması üçün istifadə edilməyib.

Maraq toqquşması: Müəlliflər maraq toqquşması olmadığını bildiriblər.

Müəllif töhfələri: Konseptuallaşdırma bütün müəlliflər tərəfindən aparılıb. Metod və proqram təminatı Nikolaos Giakoumoglou və Dimitrios Kapetas-a; formal təhlil eyni iki müəllifə; məlumat kurasiyası eyni iki müəllifə; orijinal qaralama Nikolaos Giakoumoglou, Kleanthis Marios Papadopoulos və Dimitrios Kapetas-a; vizuallaşdırma Nikolaos Giakoumoglou-ya; nəzarət Tania Stathaki və Eleftheria Maria Pechlivani-yə; layihə idarəetməsi və maliyyələşdirmənin əldə edilməsi Eleftheria Maria Pechlivani-yə aiddir. Bütün müəlliflər nəzərdən keçirmə və redaktəyə töhfə veriblər.

Əsas metodoloji məhdudiyyət: Tədqiqatlar sensor, məhsul, məlumat dəsti, tapşırıq və performans metrikası baxımından yüksək heterogenlik daşıyır; Table 2–3 meta-analiz və ya ortaq benchmark deyil.

Əsas elmi şərh sərhədi: AI bitki sağlamlığının idarə olunmasında sürətli və genişmiqyaslı screening təmin edə bilər; lakin model proqnozu patogenin səbəb və ya molekulyar təsdiqi deyil. Ən güclü istifadə modeli AI skanının fitopatoloji bilik, ətraf mühit müşahidəsi və lazım gəldikdə PCR/ELISA kimi təsdiqləyici üsullarla birləşdirilməsidir.