Жасалма интеллектке негизделген өсүмдүк ден соолугун аныктоо, сүрөт, спектралдык өлчөө, айлана-чөйрө сенсору же окшош айыл чарба маалыматтарындагы үлгүлөрдү үйрөнүп, оорулар менен зыянкечтерди автоматтык түрдө сканерлөөгө, классификациялоого, локалдаштырууга же өнүгүшүн божомолдоого мүмкүндүк берген чечимди колдоо ыкмасы. Бул сереп зыянкечтерди жана өсүмдүк ооруларын аныктоодо колдонулган жасалма интеллект ыкмаларын аныктоо модалдуулугу, үйрөнүү парадигмасы, байкоо масштабы жана оорунун өнүгүү баскычы боюнча түзүмдөйт. Зыянкечтерди мониторингдөө тузак/популяция деңгээлинде, өсүмдүккө багытталган түз аныктоодо жана талаа/аба платформасы масштабында каралса, ооруну аныктоо көрүнгөн белгилер пайда болгондон кийинки RGB негизиндеги диагностика жана multispektral менен hiperspektral сүрөттөөгө таянган pre-симптоматикалык аныктоо болуп бөлүнөт. Серептин негизги чечмелөөсү: жасалма интеллект тез жана масштабдала турган скрининг бере алат; бирок маалыматтын аздыгы, domain shift, талаа шарттарында жалпылоо, биотикалык–абиотикалык стрессти айырмалоо жана корреляция–себептүүлүк көйгөйү себептүү PCR, ELISA жана агрономиялык эксперттик баалоо сыяктуу ырастоочу ыкмалардын ордун баскан өз алдынча диагноз системасы катары каралбашы керек.

Булакта каралган изилдөөлөр RGB, multispektral, hiperspektral, термалдык жана флуоресценциялык сүрөттөөнү; IoT сенсорлорун, UAVлерди, роботтук системаларды жана ар кандай компьютердик көрүү архитектураларын колдонушат. Классикалык машина үйрөнүүсү алдын ала алынган спектралдык индекс же текстура белгилери менен иштей алса, CNN жана Vision Transformer сыяктуу терең үйрөнүү архитектуралары чийки сүрөттөрдөн же спектралдык маалымат кубдарынан белгилерди башынан аягына чейин үйрөнө алат. Объект аныктоодо YOLO, R-CNN жана SSD үй-бүлөлөрү; сегментацияда U-Net, DeepLab, Mask R-CNN жана Mask2Former сыяктуу архитектуралар айырмаланат. Бирок моделдин архитектурасынын аталышы эле талаадагы ийгиликти аныктабайт; маалымат топтому продуктуну, аймакты, оорунун баскычын, сенсорду, жарыктандырууну жана айлана-чөйрө шарттарын канчалык өкүлчүлүктүү камтыганы өтө маанилүү.

Сереп оорунун көрүнгөн белгилери пайда боло электе жүргөн физиологиялык өзгөрүүлөрдү спектралдык сенсорлор менен аныктоого өзгөчө көңүл бурат. Red-edge, NIR жана SWIR аймактарындагы өзгөрүүлөр хлорофилл, клеткалык түзүлүш жана жалбырактын суу абалы сыяктуу физиологиялык процесстерге сезимтал болушу мүмкүн. Бирок кургакчылык, азык заттын жетишсиздиги жана башка абиотикалык стресстер да окшош спектралдык кол тамгаларды жарата алгандыктан, AI аныктаган спектралдык аномалия белгилүү бир патогендин бар экенинин түз биологиялык далили эмес. Ошондуктан булак кең аянттагы AI скринингин максаттуу молекулалык ырастоо менен айкалыштырууну эң ишенимдүү ыкма катары көрсөтөт.

Өсүмдүк ден соолугун аныктоо эмне үчүн татаал маселе?

Өсүмдүк ден соолугу өсүмдүктө оору жок экенин гана билдирбейт. Зыянкечтер, козу карындар, бактериялар, вирустар жана нематоддор сыяктуу биотикалык факторлордон тышкары, кургакчылык, температура, туздуулук, азык заттардын жетишсиздиги же уулуулугу сыяктуу абиотикалык стресстер да өсүмдүктүн физиологиялык функциясын жана өндүрүмдүүлүгүн бузушу мүмкүн.

Бул ар башка факторлор жараткан белгилер көп учурда бири-бирине окшош. Саргайуу вирустук инфекциянын натыйжасы болушу мүмкүн, бирок азот жетишсиздигинен же суу каптоодон да келип чыгышы мүмкүн. Соолуу кан тамыр патогенинин белгиси болушу мүмкүн, ошондой эле кургакчылыкта же ысык стрессте да пайда болот. Некроздук жаралар козу карын же бактериядан эле эмес, туз уулуулугунан, үшүктөн же химиялык зыяндан да пайда болушу мүмкүн.

Ошондуктан ишенимдүү AI системасы “жалбыракта сары аймак барбы?” деген суроого гана жооп бербеши керек. Белгинин мейкиндикте таралышы, жаранын чек арасы, текстурасы, өсүмдүктүн кайсы бөлүгүндө пайда болгону, спектралдык жооп, топурактын нымдуулугу, температура жана оорунун убакыт ичинде өнүгүшү сыяктуу контексттик өзгөрмөлөр да бааланышы керек.

Жасалма Интеллект Өсүмдүк Оорусун жана Зыянкечти Аныктоодо Кандай Маалымат Түрлөрүн Колдонот?

Булакта каралган AI системалары көрүнүүчү RGB сүрөттөрдөн multispektral жана hiperspektral маалымат кубдарына, термалдык жана флуоресценциялык сүрөттөрдөн топурак нымдуулугу, температура жана салыштырма нымдуулук сыяктуу IoT сенсор маалыматтарына чейин ар кандай модалдуулуктарды колдонушат; сенсор тандоо болсо көрүнгөн симптомду аныктоо, эрте физиологиялык өзгөрүүнү табуу же кең аянттагы талаа байкоосу сыяктуу максатка жараша өзгөрөт.

RGB сүрөттөө

RGB сүрөттөө кызыл, жашыл жана көк көрүнүүчү тилкелерди колдонот жана адам көзүнүн кабыл алуусуна жакын визуалдык маалымат берет. Арзан болушу жана smartphone, камера, drone жана роботтук платформаларга оңой интеграцияланышы негизги артыкчылык болуп саналат.

RGBнин негизги чектөөсү көп учурда көрүнгөн фенотиптик өзгөрүүлөрдү гана кармай алышы. Оору физиологиялык жактан башталган, бирок түс, текстура же морфологияда көрүнгөн белги жаратпаса, RGB гана колдонгон моделдин керектүү сигналды көрүшү мүмкүн болбой калышы мүмкүн.

Multispektral сүрөттөө

Multispektral системалар адатта RGB менен кошо red-edge жана near-infrared сыяктуу тандалган бир нече спектралдык тилкени колдонушат. Булак multispektral системалар адатта болжол менен 3–13 тилке менен иштей аларын көрсөтөт.

Тандалган көрүнбөгөн тилкелер хлорофилл өзгөрүүсүнө, клетка түзүлүшүнө же өсүмдүк-суу мамилесине сезимтал болгондуктан, көрүнгөн белгилерден мурдагы физиологиялык өзгөрүүлөрдү кармоо мүмкүнчүлүгүнө ээ.

Hiperspektral сүрөттөө

Hiperspektral сүрөттөө ондогон же жүздөгөн кууш спектралдык тилкелерди чыгарат. Булак болжол менен 400–2500 nm диапазонуна жайылган hiperspektral өлчөөлөр адам көзү айырмалай албаган майда биохимиялык өзгөрүүлөрдү ачып бере аларын талкуулайт.

Бул бай маалымат ошол эле учурда баа, маалымат көлөмү жана эсептөө көйгөйүн жаратат. Көп тилке аз үлгү-саны / көп белги-саны көйгөйүнөн улам моделдин ашыкча ылайыкташуу тобокелдигин көбөйтүп, реалдуу убакыттагы edge колдонулушун кыйындатышы мүмкүн.

Термалдык сүрөттөө

Термалдык сенсорлор жалбырактын температурасындагы өзгөрүүлөрдү көзөмөлдөйт. Устьицанын жабылышы жана транспирациянын өзгөрүшү сыяктуу физиологиялык процесстер температуралык үлгүгө таасир эткендиктен, көрүнгөн белгилер пайда боло электе стресс тууралуу маалымат бере алат.

Флуоресценциялык сүрөттөө

Хлорофилл флуоресценциясы фотосинтездик системанын абалы тууралуу маалымат алып жүрөт. Сереп келтирген адабиятта Fv/Fm жана qP сыяктуу фотосистема II менен байланышкан өзгөрмөлөр кээ бир стресс шарттарында эрте физиологиялык жооп көрсөткүчү боло алары айтылат.

IoT жана айлана-чөйрө сенсорлору

Топурак нымдуулугу, аба температурасы, салыштырма нымдуулук жана башка айлана-чөйрө байкоолору өз алдынча патогенди аныктоо эмес. Алар сүрөт же спектралдык аномалия кандай шартта пайда болгонун түшүндүрүүчү контексттик маалымат берет. Ошентип, мисалы суу стресси менен оорудан келип чыккан спектралдык өзгөрүүнү айырмалоо мүмкүнчүлүгү жогорулайт.

AI, машина үйрөнүүсү жана терең үйрөнүүнүн байланышы

Artificial Intelligence (AI), акылдуу жүрүм-турум көрсөтө алган системаларды иштеп чыгууну камтыган кең изилдөө тармагы. Machine Learning (ML), AIдын маалымат үлгүлөрүнөн үйрөнүүгө багытталган бөлүгү. Deep Learning (DL) болсо көп катмарлуу нейрондук тармактар менен өкүлчүлүктөрдү автоматтык үйрөнгөн ML бөлүгү.

Классикалык ML колдонмолорунда изилдөөчү адегенде спектралдык индекс, түс статистикасы же текстура сүрөттөмөсү сыяктуу белгилерди чыгарып, андан кийин Support Vector Machine, Decision Tree же Random Forest сыяктуу алгоритмдерди колдоно алат.

DLде CNN же Vision Transformer сыяктуу архитектуралар чийки пикселден, hiperspektral маалымат кубунан же убакыт катарынан белгилерди түз үйрөнө алат. Артыкчылыгы – белгилерди инженериялоонун бир бөлүгүн автоматташтырат; кемчилиги – адатта кыйла көп белгиленген маалымат жана эсептөө ресурсу талап кылынат.

Компьютердик көрүү тапшырмалары бири-биринен кантип айырмаланат?

Негизги модель үй-бүлөлөрү

Сереп объект аныктоодо R-CNN, YOLO жана SSD үй-бүлөлөрүн; сегментацияда U-Net, DeepLab, Mask R-CNN жана Mask2Former сыяктуу түзүмдөрдү түшүндүрөт. CNNдер жергиликтүү сүрөт үлгүлөрүн конволюциялык фильтрлер менен үйрөнсө, Vision Transformer архитектуралары сүрөттү patch катарларына бөлүп, self-attention аркылуу кеңири контекстти моделдей алат.

YOLO үй-бүлөсү айрыкча тез inference жана объект локалдаштыруу үчүн каралган pest detection изилдөөлөрүндө кеңири колдонулат. Бирок серептин өз салыштыруусу бир эле архитектура үй-бүлөсү ар башка шарттарда абдан башка натыйжа бере аларын көрсөтөт.

Белги Пайда Боло Электе Өсүмдүк Оорусун Кантип Аныктоого Болот?

Pre-симптоматикалык аныктоо оору көрүнгөн жара пайда кылганга чейин өсүмдүктүн хлорофилл мазмунунда, фотосинтездик функциясында, клеткалык түзүлүшүндө, суу ташуусунда же жалбырак температурасында пайда кылган физиологиялык өзгөрүүлөрдү multispektral, hiperspektral, термалдык же флуоресценциялык сенсорлор менен өлчөөгө жана бул алсыз үлгүлөрдү AI аркылуу үйрөнүүгө таянат; бирок мындай аномалия өз алдынча белгилүү патогендин так диагнозу эмес.

Стресстин убакыт ичинде өнүгүшү

Булактын концептуалдык алкагына ылайык стресс адегенде молекулалык жана клеткалык деңгээлде башталат. Ген экспрессиясы, гормон деңгээлдери, белок синтези жана reactive oxygen species сыяктуу процесстердеги өзгөрүүлөр көзгө көрүнбөйт.

Андан кийин фотосинтездик натыйжалуулук, спектралдык чагылуу, температура жана суу абалы сыяктуу сенсор менен байкалчу физиологиялык өзгөрүүлөр пайда болушу мүмкүн. Көрүнгөн саргайуу, жара, некроз же морфологиялык бузулуу болсо кийинчерээк айкыныраак болушу мүмкүн.

AIдын эрте аныктоодогу максаты – оорунун ушул экинчи катмардагы алсыз сенсор сигналын көрүнгөн симптом пайда боло электе айырмалоо.

Red-edge: 700–740 nm

Сереп Botrytis cinerea изилдөөлөрүнүн контекстинде red-edge аймагы болжол менен 700–740 nm аралыгында хлорофилл мазмуну жана фотосистема II функциясындагы өзгөрүүлөргө сезимтал болушу мүмкүн экенин баяндайт.

NIR: 750–900 nm

Near-infrared аймагы клеткалык жана структуралык бүтүндүк менен байланыштуу. Инфекциянын мезофилл тканына өтүшү сыяктуу өзгөрүүлөр NIR чагылуу жүрүм-турумун өзгөртө алат.

SWIR: 1400–1900 nm

Short-wave infrared аймагы жалбырактагы суу көлөмүнө күчтүү сезимтал. Патогенден келип чыккан биотикалык стресс өсүмдүк ичиндеги суу ташууну өзгөртө алгандыктан, сереп келтирген айрым иштерде SWIR өзгөрүүлөрү көрүнгөн белгилерден болжол менен 1–3 күн мурда өлчөнө алары билдирилет.

NDRE, PRI жана SIPI эмне үчүн колдонулушу мүмкүн?

NDRE, PRI жана SIPI сыяктуу vegetation indices белгилүү тилке айкалыштарынан өсүмдүк пигменттери же фотосинтездик абал менен байланышкан көрсөткүчтөрдү чыгарат. Сереп бул индекстер кээ бир эрте биотикалык стресс шарттарында NDVIдан сезимтал болушу мүмкүн экенин көрсөтөт.

Бирок бир эле индекс белгилүү патогенге мүнөздүү эмес экени өзгөчө баса белгиленет. Red-edge жылышы азот жетишсиздигинде, SWIR суу-тилке өзгөрүүсү кургакчылыкта жана көрүнгөн хлороз темир жетишсиздигинде да пайда болушу мүмкүн. Ошондуктан жалгыз threshold колдонуп “бул өсүмдүктө сөзсүз козу карын инфекциясы бар” деген жыйынтык чыгаруу туура эмес.

Ground truth кантип түзүлүшү керек?

Көрүнгөн оорунун белгилерин bounding box же segment mask менен белгилөөдө phytopathologist адистердин аннотациялары ground truth катары колдонулушу мүмкүн. Бир нече annotator болсо Cohen's Kappa же Fleiss' Kappa сыяктуу макулдашуу өлчөмдөрү колдонулушу мүмкүн.

Pre-симптоматикалык спектралдык аныктоодо ground truth кыйла татаал маселе. Өсүмдүк сыртынан дени сак көрүнүшү мүмкүн болгондуктан, сүрөт этикеткасына гана ишенүүгө болбойт. Булак караган контролдолгон изилдөөлөрдө патоген инокуляциясы жасалып, инфекция абалы PCR же ELISA сыяктуу ыкмалар менен ырасталган. Бул ырастоо спектралдык сигнал кургакчылыктан же башка стресстен эмес, чындап инфекция бар үлгүдөн келгенин көрсөтүү үчүн маанилүү.

Лабораториялык тактык эмне үчүн жетишсиз?

Лаборатория чөйрөсү фонду, жарыктандырууну жана стресс шарттарын көзөмөлдөөнү жеңилдетет. Ал эми чыныгы талаада көлөкө, өзгөргөн күн бурчу, жалбырактардын бири-бирин жабышы, жамгыр, шүүдүрүм, чаң, ар башка cultivar морфологиялары жана бир нече стресс бир убакта болушу мүмкүн.

Ошондуктан булак үч текшерүү деңгээлин айырмалайт: контролдолгон laboratory benchmark, чыныгы field validation жана модель иштелип чыккан продукт/аймактан айырмаланган domain үстүндөгү cross-domain validation. Акыркысы моделдин чындап жалпылай алабы же жокпу деген суроого жооп берүү үчүн өзгөчө татаал.

Зыянкеч аныктоодо үч байкоо масштабы

Сереп pest monitoring ыкмаларын үч кең класска бөлөт. Тузакка негизделген мониторинг, жабышкак тузактардагы курт-кумурскаларды автоматтык саноо аркылуу популяция тенденцияларын көзөмөлдөйт. Өсүмдүккө багытталган аныктоо, курт-кумурсканы же анын жалбырактагы зыянын түз локалдаштырат. Талаа/аба масштабындагы байкоо болсо UAV же кең аянттагы сүрөттөө аркылуу чоң аймактарда тобокелдик картасын түзүүгө аракет кылат.

Тузак системасы саноо жана божомол үчүн масштабдала турган болушу мүмкүн; бирок курт-кумурска талаанын кайсы так өсүмдүгүнө зыян келтирип жатканын көрсөтпөйт. Өсүмдүккө багытталган системалар көбүрөөк локалдуу чечим берет, бирок жалбырактардын бири-бирин жабышы, фон татаалдыгы жана жарыктын өзгөрүшү аныктоону оорлотот. UAV байкоолору кең аянт артыкчылыгын берет, бирок жалгыз жалбырак же майда жара деңгээлиндеги деталды жоготушу мүмкүн.

Байкоо масштабы эмне үчүн стандарт metadata болушу керек?

Булак жалбырак, өсүмдүк, канопи жана аймактык масштабдар сүрөт чечилишинде эле эмес; колдонулган сенсор, модель архитектурасы, аннотация жана ground-truth ыкмасы боюнча да айырмаланарын баса белгилейт. Ошондуктан келечектеги benchmarkтарда көрсөткүч менен кошо баалоо кайсы мейкиндик масштабында жүргүзүлгөнү да ачык билдирилиши сунушталат.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Бул Review кантип түзүмдөлгөн?

Изилдөө жаңы эксперимент же маалымат топтомун түзбөйт. Авторлор бар AI негизиндеги pest жана disease detection изилдөөлөрүн тематикалык түрдө классификациялап, сенсор модалдуулугу, модель парадигмасы, колдонуу масштабы жана pre-/post-симптоматикалык аныктоо боюнча салыштырышат.

PDFде PRISMA агымы, маалымат базасы боюнча толук search string, издөө датасы, алгач табылган жазуулардын саны, duplicate elimination, formal inclusion/exclusion criteria же quality/risk-of-bias упайы билдирилген эмес. Ошондуктан бул жерде берилген таблицалар системалуу мета-аналитикалык бириккен эффект өлчөмдөрү катары эмес, тармактагы өкүлчүлүктүү ыкмаларды жана натыйжаларды бириктирген түзүмдүү сереп таблицалары катары окулушу керек.

Table 2: Зыянкеч аныктоо изилдөөлөрүнөн өкүлчүлүктүү жыйынтыктар

Бул таблица бир эле “pest detection” белгисинин ичинде да көрсөткүчтөр кең диапазондо өзгөрө аларын көрсөтөт. Бирок бир изилдөөдөгү mAP же precision мааниси экинчисинен жогору болушу өзү эле алгоритм жакшыраак экенин далилдебейт. Бута түрлөрүнүн саны, pest өлчөмү, сүрөт чечилиши, фон, тест чөйрөсү жана train/test бөлүнүшү айырмаланат.

Table 3: Ооруну аныктоо изилдөөлөрүнөн өкүлчүлүктүү жыйынтыктар

Ар башка саптардагы mAP, precision, Dice жана accuracy бирдей математикалык өлчөм эмес. Ошондой эле алар башка маалымат топтомдорунда жана тапшырмаларда өлчөнгөн. Ошондуктан таблица leaderboard эмес.

Жогорку AI Тактыгы Эмне Үчүн Чыныгы Талаа Ишенимдүүлүгүн Билдирбейт?

Өсүмдүк оорусу же зыянкеч модели контролдолгон маалымат топтомунда жогорку accuracy же mAP алса да, башка cultivar, аймак, камера, жарык, аба ырайы же оорунун баскычында маалымат бөлүштүрүлүшү өзгөрүшү мүмкүн; эгер модель чыныгы биологиялык белгинин ордуна фонго же сенсорго мүнөздүү кокустук корреляцияларды үйрөнсө, талаадагы көрсөткүч кескин төмөндөшү мүмкүн.

Domain shift

Domain shift – үйрөтүү маалыматтарынын бөлүштүрүлүшү менен чыныгы колдонуу маалыматтарынын бөлүштүрүлүшүнүн айырмаланышы. Күнөскана сүрөтүндө өстүрүлгөн помидор жалбырагын тааныган модель башка cultivar, башка топурак фону же ачык талаадагы күн нурунда ошол эле натыйжаны сактай албашы мүмкүн.

Hiperspektral жана multispektral системаларда маселе дагы татаал болушу мүмкүн. Сенсор калибрлөөсүнүн айырмасы, атмосфера, күн бурчу жана аппарат өзгөрүшү өлчөнгөн спектралдык кол тамганы өзгөртө алат.

Класс тең салмаксыздыгы

Чыныгы айыл чарба маалымат топтомдорунда дени сак өсүмдүктөр оорулуу үлгүлөрдөн кыйла көп болушу мүмкүн. Мындай учурда accuracy гана колдонуу кооптуу. Мисалы %10 оору prevalence болгон гипотетикалык маалымат топтомунда бардык үлгүлөргө “дени сак” деген модель %90 accuracy алат; бирок оорулардын бирин да таппайт.

Ошондуктан булак Precision–Recall ийри сызыгы, F1-score жана Matthews Correlation Coefficient сыяктуу өлчөмдөр тең салмаксыз маалымат топтомдорунда көбүрөөк маалымат бере аларын талкуулайт.

Белгиленген маалыматтын жетишсиздиги

Сейрек оорулар, жаңы патогендер жана аймакка мүнөздүү cultivarлар үчүн жетиштүү сүрөт болбошу мүмкүн. Эрте инфекция баскычында маселе кыйыныраак; көрүнгөн симптом жок кезде туура этикетка чыгаруу эксперттик билимди жана көп учурда лабораториялык ырастоону талап кылат.

Булак active learning, semi-supervised learning, transfer learning, data augmentation жана generative AI негизиндеги синтетикалык маалымат түзүүнү бул тоскоолдукту азайта турган ыкмалардын арасында карайт. Бирок синтетикалык маалымат эксперт ырастаган чыныгы талаа маалыматтарын толук алмаштыра турган чечим катары берилбейт.

Корреляция себептүүлүк эмес

Trap-based AI системасы температура, нымдуулук жана курт-кумурскалардын санынан келечектеги популяция тенденциясын божомолдой алат; бирок модель курт-кумурсканын жумуртка салуу механизмин биологиялык жактан “түшүнгөн” болбошу мүмкүн.

Ошол сыяктуу hiperspektral AI модели инфекция менен байланышкан спектралдык аномалияны таанышы мүмкүн, бирок ошол эле аномалия башка биологиялык же абиотикалык стресс тарабынан да жаралышы мүмкүн.

Ошондуктан жогорку predictive accuracy менен “оорунун себебин билүү” бирдей доомат эмес.

AI + молекулалык ырастоо ыкмасы

Сереп сунуштаган эң күчтүү практикалык архитектура – AIды чоң аянттарда тез screening катмары катары колдонуу. Система шектүү өсүмдүктөрдү же аймактарды тандайт; андан кийин ошол үлгүлөргө гана PCR, ELISA же башка ырастоочу тест колдонулат.

Бул түзүм кымбат молекулалык тесттерди бүт талаага колдонбостон кең аянт байкоосун камсыз кылат жана AIдын корреляцияга негизделген божомолун биологиялык жактан көбүрөөк өзгөчө диагноз менен колдойт.

Техникалык жана операциялык талаа көйгөйлөрү

Чыныгы талаа шарттарында табигый жарыктын күн ичинде өзгөрүшү, көлөкөлөр, specular reflection, булуттардын өтүшү жана түс температурасы моделдердин сүрөт бөлүштүрүлүшүн өзгөртө алат. Жамгыр же шүүдүрүм жалбырактын көрүнүшүн өзгөртсө, чаң сенсор сапатына таасир этиши мүмкүн.

Калың канопиде жалбырактардын бири-бирин жабышы майда зыянкечтерди же ички жалбырактардагы оору белгилерин жашыра алат. Ар башка cultivarлардын табигый түс, форма жана текстура айырмачылыктары да оору белгиси менен чаташтырылышы мүмкүн.

Социалдык-экономикалык тоскоолдуктар

AI системасынын алгоритми гана эмес, керектүү жабдуу жана инфраструктурасы да колдонууга жарамдуулугун аныктайт. Сереп drone үстүндө колдонулган hiperspektral камералар болжол менен 15.000–100.000 АКШ долларынан жогору боло аларын; multispektral системалар болжол менен 3000–8000 АКШ доллары аралыгында болушу мүмкүн экенин баяндайт. Бул маанилер сереп колдонгон булактардагы контексттик рынок мисалдары жана ар бир аппарат үчүн универсалдуу учурдагы баа эмес.

Бул баа айырмасы айрыкча чакан чарбаларда абсолюттук модель тактыгы менен жеткиликтүүлүктүн ортосунда тең салмак түзүүнү талап кылат. Авторлор кымбат система бир аз жогору accuracy берсе, бул анын арзаныраак жана кыйла кең жеткиликтүү технологияга караганда автоматтык түрдө көбүрөөк food-security таасирин жаратат дегенди билдирбей турганын баса белгилешет.

Келечектеги багыттар

Explainable AI эмне үчүн heatmap гана эмес?

Булак saliency же class-activation heatmap моделдин сүрөттүн кайсы бөлүгүнө көңүл бурганын көрсөтө аларын, бирок бул фермерге же агрономго дайыма биологиялык түшүндүрмө бербесин белгилейт.

Мисалы жалбырактын белгилүү бөлүгүн кызыл менен белгилөө ал сигнал козу карын инфекциясы, азот жетишсиздиги же гербицид зыяны экенин түшүндүрбөйт. Пайдалуураак explainability системасы чечим кайсы физиологиялык же спектралдык белгиге негизделгенин жана альтернативдүү стресстерге эмне үчүн туура келбей турганын түшүндүрө алышы керек.

Edge AI

Edge AI сүрөт же сенсор маалыматын булутка жөнөтпөстөн drone, трактор же талаа роботундагы жергиликтүү жабдууда иштетүүнү көздөйт. Бул ыкма байланышы начар аймактарда иштей алат, latencyни азайтып, маалымат купуялыгын жогорулата алат.

Сереп бул архитектураны реалдуу убакыттагы максаттуу кийлигишүү үчүн маанилүү деп эсептейт. Бирок чоң модель архитектуралары менен edge жабдууларынын кубат жана эс тутум чектөөлөрүнүн ортосунда маанилүү инженердик тең салмак бар.

Foundation model менен lightweight model ортосундагы тең салмак

Сереп айыл чарбага мүнөздүү foundation modelдар абдан чоң жана ар түрдүү өсүмдүк сүрөтү маалымат топтомдорунан жалпы өкүлчүлүктөрдү үйрөнө аларын талкуулайт. Бирок жалпы максаттагы чоң visual backboneдарды талаа жабдуусуна түз жайгаштыруу кыйын болушу мүмкүн.

Булак мисал катары ViT-B/14 класстагы backbone болжол менен 86 миллион параметрге ээ боло аларын; YOLOv8-nano болсо болжол менен 3.2 миллион параметр менен embedded системаларда 5 Wдан төмөн кубат класстарында реалдуу убакытта иштей аларын баяндайт.

Ошондуктан жакынкы мезгил үчүн сунушталган багыттардын бири foundation modelды чоң айыл чарба маалыматында offline алдын ала үйрөтүүгө колдонуп, андан кийин үйрөнүлгөн өкүлчүлүктү кичине тапшырмага мүнөздүү моделдерге distill кылып edge түзмөктөргө өткөрүү.

Hiperspektral маалыматта band selection

Hiperspektral системанын жүздөгөн bandы ар бир колдонууда бирдей маалымат бербейт. PCA же LDA сыяктуу dimensionality-reduction ыкмалары маалымат өлчөмүн азайта алат, бирок сызыктуу эмес оору–спектр мамилелерин өткөрүп жибериши мүмкүн.

Сереп autoencoder негизиндеги representation learning жана AI-driven band selectionды маанилүү келечек багыттарынын бири катары карайт. Эгер белгилүү оору үчүн 200 band ордуна болгону 3–5 тандалган band окшош диагностикалык маалымат бере алары ишенимдүү көрсөтүлсө, сенсор баасы жана иштетүү жүгү олуттуу азайышы мүмкүн. Булак бул пунктту келечекте ырасталышы керек болгон технологиялык максат катары талкуулайт; ишке ашкан универсалдуу жыйынтык катары бербейт.

Эрте баскычтагы баалоо метрикалары

Ооруну аныктоодо жалган терс менен жалган оңдун айыл чарба чыгымы бирдей эмес. Жалган терс чыныгы инфекция өткөрүлүп кетип, жайылышына мүмкүндүк берет; жалган оң болсо керексиз ырастоого же дарылоого алып келиши мүмкүн.

Булак келечектеги benchmarkтар бул асимметриялык чыгымды эске алып, sensitivity pre-симптоматикалык, эрте-симптоматикалык жана кеч-симптоматикалык баскычтар үчүн өзүнчө билдирилишин сунуштайт. Айрыкча pre-симптоматикалык sensitivity overall mAP менен катар негизги өлчөмдөрдүн бири болушу сунушталат.

Изилдөө колдогон жыйынтыктар

Сереп AI өсүмдүк зыянкечтери менен ооруларын сүрөт жана сенсор негизинде сканерлөөдө кең ыкмалар үй-бүлөсүн сунуштай турганын колдойт.

Сереп RGB маалыматы көрүнгөн симптомдор үчүн күчтүү жана жеткиликтүү экенин; multispektral жана hiperspektral маалымат көрүнгөн симптомдордон мурда пайда болгон айрым физиологиялык өзгөрүүлөргө жеткиликтүүлүк бере аларын колдойт.

Сереп модель көрсөткүчү архитектурага гана эмес, маалымат сапатына, domainге, сенсорго, продуктуга, оорунун баскычына жана айлана-чөйрө шарттарына күчтүү көз каранды экенин колдойт.

Сереп AIды кең аянттагы screening куралы катары молекулалык диагноз жана агрономиялык эксперттик билим менен бириктирүү өз алдынча AI диагнозуна караганда илимий жактан көбүрөөк негизделерин колдойт.

Сереп multimodal sensing, XAI, edge computing, foundation models жана cross-domain validation тармактын маанилүү келечектеги изилдөө багыттары экенин колдойт.

Изилдөө колдобогон жыйынтыктар

Изилдөө кандайдыр бир YOLO, Transformer же CNN архитектурасы бардык продукттарда жана аймактарда “эң жакшы” экенин көрсөтпөйт.

Изилдөө жогорку laboratory accuracy ошол эле деңгээлде чыныгы талаа шарттарына өтөрүн көрсөтпөйт.

Изилдөө AI модели PCR же ELISA ордуна белгилүү патогендин биологиялык бар экенин так далилдей аларын көрсөтпөйт.

Изилдөө бир vegetation index же спектралдык band биотикалык жана абиотикалык стресстерди бардык шартта ишенимдүү айырмалай турганын көрсөтпөйт.

Изилдөө Table 2 жана Table 3төгү ар башка пайыздарды бирдиктүү benchmarkта өлчөнгөн түз салыштырылуучу жыйынтык катары бербейт.

Изилдөө AI колдонуу бардык фермерлер үчүн экономикалык жактан ылайыктуу экенин же кымбат сенсорлор ар дайым жогору айыл чарба баалуулугун жаратарын көрсөтпөйт.

Негизги чектөөлөр

Сереп өтө ар башка продукт, зыянкеч, патоген, чөйрө, сенсор, маалымат топтому, модель жана көрсөткүчтү камтыйт. Бул гетерогендүүлүк жалпы тенденцияларды көрүү үчүн пайдалуу, бирок изилдөөлөрдүн ортосунда түз сандык салыштырууну чектейт.

Review ичинде formal PRISMA негизиндеги systematic-review selection protocol билдирилген эмес. Ошондуктан булак тандоону жана адабият камтуусун көз карандысыз түрдө так кайра жаратуу мүмкүнчүлүгү чектелген.

Каралган изилдөөлөрдүн маанилүү бөлүгү помидор, бадыраң, жүзүм, картошка жана калемпир сыяктуу көп изилденген продукттарга топтолгон. Бир продуктта иштелип чыккан моделдин башка продуктка, cultivarга же агро-экологиялык аймакка өткөрүлө алары көп учурда түз текшерилген эмес.

Pre-симптоматикалык sensing изилдөөлөрү айрыкча лаборатория жана контролдолгон чөйрө маалыматтарында күчтүү; табигый талаа шартында бир нече биотикалык жана абиотикалык стресс бир убакта бар болгон шарттар татаалыраак текшерүү маселеси.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска аталышы: A Review on Artificial Intelligence Methods for Plant Disease and Pest Detection

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

Кат алышуучу автор: Eleftheria Maria Pechlivani

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

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

Журнал: AI and Precision Agriculture

Басмакана: MDPI

Том / Саны / Макала: 1 / 1 / 2

DOI: 10.3390/aipa1010002

Даталар: Алынды: 27 Февраль 2026; кайра каралды: 28 Май 2026; кабыл алынды: 1 Июль 2026; жарыяланды: 14 Июль 2026.

Булак түрү: Review. Изилдөө жаңы эксперимент же жаңы маалымат топтомун түзбөйт.

Сереп ыкмасынын классификациясы: Түзүмдүү кеңири илимий сереп. PDF formal PRISMA агымын, толук search strategy, изилдөө тандоо сандарын, inclusion/exclusion protocol же meta-аналитикалык poolingди билдирбегендиктен systematic review же meta-analysis катары классификацияланган эмес.

Негизги камтуу: AI негизиндеги pest monitoring, plant disease detection, computer vision, multispectral/hyperspectral sensing, pre-симптоматикалык detection, validation, generalization жана field deployment.

Негизги каралган продукттар: Помидор, бадыраң, жүзүм, картошка жана калемпир. Булак ошондой эле пахта, күрүч, буудай, жүгөрү, мөмө дарактары жана башка продукттардагы колдонмолорду да камтуунун бөлүгү катары көрсөтөт.

Негизги sensing модалдуулуктары: RGB, multispektral, hiperspektral, термалдык, флуоресценция, LiDAR жана айлана-чөйрө IoT сенсорлору.

Негизги AI тапшырмалары: Classification, object detection, semantic/instance/panoptic segmentation, forecasting жана regression.

Негизги модель үй-бүлөлөрү: Support Vector Machine, Decision Tree, Random Forest, CNN, Vision Transformer, R-CNN, YOLO, SSD, U-Net, DeepLab, Mask R-CNN жана Mask2Former.

Валидация ыкмасы: Expert annotation, зарыл болсо annotator agreement; pre-симптоматикалык спектралдык этикеткаларда контролдолгон инокуляция жана PCR/ELISA ырастоосу; laboratory, field жана cross-domain validation айырмасы.

Булак таблицалары: Table 1 биотикалык жана абиотикалык стресстердеги жалпы визуалдык белгилерди; Table 2 AI негизиндеги pest detection изилдөөлөрүн; Table 3 AI негизиндеги plant disease изилдөөлөрүн салыштырат.

Илимий фигура: Булак PDFде оригиналдуу маалымат фигурасы жок; илимий визуалдык мазмун негизинен таблицалар жана тексттик методологиялык синтез аркылуу берилет.

Лицензия: Creative Commons Attribution (CC BY). Көрүнгөн PDF текстинде версия номери өзүнчө көрсөтүлбөгөндүктөн версия божомолдонгон жок.

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

Этика комитети: Колдонулбайт.

Маалымдалган макулдук: Колдонулбайт.

Маалымат жеткиликтүүлүгү: Review жаңы маалымат түзгөн же талдаган эмес; колдонулган маалымат мурда жарыяланган жана адабият тизмесинде көрсөтүлгөн изилдөөлөрдөн алынган.

AI колдонуу билдирүүсү: Авторлор макаланы даярдоо учурунда Claude (Anthropic) аттуу чоң тил моделин тандалган үзүндүлөрдүн долбоорун түзүүгө жана редакциялоого жардам берүү үчүн колдонушкан. AI колдогон текст авторлор тарабынан каралып, бекитилген. Булактын билдирүүсүнө ылайык AI куралы маалымат талдоодо, адабият издөөгө же шилтемелерди текшерүүгө колдонулган эмес.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Авторлордун салымы: Концептуалдаштыруу бардык авторлор тарабынан жүргүзүлгөн. Ыкма жана программалык камсыздоо Nikolaos Giakoumoglou менен Dimitrios Kapetasка; formal analysis ошол эле эки авторго; маалымат курациясы ошол эле эки авторго; түпнуска долбоор Nikolaos Giakoumoglou, Kleanthis Marios Papadopoulos жана Dimitrios Kapetasка; визуалдаштыруу Nikolaos Giakoumoglouга; жетекчилик Tania Stathaki жана Eleftheria Maria Pechlivaniге; долбоорду башкаруу жана каржылоону алуу Eleftheria Maria Pechlivaniге таандык. Бардык авторлор кайра карап чыгууга жана редакциялоого салым кошкон.

Негизги методологиялык чектөө: Изилдөөлөр сенсор, продукт, маалымат топтому, тапшырма жана көрсөткүч боюнча жогорку гетерогендүүлүккө ээ; Table 2–3 meta-analysis же бирдиктүү benchmark эмес.

Негизги илимий чечмелөө чеги: AI өсүмдүк ден соолугун башкарууда тез жана кең масштабдуу screening бере алат; бирок модель божомолу патогендин себептик же молекулалык ырастоосу эмес. Эң күчтүү колдонуу модели AI скринингин фитопатологиялык билим, айлана-чөйрө байкоосу жана зарыл болгондо PCR/ELISA сыяктуу ырастоочу ыкмалар менен бириктирүү болуп саналат.