Utambuzi wa afya ya mimea unaotegemea akili bandia ni mbinu ya usaidizi wa maamuzi inayojifunza ruwaza katika picha, vipimo vya spektra, sensa za mazingira au data nyingine za kilimo ili kuwezesha uchunguzi, uainishaji, ujanibishaji wa magonjwa na wadudu waharibifu au utabiri wa maendeleo yao kwa njia ya kiotomatiki. Mapitio haya yanapanga mbinu za akili bandia zinazotumiwa katika utambuzi wa wadudu waharibifu na magonjwa ya mimea kulingana na modali ya utambuzi, paradigma ya ujifunzaji, kiwango cha uchunguzi na hatua ya maendeleo ya ugonjwa. Ufuatiliaji wa wadudu waharibifu unashughulikiwa katika kiwango cha mtego/idadi ya wadudu, utambuzi wa moja kwa moja unaolenga mmea na kiwango cha jukwaa la shambani/hewani, huku utambuzi wa magonjwa ukigawanywa katika uchunguzi unaotegemea RGB baada ya dalili zinazoonekana kutokea na utambuzi wa pre-symptomatic unaotegemea picha za multispektral na hiperspektral. Tafsiri kuu ya mapitio ni kwamba akili bandia inaweza kutoa screening ya haraka na inayoweza kupanuliwa; hata hivyo, kwa sababu ya upungufu wa data, domain shift, uwezo wa kujumlisha katika hali za shambani, kutenganisha stress za biotic–abiotic na tatizo la correlation–causation, haipaswi kuchukuliwa kama mfumo huru wa uchunguzi unaochukua nafasi ya mbinu za uthibitishaji kama PCR, ELISA na utaalamu wa agronomia.

Tafiti zilizokaguliwa katika chanzo zinatumia picha za RGB, multispektral, hiperspektral, thermal na fluorescence; sensa za IoT, UAV, mifumo ya roboti na miundo mbalimbali ya computer vision. Mbinu za kawaida za machine learning zinaweza kufanya kazi na spectral indices au texture features zilizotolewa mapema, huku miundo ya deep learning kama CNN na Vision Transformer ikiwa na uwezo wa kujifunza vipengele end-to-end kutoka picha ghafi au data cubes za spektra. Katika object detection, familia za YOLO, R-CNN na SSD; na katika segmentation, miundo kama U-Net, DeepLab, Mask R-CNN na Mask2Former zinaonekana zaidi. Hata hivyo, jina la usanifu wa modeli pekee haliamui mafanikio ya shambani; ni muhimu sana seti ya data iwakilishe kwa kiwango gani zao, eneo, hatua ya ugonjwa, sensa, mwanga na hali za mazingira.

Mapitio yanaweka mkazo maalum kwenye kutambua kwa sensa za spektra mabadiliko ya kifizikia yanayotokea kabla ya ugonjwa kuonyesha dalili zinazoonekana. Mabadiliko katika maeneo ya Red-edge, NIR na SWIR yanaweza kuwa nyeti kwa michakato ya kifizikia kama klorofili, muundo wa seli na hali ya maji ya jani. Hata hivyo, ukame, upungufu wa virutubisho na stress nyingine za abiotic zinaweza pia kutoa spectral signatures zinazofanana, hivyo anomali ya spektra inayotambuliwa na AI si ushahidi wa moja kwa moja wa kibayolojia wa uwepo wa pathojeni fulani. Kwa hiyo chanzo kinaweka muunganiko wa AI screening ya eneo pana na uthibitishaji wa molekuli unaolengwa kama mbinu yenye kuaminika zaidi.

Kwa nini utambuzi wa afya ya mimea ni tatizo gumu?

Afya ya mimea haimaanishi tu kwamba mmea hauna ugonjwa. Pamoja na sababu za biotic kama wadudu waharibifu, fangasi, bakteria, virusi na nematodi, stress za abiotic kama ukame, joto, chumvi, upungufu au sumu ya virutubisho zinaweza pia kuvuruga utendaji wa kifizikia na uzalishaji wa mmea.

Dalili zinazotokana na sababu hizi tofauti mara nyingi hufanana. Kuwa kwa manjano kunaweza kuwa matokeo ya maambukizi ya virusi lakini pia kunaweza kusababishwa na upungufu wa nitrojeni au kujaa kwa maji. Kunyauka kunaweza kuashiria pathojeni ya mishipa lakini pia kutokea katika ukame au stress ya joto. Vidonda vya necrotic vinaweza kutokea kutokana na fangasi na bakteria, lakini pia kutokana na sumu ya chumvi, baridi kali au uharibifu wa kemikali.

Kwa hiyo mfumo wa AI unaoaminika haupaswi kujibu tu swali “je, kuna eneo la manjano kwenye jani?”. Vigezo vya muktadha kama usambazaji wa dalili kwa nafasi, mpaka wa kidonda, texture, sehemu ya mmea ambako dalili imetokea, mwitikio wa spektra, unyevu wa udongo, joto na maendeleo ya ugonjwa kwa muda vinapaswa pia kutathminiwa.

Akili Bandia Hutumia Aina Gani za Data katika Utambuzi wa Magonjwa ya Mimea na Wadudu Waharibifu?

Mifumo ya AI iliyokaguliwa katika chanzo hutumia modali mbalimbali kuanzia picha zinazoonekana za RGB hadi data cubes za multispektral na hiperspektral, kutoka picha za thermal na fluorescence hadi data za sensa za IoT kama unyevu wa udongo, joto na unyevu wa hewa; uchaguzi wa sensa hubadilika kulingana na lengo, kama kutambua dalili zinazoonekana, kugundua mabadiliko ya mapema ya kifizikia au uangalizi wa shamba katika eneo pana.

Picha za RGB

Picha za RGB hutumia bendi nyekundu, kijani na bluu zinazoonekana na hutoa taarifa ya kuona inayokaribia mtazamo wa jicho la binadamu. Gharama ya chini na urahisi wa kuunganishwa na smartphone, kamera, drone na majukwaa ya roboti ni faida zake kuu.

Kikomo kikuu cha RGB ni kwamba katika hali nyingi inaweza kunasa tu mabadiliko ya phenotype yanayoonekana. Ikiwa ugonjwa umeanza kifizikia lakini bado haujazalisha dalili inayoonekana katika rangi, texture au morfolojia, modeli inayotumia RGB pekee inaweza isiweze kuona ishara inayohitajika.

Picha za multispektral

Mifumo ya multispektral kwa kawaida hutumia pamoja na RGB bendi chache teule za spektra kama red-edge na near-infrared. Chanzo kinaeleza kwamba mifumo ya multispektral kwa kawaida inaweza kufanya kazi na takriban bendi 3–13.

Kwa kuwa bendi teule zisizoonekana ni nyeti kwa mabadiliko ya klorofili, muundo wa seli au mahusiano ya mmea na maji, zina uwezo wa kunasa mabadiliko ya kifizikia mapema kuliko dalili zinazoonekana.

Picha za hiperspektral

Picha za hiperspektral huzalisha makumi au mamia ya bendi nyembamba za spektra. Chanzo kinajadili kwamba vipimo vya hiperspektral vinavyoenea takriban katika 400–2500 nm vinaweza kufichua mabadiliko madogo ya biokemia ambayo jicho la binadamu haliwezi kutofautisha.

Utajiri huu pia huleta matatizo ya gharama, ujazo wa data na kompyuta. Bendi nyingi zinaweza kuongeza hatari ya overfitting kutokana na tatizo la idadi ndogo ya sampuli / idadi kubwa ya vipengele na kufanya matumizi ya real-time edge kuwa magumu.

Picha za thermal

Sensa za thermal hufuatilia mabadiliko ya joto la jani. Kwa kuwa michakato ya kifizikia kama kufungwa kwa stomata na mabadiliko ya transpiration inaweza kuathiri muundo wa joto, inaweza kutoa taarifa ya stress kabla ya dalili zinazoonekana kutokea.

Picha za fluorescence

Fluorescence ya klorofili hubeba taarifa kuhusu hali ya mfumo wa photosynthesis. Fasihi iliyowasilishwa na mapitio inaeleza kwamba vigezo vinavyohusiana na photosystem II kama Fv/Fm na qP vinaweza kuwa viashiria vya mwitikio wa mapema wa kifizikia katika baadhi ya hali za stress.

IoT na sensa za mazingira

Unyevu wa udongo, joto la hewa, unyevu wa hewa na uchunguzi mwingine wa mazingira si utambuzi wa pathojeni wenyewe. Badala yake, hutoa data ya muktadha inayofafanua katika hali gani za mazingira anomali ya picha au spektra imetokea. Hivyo, kwa mfano, inaweza kuwa rahisi zaidi kutenganisha stress ya maji na mabadiliko ya spektra yanayosababishwa na ugonjwa.

Uhusiano kati ya AI, machine learning na deep learning

Artificial Intelligence (AI) ni eneo pana la utafiti linalohusisha uundaji wa mifumo inayoweza kuonyesha tabia ya kiakili. Machine Learning (ML) ni eneo dogo la AI linalolenga kujifunza kutoka ruwaza za data. Deep Learning (DL) ni eneo dogo la ML linalojifunza representations kiotomatiki kwa kutumia neural networks zenye tabaka nyingi.

Katika matumizi ya kawaida ya ML, mtafiti anaweza kwanza kutoa vipengele kama spectral index, takwimu za rangi au texture descriptor, kisha kutumia algoriti kama Support Vector Machine, Decision Tree au Random Forest.

Katika DL, miundo kama CNN au Vision Transformer inaweza kujifunza vipengele moja kwa moja kutoka pikseli ghafi, hiperspektral data cube au time series. Faida yake ni kuendesha kiotomatiki sehemu ya feature engineering; hasara yake ni kwamba kwa kawaida huhitaji data nyingi zaidi zenye lebo na rasilimali kubwa zaidi za kompyuta.

Majukumu ya computer vision yanatofautianaje?

Familia kuu za modeli

Mapitio yanaeleza familia za R-CNN, YOLO na SSD katika object detection; na miundo kama U-Net, DeepLab, Mask R-CNN na Mask2Former katika segmentation. CNN hujifunza ruwaza za picha za ndani kwa convolution filters, huku miundo ya Vision Transformer ikigawa picha katika mfululizo wa patch na kutumia self-attention kuunda muktadha mpana zaidi.

Familia ya YOLO inaonekana kutumika sana katika tafiti za pest detection zilizokaguliwa hasa kwa sababu ya inference ya haraka na object localization. Hata hivyo, ulinganisho wa mapitio yenyewe unaonyesha kwamba familia hiyo hiyo ya usanifu inaweza kutoa utendaji tofauti sana katika mazingira tofauti.

Utambuzi wa Ugonjwa wa Mimea Kabla ya Dalili Kuonekana Unawezaje Kuwezekana?

Utambuzi wa pre-symptomatic unategemea kupima kwa sensa za multispektral, hiperspektral, thermal au fluorescence mabadiliko ya kifizikia ambayo ugonjwa husababisha katika maudhui ya klorofili, utendaji wa photosynthesis, muundo wa seli, usafirishaji wa maji au joto la jani kabla ya kuunda kidonda kinachoonekana, na kujifunza ruwaza hizi dhaifu kwa AI; hata hivyo, anomali kama hiyo pekee si utambuzi wa uhakika wa pathojeni maalum.

Maendeleo ya stress kwa muda

Kulingana na mfumo wa dhana wa chanzo, stress huanza kwanza katika kiwango cha molekuli na seli. Mabadiliko katika gene expression, viwango vya homoni, protein synthesis na michakato kama reactive oxygen species hayaonekani kwa macho.

Baadaye, mabadiliko ya kifizikia yanayoweza kutambuliwa kwa sensa yanaweza kujitokeza, kama ufanisi wa photosynthesis, spectral reflectance, joto na hali ya maji. Kuwa kwa manjano, vidonda, necrosis au mabadiliko ya morfolojia yanayoonekana yanaweza kuwa wazi zaidi katika hatua za baadaye.

Lengo la AI katika utambuzi wa mapema ni kutofautisha ishara dhaifu ya sensa katika safu hii ya pili ya ugonjwa kabla ya dalili inayoonekana kujitokeza.

Red-edge: 700–740 nm

Mapitio yanaeleza, katika muktadha wa tafiti za Botrytis cinerea, kwamba eneo la red-edge karibu 700–740 nm linaweza kuwa nyeti kwa mabadiliko ya maudhui ya klorofili na utendaji wa photosystem II.

NIR: 750–900 nm

Eneo la Near-infrared linahusishwa na uadilifu wa seli na muundo. Mabadiliko kama kuenea kwa maambukizi katika tishu za mesophyll yanaweza kubadilisha tabia ya NIR reflectance.

SWIR: 1400–1900 nm

Eneo la Short-wave infrared ni nyeti sana kwa maudhui ya maji ya jani. Kwa kuwa stress ya biotic inayotokana na pathojeni inaweza kuathiri usafirishaji wa maji ndani ya mmea, baadhi ya tafiti zilizowasilishwa katika mapitio zinaripoti kwamba mabadiliko ya SWIR yanaweza kupimwa takriban siku 1–3 kabla ya dalili zinazoonekana.

Kwa nini NDRE, PRI na SIPI zinaweza kutumiwa?

Vegetation indices kama NDRE, PRI na SIPI hutengeneza viashiria vinavyohusiana na rangi za mimea au hali ya photosynthesis kutoka kwa mchanganyiko maalum wa bendi. Mapitio yanaeleza kwamba indices hizi zinaweza kuwa nyeti zaidi kuliko NDVI katika baadhi ya hali za mapema za stress ya biotic.

Hata hivyo, inasisitizwa hasa kwamba index moja si mahususi kwa pathojeni fulani. Mabadiliko ya red-edge yanaweza pia kutokea katika upungufu wa nitrojeni, mabadiliko ya bendi za maji za SWIR katika ukame na chlorosis inayoonekana katika upungufu wa chuma. Kwa hiyo si sahihi kutumia threshold moja pekee na kuhitimisha “mmea huu bila shaka una maambukizi ya fangasi”.

Ground truth inapaswa kujengwaje?

Katika kuweka lebo za dalili za ugonjwa zinazoonekana kwa bounding box au segment mask, annotations za wataalamu wa phytopathologist zinaweza kutumiwa kama ground truth. Ikiwa kuna annotator zaidi ya mmoja, vipimo vya makubaliano kama Cohen's Kappa au Fleiss' Kappa vinaweza kutumiwa.

Katika utambuzi wa spektra wa pre-symptomatic, ground truth ni tatizo gumu zaidi. Kwa kuwa mmea unaweza kuonekana wenye afya, haiwezekani kutegemea lebo ya picha pekee. Katika tafiti zilizodhibitiwa zilizojadiliwa na chanzo, pathojeni iliingizwa kwa inoculation na hali ya maambukizi ikathibitishwa kwa mbinu kama PCR au ELISA. Uthibitishaji huu ni muhimu ili kuonyesha kwamba ishara ya spektra kweli imetoka kwa sampuli yenye maambukizi badala ya ukame au stress nyingine pekee.

Kwa nini usahihi wa maabara hautoshi?

Mazingira ya maabara hurahisisha udhibiti wa mandharinyuma, mwanga na hali za stress. Kinyume chake, katika shamba halisi kunaweza kuwa na vivuli, pembe ya jua inayobadilika, kufunikana kwa majani, mvua, umande, vumbi, morfolojia tofauti za cultivar na stress zaidi ya moja kwa wakati mmoja.

Kwa hiyo chanzo kinatofautisha viwango vitatu vya validation: controlled laboratory benchmark, real field validation na cross-domain validation kwenye domain tofauti na zao/eneo ambako modeli ilitengenezwa. Ya mwisho ni changamoto hasa kwa kuelewa ikiwa modeli inaweza kufanya generalization kwa kweli.

Viwango vitatu vya uchunguzi katika utambuzi wa wadudu waharibifu

Mapitio yanagawanya mbinu za pest monitoring katika makundi matatu mapana. Ufuatiliaji unaotegemea mitego hufuatilia mwenendo wa idadi ya wadudu kwa kuhesabu kiotomatiki wadudu kwenye mitego ya kunata. Utambuzi unaolenga mmea huweka moja kwa moja mahali mdudu au uharibifu wake kwenye jani. Uangalizi wa kiwango cha shamba/hewa hujaribu kutengeneza ramani ya hatari katika maeneo makubwa zaidi kwa UAV au picha za eneo pana.

Mfumo wa mtego unaweza kupanuliwa kwa kuhesabu na kutabiri; lakini hauonyeshi ni mmea gani hasa shambani ambapo mdudu anasababisha uharibifu. Mifumo inayolenga mmea hutoa uamuzi wa eneo maalum zaidi, lakini kufunikana kwa majani, ugumu wa mandharinyuma na mabadiliko ya mwanga hufanya utambuzi kuwa mgumu. Uchunguzi wa UAV hutoa faida ya eneo pana, lakini unaweza kupoteza undani wa kiwango cha jani moja au kidonda kidogo.

Kwa nini kiwango cha uchunguzi kinapaswa kuwa metadata ya kawaida?

Chanzo kinasisitiza kwamba kiwango cha jani, mmea, canopy na eneo hutofautiana si tu katika image resolution, bali pia katika sensa inayotumiwa, usanifu wa modeli, annotation na mbinu ya ground-truth. Kwa hiyo inapendekezwa kwamba katika benchmark za baadaye, pamoja na metric ya utendaji, kiwango cha nafasi ambacho tathmini ilifanywa kiripotiwe wazi.

Mbinu na Matokeo ya Utafiti

Review hii imeundwaje?

Utafiti hautengenezi jaribio jipya au seti mpya ya data. Waandishi wanaainisha kimaudhui tafiti zilizopo za AI-based pest na disease detection na kuzilinganisha kulingana na modali ya sensa, paradigma ya modeli, kiwango cha matumizi na utambuzi wa pre-/post-symptomatic.

PDF haijaripoti mtiririko wa PRISMA, search string kamili ya hifadhidata, tarehe ya utafutaji, idadi ya rekodi za awali, duplicate elimination, formal inclusion/exclusion criteria au quality/risk-of-bias score. Kwa hiyo majedwali yaliyotolewa hapa yanapaswa kusomwa si kama ukubwa wa athari uliounganishwa wa meta-analysis ya kimfumo, bali kama majedwali ya mapitio yaliyopangwa yanayokusanya mifano wakilishi ya mbinu na utendaji wa eneo hili.

Table 2: Matokeo wakilishi kutoka tafiti za utambuzi wa wadudu waharibifu

Jedwali hili linaonyesha kwamba hata chini ya lebo ileile ya “pest detection”, utendaji unaweza kutofautiana kwa kiwango kikubwa. Hata hivyo, mAP au precision kubwa zaidi katika utafiti mmoja kuliko mwingine haithibitishi peke yake kwamba algoriti ni bora. Idadi ya spishi lengwa, ukubwa wa pest, image resolution, mandharinyuma, mazingira ya majaribio na mgawanyo wa train/test hutofautiana.

Table 3: Matokeo wakilishi kutoka tafiti za utambuzi wa magonjwa

mAP, precision, Dice na accuracy katika mistari tofauti si kipimo kilekile cha kihisabati. Pia vimepimwa katika seti za data na majukumu tofauti. Kwa hiyo jedwali si leaderboard.

Kwa Nini Usahihi Mkubwa wa AI Hauimaanishi Uaminifu wa Shamba Halisi?

Hata ikiwa modeli ya ugonjwa wa mimea au wadudu waharibifu inapata accuracy au mAP ya juu katika seti ya data iliyodhibitiwa, usambazaji wa data unaweza kubadilika katika cultivar, eneo, kamera, mwanga, hali ya hewa au hatua tofauti ya ugonjwa; ikiwa modeli imejifunza correlations za bahati nasibu za mandharinyuma au sensa badala ya dalili halisi ya kibayolojia, utendaji wa shambani unaweza kushuka kwa kasi.

Domain shift

Domain shift ni tofauti kati ya usambazaji wa data za mafunzo na data za matumizi halisi. Modeli inayotambua jani la nyanya lililolimwa katika greenhouse inaweza isidumishe utendaji uleule katika cultivar tofauti, mandharinyuma tofauti ya udongo au mwanga wa jua wa shamba wazi.

Katika mifumo ya hiperspektral na multispektral, tatizo linaweza kuwa gumu zaidi. Tofauti za calibration ya sensa, angahewa, pembe ya jua na mabadiliko ya kifaa yanaweza kubadilisha spectral signature inayopimwa.

Ukosefu wa uwiano wa madarasa

Katika seti halisi za data za kilimo, mimea yenye afya inaweza kuwa mingi zaidi kuliko sampuli zenye ugonjwa. Katika hali hii, kutumia accuracy pekee ni hatari. Kwa mfano, katika seti ya data ya kufikirika yenye prevalence ya ugonjwa ya %10, modeli inayosema sampuli zote ni “zenye afya” hupata %90 accuracy; lakini haitambui ugonjwa wowote.

Kwa hiyo chanzo kinajadili kwamba vipimo kama Precision–Recall curve, F1-score na Matthews Correlation Coefficient vinaweza kuwa na taarifa zaidi katika seti za data zisizo na uwiano.

Upungufu wa data zenye lebo

Kwa magonjwa adimu, pathojeni mpya na cultivar maalum za eneo, picha za kutosha zinaweza zisiwepo. Tatizo ni gumu zaidi katika hatua ya mapema ya maambukizi; bila dalili inayoonekana, kutengeneza lebo sahihi huhitaji utaalamu na mara nyingi uthibitishaji wa maabara.

Chanzo kinatathmini active learning, semi-supervised learning, transfer learning, data augmentation na uzalishaji wa data sintetiki unaotegemea generative AI miongoni mwa mbinu zinazoweza kupunguza kikwazo hiki. Hata hivyo, data sintetiki haijawasilishwa kama suluhisho linalochukua nafasi kabisa ya data halisi ya shambani iliyothibitishwa na mtaalamu.

Correlation si causation

Mfumo wa trap-based AI unaweza kutabiri mwenendo wa baadaye wa idadi ya wadudu kutokana na joto, unyevu na idadi ya wadudu; lakini modeli inaweza kuwa haija“elewa” kibayolojia utaratibu wa kutaga mayai wa mdudu.

Vivyo hivyo, modeli ya hiperspektral AI inaweza kutambua anomali ya spektra inayohusishwa na maambukizi, lakini anomali hiyohiyo inaweza pia kuzalishwa na stress nyingine ya kibayolojia au abiotic.

Kwa sababu ya tofauti hii, predictive accuracy ya juu na “kujua sababu ya ugonjwa” si dai lilelile.

Mbinu ya AI + uthibitishaji wa molekuli

Usanifu wa vitendo wenye nguvu zaidi unaopendekezwa na mapitio ni kutumia AI kama safu ya screening ya haraka katika maeneo makubwa. Mfumo huchagua mimea au maeneo yenye mashaka; kisha PCR, ELISA au kipimo kingine cha uthibitishaji hutumiwa kwenye sampuli hizo pekee.

Muundo huu hutoa uchunguzi wa eneo pana bila kuhitaji vipimo vya molekuli vya gharama kubwa kwenye shamba lote na huunga mkono utabiri wa AI unaotegemea correlation kwa diagnosis yenye umaalum mkubwa zaidi wa kibayolojia.

Changamoto za kiufundi na kiutendaji shambani

Katika hali halisi za shambani, mabadiliko ya mwanga wa asili katika muda wa siku, vivuli, specular reflection, kupita kwa mawingu na color temperature vinaweza kubadilisha usambazaji wa picha wa modeli. Mvua au umande unaweza kubadilisha mwonekano wa jani, huku vumbi likiathiri ubora wa sensa.

Katika canopy yenye msongamano, majani kufunikana yanaweza kuficha wadudu wadogo au dalili za magonjwa kwenye majani ya ndani. Tofauti za asili za rangi, umbo na texture kati ya cultivar tofauti pia zinaweza kuchanganywa na dalili za ugonjwa.

Vikwazo vya kijamii na kiuchumi

Si algoriti ya mfumo wa AI pekee bali pia vifaa na miundombinu inayohitajika huamua uwezekano wa matumizi. Mapitio yanaeleza kwamba kamera za hiperspektral zinazotumika kwenye drone zinaweza kugharimu takriban zaidi ya dola za Marekani 15.000–100.000; mifumo ya multispektral inaweza kuwa takriban katika kiwango cha dola za Marekani 3000–8000. Thamani hizi ni mifano ya soko ya kimuktadha kutoka kwenye vyanzo vilivyotumiwa na mapitio na si bei ya sasa ya ulimwengu kwa kila kifaa.

Tofauti hii ya gharama inahitaji, hasa katika mashamba madogo, kuwe na uwiano kati ya usahihi wa juu kabisa wa modeli na upatikanaji wa teknolojia. Waandishi wanasisitiza kwamba mfumo wa gharama kubwa kutoa accuracy iliyo juu kidogo haimaanishi moja kwa moja kwamba utaleta athari kubwa zaidi ya food-security kuliko teknolojia ya bei nafuu na inayopatikana kwa watu wengi zaidi.

Mielekeo ya baadaye

Kwa nini Explainable AI si heatmap pekee?

Chanzo kinaeleza kwamba saliency au class-activation heatmap inaweza kuonyesha eneo la picha ambalo modeli imeangalia, lakini hiyo haimpi kila mara mkulima au agronomist maelezo ya kibayolojia.

Kwa mfano, kuonyesha sehemu fulani ya jani kwa rangi nyekundu hakuelezi ikiwa ishara hiyo ni maambukizi ya fangasi, upungufu wa nitrojeni au uharibifu wa herbicide. Mfumo wa explainability wenye manufaa zaidi unapaswa kuweza kueleza uamuzi ulitegemea sifa gani ya kifizikia au spektra na kwa nini hauendani na stress mbadala.

Edge AI

Edge AI inalenga kuchakata picha au data ya sensa kwenye vifaa vya eneo vilivyo kwenye drone, trekta au roboti ya shambani bila kuituma kwenye cloud. Mbinu hii inaweza kufanya kazi katika maeneo yenye muunganisho dhaifu, kupunguza latency na kuongeza faragha ya data.

Mapitio yanaona usanifu huu kuwa muhimu kwa hatua zinazolengwa katika real time. Hata hivyo, kuna uwiano muhimu wa kihandisi kati ya miundo mikubwa ya modeli na mipaka ya nguvu na kumbukumbu ya vifaa vya edge.

Uwiano kati ya foundation model na lightweight model

Mapitio yanajadili kwamba foundation models maalum kwa kilimo zinaweza kujifunza representations za jumla kutoka seti kubwa sana na tofauti za picha za mimea. Hata hivyo, visual backbone kubwa za matumizi ya jumla zinaweza kuwa ngumu kuwekwa moja kwa moja kwenye vifaa vya shambani.

Chanzo kinatoa mfano kwamba backbone ya daraja la ViT-B/14 inaweza kuwa na takriban parameter milioni 86; YOLOv8-nano inaweza kufanya kazi real time katika embedded systems za kiwango cha nguvu chini ya 5 W ikiwa na takriban parameter milioni 3.2.

Kwa hiyo mojawapo ya mielekeo inayopendekezwa kwa muda wa karibu ni kutumia foundation model kwa offline pretraining kwenye data kubwa ya kilimo na kisha kufanya distill ya representation iliyojifunza kwenda kwenye modeli ndogo maalum kwa jukumu ili kuzipeleka kwenye vifaa vya edge.

Band selection katika data ya hiperspektral

Mamia ya band katika mfumo wa hiperspektral hayabebi taarifa sawa katika kila matumizi. Mbinu za dimensionality-reduction kama PCA au LDA zinaweza kupunguza ukubwa wa data lakini zinaweza kukosa mahusiano yasiyo ya mstari kati ya ugonjwa na spektra.

Mapitio yanaona representation learning inayotegemea autoencoder na AI-driven band selection kuwa mojawapo ya mielekeo muhimu ya baadaye. Ikiwa itaonyeshwa kwa kuaminika kwamba kwa ugonjwa fulani band 3–5 teule pekee zinaweza kutoa taarifa ya uchunguzi inayofanana badala ya band 200, gharama ya sensa na mzigo wa uchakataji vinaweza kupungua kwa kiasi kikubwa. Chanzo kinajadili hoja hii kama lengo la teknolojia linalohitaji kuthibitishwa baadaye; haliwasilishi kama matokeo ya ulimwengu yaliyokwisha kufikiwa.

Vipimo vya tathmini katika hatua za mapema

Katika utambuzi wa ugonjwa, gharama ya kilimo ya false negative na false positive si sawa. False negative inaweza kukosa maambukizi halisi na kuruhusu yaenee; false positive inaweza kusababisha uthibitishaji au matibabu yasiyo ya lazima.

Chanzo kinapendekeza kwamba benchmark za baadaye zizingatie gharama hii isiyo sawia na sensitivity iripotiwe kando kwa hatua za pre-symptomatic, early-symptomatic na late-symptomatic. Hasa, inapendekezwa kwamba pre-symptomatic sensitivity iwe mojawapo ya vipimo vya msingi pamoja na overall mAP.

Matokeo yanayoungwa mkono na utafiti

Mapitio yanaunga mkono kwamba AI inatoa familia pana ya mbinu kwa scanning ya wadudu waharibifu na magonjwa ya mimea inayotegemea picha na sensa.

Mapitio yanaunga mkono kwamba data za RGB zina nguvu na zinapatikana kwa dalili zinazoonekana; data za multispektral na hiperspektral zinaweza kutoa ufikiaji wa baadhi ya mabadiliko ya kifizikia yanayotokea kabla ya dalili zinazoonekana.

Mapitio yanaunga mkono kwamba utendaji wa modeli hutegemea kwa nguvu si usanifu pekee, bali pia ubora wa data, domain, sensa, zao, hatua ya ugonjwa na hali za mazingira.

Mapitio yanaunga mkono kwamba kutumia AI kama zana ya screening ya eneo pana pamoja na uchunguzi wa molekuli na utaalamu wa agronomia kunatetezeka zaidi kisayansi kuliko utambuzi huru wa AI.

Mapitio yanaunga mkono kwamba multimodal sensing, XAI, edge computing, foundation models na cross-domain validation ni mielekeo muhimu ya utafiti wa baadaye katika eneo hili.

Matokeo yasiyoungwa mkono na utafiti

Utafiti hauonyeshi kwamba usanifu wowote wa YOLO, Transformer au CNN ndio “bora zaidi” katika mazao na maeneo yote.

Utafiti hauonyeshi kwamba laboratory accuracy ya juu itahamishwa kwa kiwango kilekile hadi katika hali halisi za shambani.

Utafiti hauonyeshi kwamba modeli ya AI inaweza kuthibitisha kwa uhakika uwepo wa kibayolojia wa pathojeni maalum badala ya PCR au ELISA.

Utafiti hauonyeshi kwamba vegetation index moja au spectral band moja inaweza kutenganisha kwa kuaminika stress za biotic na abiotic katika hali zote.

Utafiti hauwasilishi asilimia tofauti katika Table 2 na Table 3 kama matokeo yanayoweza kulinganishwa moja kwa moja yaliyopimwa chini ya benchmark moja.

Utafiti hauonyeshi kwamba matumizi ya AI yanafaa kiuchumi kwa wakulima wote au kwamba sensa za gharama kubwa huleta thamani kubwa zaidi ya kilimo katika kila hali.

Vikomo vikuu

Mapitio yanajumuisha mazao, wadudu waharibifu, pathojeni, mazingira, sensa, seti za data, modeli na vipimo vya utendaji vilivyo tofauti sana. Heterogeneity hii ni muhimu kwa kuona mielekeo ya jumla, lakini inapunguza ulinganisho wa moja kwa moja wa kiasi kati ya tafiti.

Ndani ya Review haijaripotiwa formal PRISMA-based systematic-review selection protocol. Kwa hiyo uwezo wa kuzalisha tena kwa kujitegemea na kwa usahihi uchaguzi wa vyanzo na wigo wa fasihi ni mdogo.

Sehemu kubwa ya tafiti zilizokaguliwa imejikita kwenye mazao yanayofanyiwa utafiti mara nyingi kama nyanya, tango, zabibu, viazi na pilipili. Uwezo wa kuhamisha modeli iliyotengenezwa kwa zao moja kwenda kwenye zao, cultivar au eneo lingine la agro-ecological haujajaribiwa moja kwa moja katika hali nyingi.

Tafiti za pre-symptomatic sensing zina nguvu hasa katika data za maabara na mazingira yaliyodhibitiwa; hali ya mazingira halisi ya shamba ambako stress nyingi za biotic na abiotic zipo kwa wakati mmoja ni tatizo gumu zaidi la validation.

Maelezo ya Chanzo na Mbinu

Kichwa asili: A Review on Artificial Intelligence Methods for Plant Disease and Pest Detection

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

Mwandishi wa mawasiliano: Eleftheria Maria Pechlivani

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

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

Jarida: AI and Precision Agriculture

Mchapishaji: MDPI

Juzuu / Toleo / Makala: 1 / 1 / 2

DOI: 10.3390/aipa1010002

Tarehe: Ilipokelewa: 27 Februari 2026; ilirekebishwa: 28 Mei 2026; ilikubaliwa: 1 Julai 2026; ilichapishwa: 14 Julai 2026.

Aina ya chanzo: Review. Utafiti hautengenezi jaribio jipya au seti mpya ya data.

Uainishaji wa mbinu ya mapitio: Mapitio ya kisayansi yaliyopangwa na yenye wigo mpana. Kwa kuwa PDF haijaripoti mtiririko formal wa PRISMA, search strategy kamili, idadi za uteuzi wa tafiti, inclusion/exclusion protocol au meta-analytical pooling, haijaainishwa kama systematic review au meta-analysis.

Wigo mkuu: AI-based pest monitoring, plant disease detection, computer vision, multispectral/hyperspectral sensing, pre-symptomatic detection, validation, generalization na field deployment.

Mazao makuu yaliyokaguliwa: Nyanya, tango, zabibu, viazi na pilipili. Chanzo pia kinataja matumizi katika pamba, mpunga, ngano, mahindi, miti ya matunda na mazao mengine kuwa sehemu ya wigo.

Modali kuu za sensing: RGB, multispektral, hiperspektral, thermal, fluorescence, LiDAR na sensa za mazingira za IoT.

Majukumu makuu ya AI: Classification, object detection, semantic/instance/panoptic segmentation, forecasting na regression.

Familia kuu za modeli: Support Vector Machine, Decision Tree, Random Forest, CNN, Vision Transformer, R-CNN, YOLO, SSD, U-Net, DeepLab, Mask R-CNN na Mask2Former.

Mbinu ya validation: Expert annotation, inapohitajika annotator agreement; controlled inoculation na uthibitishaji wa PCR/ELISA katika lebo za spektra za pre-symptomatic; tofauti kati ya laboratory, field na cross-domain validation.

Majedwali ya chanzo: Table 1 inalinganisha dalili za kuona zinazofanana katika stress za biotic na abiotic; Table 2 tafiti za AI-based pest detection; Table 3 tafiti za AI-based plant disease.

Kielelezo cha kisayansi: PDF ya chanzo haina kielelezo asilia cha data; maudhui ya kisayansi ya kuona yanawasilishwa hasa kupitia majedwali na muhtasari wa kimetodolojia wa maandishi.

Leseni: Creative Commons Attribution (CC BY). Kwa kuwa nambari ya toleo haikutajwa kando katika maandishi yanayoonekana ya PDF, toleo halikukisiwa.

Ufadhili: Mradi wa E-SPFdigit; European Union Horizon Europe research and innovation programme, Grant Agreement No. 101157922.

Kamati ya maadili: Haitumiki.

Ridhaa iliyoarifiwa: Haitumiki.

Upatikanaji wa data: Review haijaunda au kuchanganua data mpya; taarifa zilizotumiwa zimetokana na tafiti zilizochapishwa awali na zilizotajwa kwenye marejeo.

Tamko la matumizi ya AI: Waandishi walitumia modeli kubwa ya lugha Claude (Anthropic) wakati wa kuandaa makala ili kusaidia kuandaa rasimu na kurekebisha vifungu teule. Maandishi yaliyosaidiwa na AI yalikaguliwa na kuidhinishwa na waandishi. Kulingana na tamko la chanzo, zana ya AI haikutumiwa kwa uchanganuzi wa data, utafutaji wa fasihi au uthibitishaji wa marejeo.

Mgongano wa maslahi: Waandishi wameripoti kwamba hakuna mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana ulifanywa na waandishi wote. Mbinu na programu ni za Nikolaos Giakoumoglou na Dimitrios Kapetas; formal analysis ni ya waandishi haohao wawili; data curation ni ya waandishi haohao wawili; rasimu asili ni ya Nikolaos Giakoumoglou, Kleanthis Marios Papadopoulos na Dimitrios Kapetas; visualization ni ya Nikolaos Giakoumoglou; usimamizi ni wa Tania Stathaki na Eleftheria Maria Pechlivani; usimamizi wa mradi na upatikanaji wa ufadhili ni wa Eleftheria Maria Pechlivani. Waandishi wote walichangia mapitio na uhariri.

Kikomo kikuu cha kimetodolojia: Tafiti zina heterogeneity kubwa kwa upande wa sensa, zao, seti ya data, jukumu na kipimo cha utendaji; Table 2–3 si meta-analysis wala benchmark ya pamoja.

Kikomo kikuu cha tafsiri ya kisayansi: AI inaweza kutoa screening ya haraka na ya eneo pana katika usimamizi wa afya ya mimea; hata hivyo, utabiri wa modeli si uthibitisho wa causation au molekuli wa pathojeni. Modeli yenye nguvu zaidi ya matumizi ni kuunganisha AI screening na maarifa ya phytopathology, uchunguzi wa mazingira na, inapohitajika, mbinu za uthibitishaji kama PCR/ELISA.