Sunʼiy intellekt asosidagi oʻsimlik salomatligini aniqlash, tasvir, spektral oʻlchov, atrof-muhit sensori yoki oʻxshash qishloq xoʻjaligi maʼlumotlaridagi naqshlarni oʻrganib, kasallik va zararkunandalarni avtomatik tarzda skanerlash, tasniflash, joylashtirish yoki rivojlanishini bashorat qilishga imkon beruvchi qarorlarni qoʻllab-quvvatlash yondashuvidir. Ushbu sharh zararkunanda va oʻsimlik kasalliklarini aniqlashda qoʻllanadigan sunʼiy intellekt usullarini sezish modaliteti, oʻrganish paradigmasi, kuzatuv miqyosi va kasallikning rivojlanish bosqichiga koʻra tuzilmaga soladi. Zararkunandalarni monitoring qilish tuzoq/populyatsiya darajasi, oʻsimlik-markazli bevosita aniqlash va dala/havo platformasi miqyosida koʻrib chiqilsa, kasallikni aniqlash koʻrinadigan belgilar paydo boʻlgandan keyingi RGB asosidagi diagnostika hamda multispektral va hiperspektral tasvirlashga tayangan pre-simptomatik aniqlashga ajratiladi. Sharhning asosiy talqini shuki, sunʼiy intellekt tez va masshtablanadigan skriningni taʼminlashi mumkin; biroq maʼlumotlar kamligi, domain shift, dala sharoitida umumlashtirish, biotik–abiotik stressni ajratish va korrelyatsiya–sababiyat muammosi tufayli PCR, ELISA va agronomik ekspertiza kabi tasdiqlovchi usullar oʻrnini bosadigan mustaqil diagnostika tizimi sifatida qaralmasligi kerak.

Manbada koʻrib chiqilgan tadqiqotlar RGB, multispektral, hiperspektral, termal va floresans tasvirlashni; IoT sensorlarini, UAVlarni, robotik tizimlarni va turli kompyuter koʻrishi arxitekturalarini qoʻllaydi. Klassik mashinali oʻrganish usullari oldindan ajratib olingan spektral indeks yoki tekstura xususiyatlari bilan ishlashi mumkin boʻlsa, CNN va Vision Transformer kabi chuqur oʻrganish arxitekturalari xom tasvirlar yoki spektral maʼlumotlar kublaridan xususiyatlarni end-to-end oʻrganishi mumkin. Obyekt aniqlashda YOLO, R-CNN va SSD oilalari; segmentatsiyada U-Net, DeepLab, Mask R-CNN va Mask2Former kabi arxitekturalar ajralib turadi. Shu bilan birga model arxitekturasining nomi oʻzi dala muvaffaqiyatini belgilamaydi; maʼlumotlar toʻplami ekin, hudud, kasallik bosqichi, sensor, yoritish va atrof-muhit sharoitlarini qanchalik ifodalashi hal qiluvchi ahamiyatga ega.

Sharh ayniqsa kasallik koʻrinadigan belgi hosil qilishidan oldin yuz beradigan fiziologik oʻzgarishlarni spektral sensorlar bilan aniqlashga eʼtibor beradi. Red-edge, NIR va SWIR hududlaridagi oʻzgarishlar xlorofill, hujayraviy tuzilma va bargning suv holati kabi fiziologik jarayonlarga sezgir boʻlishi mumkin. Biroq qurgʻoqchilik, oziqa moddalar yetishmasligi va boshqa abiotik stresslar ham oʻxshash spektral imzolarni hosil qilishi mumkinligi sababli, AI aniqlagan spektral anomaliya maʼlum bir patogen mavjudligining bevosita biologik dalili emas. Shu sababli manba keng hududli AI skriningini maqsadli molekulyar tasdiqlash bilan birlashtirishni eng ishonchli yondashuv sifatida koʻrsatadi.

Oʻsimlik salomatligini aniqlash nega murakkab muammo?

Oʻsimlik salomatligi faqat oʻsimlikda kasallik yoʻqligini anglatmaydi. Zararkunandalar, zamburugʻlar, bakteriyalar, viruslar va nematodlar kabi biotik omillar bilan bir qatorda qurgʻoqchilik, harorat, shoʻrlanish, oziqa moddalari yetishmasligi yoki toksikligi kabi abiotik stresslar ham oʻsimlikning fiziologik funksiyasi va mahsuldorligini buzishi mumkin.

Ushbu turli omillar keltirib chiqaradigan belgilar koʻpincha bir-biriga oʻxshaydi. Sargʻayish virus infeksiyasi natijasi boʻlishi mumkin, shuningdek azot yetishmasligi yoki suv bosishidan ham kelib chiqishi mumkin. Soʻlish tomir tizimi patogenining belgisi boʻlishi mumkin, lekin qurgʻoqchilik yoki issiqlik stressida ham kuzatiladi. Nekrotik shikastlanishlar zamburugʻ va bakteriyalardan tashqari shoʻrlanish, sovuq yoki kimyoviy zarardan ham kelib chiqishi mumkin.

Shu sababli ishonchli AI tizimi faqat “bargda sariq hudud bormi?” degan savolga javob bermasligi kerak. Belgining fazoviy taqsimlanishi, shikastlanish chegarasi, teksturasi, oʻsimlikning qaysi qismida paydo boʻlgani, spektral javob, tuproq namligi, harorat va kasallikning vaqt davomida rivojlanishi kabi kontekstual oʻzgaruvchilar ham baholanishi kerak.

Sunʼiy Intellekt Oʻsimlik Kasalligi va Zararkunandalarni Aniqlashda Qaysi Maʼlumot Turlaridan Foydalanadi?

Manbada koʻrib chiqilgan AI tizimlari koʻrinadigan RGB tasvirlardan multispektral va hiperspektral maʼlumotlar kublariga, termal va floresans tasvirlardan tuproq namligi, harorat va nisbiy namlik kabi IoT sensor maʼlumotlarigacha turli modalitetlardan foydalanadi; sensor tanlovi esa koʻrinadigan simptomni aniqlash, erta fiziologik oʻzgarishni sezish yoki keng hududli dala kuzatuvi kabi maqsadga qarab oʻzgaradi.

RGB tasvirlash

RGB tasvirlash qizil, yashil va koʻk koʻrinadigan diapazonlardan foydalanadi va inson koʻzi qabuliga yaqin vizual maʼlumot beradi. Arzonligi va smartphone, kamera, drone va robotik platformalarga oson integratsiya qilinishi asosiy afzalligidir.

RGBning asosiy cheklovi koʻp hollarda faqat koʻrinadigan fenotipik oʻzgarishlarni ushlay olishidir. Kasallik fiziologik jihatdan boshlangan, ammo rang, tekstura yoki morfologiyada koʻrinadigan belgi hosil qilmagan boʻlsa, faqat RGBdan foydalangan model zarur signalni koʻra olmasligi mumkin.

Multispektral tasvirlash

Multispektral tizimlar odatda RGB bilan birga red-edge va near-infrared kabi tanlangan bir necha spektral diapazonlardan foydalanadi. Manba multispektral tizimlar odatda taxminan 3–13 diapazon bilan ishlashi mumkinligini bildiradi.

Tanlangan koʻrinmas diapazonlar xlorofill oʻzgarishi, hujayra tuzilishi yoki oʻsimlik-suv munosabatlariga sezgir boʻlgani uchun koʻrinadigan belgilardan oldingi fiziologik oʻzgarishlarni aniqlash salohiyatiga ega.

Hiperspektral tasvirlash

Hiperspektral tasvirlash oʻnlab yoki yuzlab tor spektral diapazonlarni hosil qiladi. Manba taxminan 400–2500 nm oraligʻiga yoyilgan hiperspektral oʻlchovlar inson koʻzi farqlay olmaydigan nozik biokimyoviy oʻzgarishlarni aniqlashi mumkinligini muhokama qiladi.

Bu boylik bir vaqtning oʻzida xarajat, maʼlumot hajmi va hisoblash muammosini keltirib chiqaradi. Koʻp sonli diapazonlar kam namuna-soni / yuqori xususiyat-soni muammosi tufayli modelning overfitting xavfini oshirishi va real vaqt edge foydalanishini qiyinlashtirishi mumkin.

Termal tasvirlash

Termal sensorlar barg haroratidagi oʻzgarishlarni kuzatadi. Stomalar yopilishi va transpiratsiya oʻzgarishi kabi fiziologik jarayonlar harorat naqshiga taʼsir qilishi mumkinligi sababli, koʻrinadigan belgi paydo boʻlishidan oldin stress haqida maʼlumot berishi mumkin.

Floresans tasvirlash

Xlorofill floresansi fotosintetik tizim holati haqida maʼlumot beradi. Sharh keltirgan adabiyotlarda Fv/Fm va qP kabi fotosistema II bilan bogʻliq oʻzgaruvchilar ayrim stress sharoitlarida erta fiziologik javob koʻrsatkichi boʻlishi mumkinligi bildiriladi.

IoT va atrof-muhit sensorlari

Tuproq namligi, havo harorati, nisbiy namlik va boshqa atrof-muhit kuzatuvlari oʻz-oʻzicha patogen aniqlash emas. Ular tasvir yoki spektral anomaliya qaysi atrof-muhit sharoitida yuzaga kelganini tushuntiradigan kontekstual maʼlumot beradi. Shu tariqa, masalan, suv stressi bilan kasallikdan kelib chiqqan spektral oʻzgarishni ajratish osonlashishi mumkin.

AI, mashinali oʻrganish va chuqur oʻrganish oʻrtasidagi munosabat

Artificial Intelligence (AI), aqlli xatti-harakat koʻrsata oladigan tizimlarni ishlab chiqishni qamrab oluvchi keng tadqiqot sohasidir. Machine Learning (ML), AIning maʼlumot naqshlaridan oʻrganishga qaratilgan quyi sohasi. Deep Learning (DL) esa koʻp qatlamli neyron tarmoqlar orqali tasvirlarni avtomatik oʻrganadigan ML quyi sohasidir.

Klassik ML ilovalarida tadqiqotchi avval spektral indeks, rang statistikasi yoki tekstura tavsiflagichi kabi xususiyatlarni ajratib, keyin Support Vector Machine, Decision Tree yoki Random Forest kabi algoritmlardan foydalanishi mumkin.

DLda CNN yoki Vision Transformer kabi arxitekturalar xom piksel, hiperspektral maʼlumotlar kubi yoki vaqt qatoridan xususiyatlarni bevosita oʻrganishi mumkin. Buning afzalligi xususiyat muhandisligining bir qismini avtomatlashtirishidir; kamchiligi esa odatda ancha koʻp belgilangan maʼlumot va hisoblash resursini talab qilishidir.

Kompyuter koʻrishi vazifalari bir-biridan qanday farqlanadi?

Asosiy model oilalari

Sharh obyekt aniqlashda R-CNN, YOLO va SSD oilalarini; segmentatsiyada U-Net, DeepLab, Mask R-CNN va Mask2Former kabi tuzilmalarni tushuntiradi. CNNlar mahalliy tasvir naqshlarini konvolyutsion filtrlar bilan oʻrgansa, Vision Transformer arxitekturalari tasvirni patch ketma-ketliklariga ajratib, self-attention orqali kengroq kontekstni modellashtirishi mumkin.

YOLO oilasi ayniqsa tez inference va obyekt lokalizatsiyasi tufayli koʻrib chiqilgan pest detection tadqiqotlarida keng tarqalgan. Biroq sharhning oʻz taqqoslashlari bir xil arxitektura oilasi turli muhitlarda juda turlicha natija berishi mumkinligini koʻrsatadi.

Belgi Paydo Boʻlishidan Oldin Oʻsimlik Kasalligini Qanday Aniqlash Mumkin?

Pre-simptomatik aniqlash kasallik koʻrinadigan shikastlanish hosil qilishidan oldin oʻsimlikning xlorofill miqdori, fotosintetik funksiyasi, hujayraviy tuzilishi, suv tashilishi yoki barg haroratida yuzaga keltiradigan fiziologik oʻzgarishlarni multispektral, hiperspektral, termal yoki floresans sensorlar bilan oʻlchash va ushbu zaif naqshlarni AI orqali oʻrganishga asoslanadi; biroq bunday anomaliya oʻz-oʻzicha maʼlum bir patogenning aniq diagnostikasi emas.

Stressning vaqt davomida rivojlanishi

Manbaning konseptual doirasiga koʻra stress avval molekulyar va hujayraviy darajada boshlanadi. Gen ifodalanishi, gormon darajalari, oqsil sintezi va reactive oxygen species kabi jarayonlardagi oʻzgarishlar koʻzga koʻrinmaydi.

Keyin fotosintetik samaradorlik, spektral aks ettirish, harorat va suv holati kabi sensor bilan aniqlanishi mumkin boʻlgan fiziologik oʻzgarishlar yuzaga kelishi mumkin. Koʻrinadigan sargʻayish, shikastlanish, nekroz yoki morfologik buzilish esa keyingi bosqichlarda aniqroq namoyon boʻlishi mumkin.

AIning erta aniqlashdagi maqsadi kasallikning mana shu ikkinchi qatlamdagi zaif sensor signalini koʻrinadigan belgi paydo boʻlishidan oldin farqlashdir.

Red-edge: 700–740 nm

Sharh Botrytis cinerea tadqiqotlari doirasida red-edge hududi taxminan 700–740 nm oraligʻida xlorofill miqdori va fotosistema II funksiyasidagi oʻzgarishlarga sezgir boʻlishi mumkinligini keltiradi.

NIR: 750–900 nm

Near-infrared hududi hujayraviy va tuzilmaviy yaxlitlik bilan bogʻliq. Infeksiyaning mezofill toʻqimasiga oʻtishi kabi oʻzgarishlar NIR aks ettirish xususiyatini oʻzgartirishi mumkin.

SWIR: 1400–1900 nm

Short-wave infrared hududi bargdagi suv miqdoriga juda sezgir. Patogen keltirib chiqargan biotik stress oʻsimlik ichidagi suv tashilishini oʻzgartirishi mumkinligi sababli, sharh keltirgan ayrim tadqiqotlar SWIR oʻzgarishlari koʻrinadigan belgilardan taxminan 1–3 kun oldin oʻlchanishi mumkinligini bildiradi.

NDRE, PRI va SIPI nega ishlatilishi mumkin?

NDRE, PRI va SIPI kabi vegetation indices maʼlum diapazon kombinatsiyalaridan oʻsimlik pigmentlari yoki fotosintetik holat bilan bogʻliq koʻrsatkichlarni hosil qiladi. Sharh ushbu indekslar ayrim erta biotik stress sharoitlarida NDVIdan sezgirroq boʻlishi mumkinligini bildiradi.

Biroq bitta indeks maʼlum patogenga xos emasligi alohida taʼkidlanadi. Red-edge siljishi azot yetishmasligida, SWIR suv-diapazon oʻzgarishi qurgʻoqchilikda va koʻrinadigan xloroz temir yetishmasligida ham kuzatilishi mumkin. Shu sababli faqat bitta threshold orqali “bu oʻsimlikda aniq zamburugʻ infeksiyasi bor” degan xulosaga kelish toʻgʻri emas.

Ground truth qanday tuzilishi kerak?

Koʻrinadigan kasallik belgilarini bounding box yoki segment mask bilan belgilashda phytopathologist mutaxassislarning annotatsiyalari ground truth sifatida ishlatilishi mumkin. Bir nechta annotator boʻlsa, Cohen's Kappa yoki Fleiss' Kappa kabi kelishuv koʻrsatkichlaridan foydalanish mumkin.

Pre-simptomatik spektral aniqlashda ground truth yanada murakkab masala. Oʻsimlik tashqi koʻrinishda sogʻlom koʻrinishi mumkinligi sababli faqat tasvir yorligʻiga tayanish mumkin emas. Manba koʻrib chiqqan nazoratli tadqiqotlarda patogen inokulyatsiyasi bajarilgan va infeksiya holati PCR yoki ELISA kabi usullar bilan tasdiqlangan. Bu tasdiqlash spektral signal faqat qurgʻoqchilik yoki boshqa stressdan emas, balki haqiqatan infeksiyalangan namunadan kelganini koʻrsatish uchun muhim.

Laboratoriya aniqligi nega yetarli emas?

Laboratoriya muhiti fon, yoritish va stress sharoitlarini nazorat qilishni osonlashtiradi. Biroq haqiqiy dalada soya, oʻzgaruvchan quyosh burchagi, barglarning bir-birini yopishi, yomgʻir, shudring, chang, turli cultivar morfologiyalari va bir vaqtning oʻzida bir nechta stress mavjud boʻlishi mumkin.

Shu sababli manba uchta validatsiya darajasini ajratadi: nazoratli laboratory benchmark, haqiqiy field validation va model ishlab chiqilgan ekin/hududdan farq qiluvchi domain ustidagi cross-domain validation. Oxirgisi model haqiqatan umumlashtira oladimi yoki yoʻqmi, buni tushunish uchun ayniqsa murakkab.

Zararkunandalarni aniqlashda uch kuzatuv miqyosi

Sharh pest monitoring usullarini uchta keng sinfga ajratadi. Tuzoq asosidagi monitoring yopishqoq tuzoqlardagi hasharotlarni avtomatik sanash orqali populyatsiya tendensiyalarini kuzatadi. Oʻsimlik-markazli aniqlash hasharot yoki uning bargda keltirib chiqargan zararini bevosita lokalizatsiya qiladi. Dala/havo miqyosidagi kuzatuv esa UAV yoki keng hududli tasvirlash orqali kattaroq hududlarda xavf xaritasini yaratishga harakat qiladi.

Tuzoq tizimi sanash va bashorat qilish uchun masshtablanishi mumkin; biroq hasharot dalaning aynan qaysi oʻsimligida zarar keltirayotganini koʻrsatmaydi. Oʻsimlik-markazli tizimlar lokalroq qaror beradi, ammo barglarning ustma-ust kelishi, fon murakkabligi va yoritish oʻzgarishi aniqlashni qiyinlashtiradi. UAV kuzatuvlari keng hudud afzalligini beradi, ammo bitta barg yoki kichik shikastlanish darajasidagi tafsilot yoʻqolishi mumkin.

Kuzatuv miqyosi nega standart metadata boʻlishi kerak?

Manba barg, oʻsimlik, kanopi va hududiy miqyoslar faqat tasvir oʻlchamliligi nuqtai nazaridan emas; ishlatilgan sensor, model arxitekturasi, annotatsiya va ground-truth usuli boʻyicha ham farq qilishini taʼkidlaydi. Shu sababli kelajakdagi benchmarklarda samaradorlik metrikasi bilan birga baholash qaysi fazoviy miqyosda oʻtkazilgani ham ochiq bildirilishi tavsiya etiladi.

Tadqiqot Usuli va Natijalari

Ushbu Review qanday tuzilgan?

Tadqiqot yangi tajriba yoki maʼlumotlar toʻplamini yaratmaydi. Mualliflar mavjud AI asosidagi pest va disease detection tadqiqotlarini tematik tarzda tasniflab, sensor modaliteti, model paradigmasi, qoʻllash miqyosi va pre-/post-simptomatik aniqlash boʻyicha taqqoslaydi.

PDFda PRISMA oqimi, maʼlumotlar bazasi boʻyicha toʻliq search string, qidiruv sanasi, dastlab topilgan yozuvlar soni, duplicate elimination, formal inclusion/exclusion criteria yoki quality/risk-of-bias balli qayd etilmagan. Shu sababli bu yerda berilgan jadvallar tizimli meta-analitik umumiy taʼsir oʻlchovlari sifatida emas, balki sohaning vakillik qiluvchi usul va samaradorlik misollarini birlashtirgan tuzilmali sharh jadvallari sifatida oʻqilishi kerak.

Table 2: Zararkunanda aniqlash tadqiqotlaridan vakillik qiluvchi natijalar

Bu jadval bir xil “pest detection” yorligʻi ostida ham samaradorlik katta diapazonda oʻzgarishi mumkinligini koʻrsatadi. Biroq bir tadqiqotdagi mAP yoki precision qiymati boshqasidan yuqori boʻlishi oʻzi bilan yaxshiroq algoritmni isbotlamaydi. Nishon turlar soni, pest oʻlchami, tasvir rezolyutsiyasi, fon, sinov muhiti va train/test ajratilishi farqlanadi.

Table 3: Kasallikni aniqlash tadqiqotlaridan vakillik qiluvchi natijalar

Turli qatorlardagi mAP, precision, Dice va accuracy bir xil matematik oʻlchov emas. Bundan tashqari ular turli maʼlumotlar toʻplami va vazifalarda oʻlchangan. Shu sababli jadval leaderboard emas.

Yuqori AI Aniqligi Nega Haqiqiy Dala Ishonchliligini Anglatmaydi?

Oʻsimlik kasalligi yoki zararkunanda modeli nazoratli maʼlumotlar toʻplamida yuqori accuracy yoki mAPga erishgan boʻlsa ham, boshqa cultivar, hudud, kamera, yorugʻlik, ob-havo sharoiti yoki kasallik bosqichida maʼlumotlar taqsimoti oʻzgarishi mumkin; model haqiqiy biologik belgi oʻrniga fon yoki sensorga xos tasodifiy korrelyatsiyalarni oʻrgangan boʻlsa, dala samaradorligi keskin pasayishi mumkin.

Domain shift

Domain shift oʻqitish maʼlumotlari taqsimoti bilan real foydalanish maʼlumotlari taqsimoti oʻrtasidagi farqdir. Issiqxona tasvirida yetishtirilgan pomidor bargini tanigan model boshqa cultivar, boshqa tuproq foni yoki ochiq dala quyosh nurida bir xil samaradorlikni saqlamasligi mumkin.

Hiperspektral va multispektral tizimlarda muammo yanada murakkab boʻlishi mumkin. Sensor kalibrlash farqi, atmosfera, quyosh burchagi va qurilma oʻzgarishi oʻlchangan spektral imzoni oʻzgartirishi mumkin.

Sinf nomutanosibligi

Haqiqiy qishloq xoʻjaligi maʼlumotlar toʻplamlarida sogʻlom oʻsimliklar kasal namunalardan ancha koʻp boʻlishi mumkin. Bunday holda faqat accuracy ishlatish xavflidir. Masalan %10 kasallik prevalensi boʻlgan faraziy maʼlumotlar toʻplamida barcha namunalarga “sogʻlom” degan model %90 accuracyga erishadi; biroq kasalliklarning birortasini aniqlamaydi.

Shu sababli manba Precision–Recall egri chizigʻi, F1-score va Matthews Correlation Coefficient kabi koʻrsatkichlar nomutanosib maʼlumotlar toʻplamida koʻproq maʼlumot berishi mumkinligini muhokama qiladi.

Belgilangan maʼlumotlarning yetishmasligi

Noyob kasalliklar, yangi patogenlar va hududga xos cultivarlar uchun yetarli tasvir boʻlmasligi mumkin. Erta infeksiya bosqichida muammo yanada qiyin; koʻrinadigan belgi boʻlmaganda toʻgʻri yorliq yaratish ekspert bilimini va koʻpincha laboratoriya tasdigʻini talab qiladi.

Manba active learning, semi-supervised learning, transfer learning, data augmentation va generative AI asosidagi sintetik maʼlumot yaratishni bu toʻsiqni kamaytirishi mumkin boʻlgan yondashuvlar qatorida koʻrib chiqadi. Biroq sintetik maʼlumot ekspert tomonidan tasdiqlangan haqiqiy dala maʼlumotining oʻrnini toʻliq bosadigan yechim sifatida taqdim etilmaydi.

Korrelyatsiya sababiyat emas

Trap-based AI tizimi harorat, namlik va hasharot sonidan kelajakdagi populyatsiya tendensiyasini bashorat qilishi mumkin; ammo model hasharotning tuxum qoʻyish mexanizmini biologik jihatdan “tushungan” boʻlmasligi mumkin.

Xuddi shunday hiperspektral AI modeli infeksiya bilan bogʻliq spektral anomaliyani tanishi mumkin, biroq xuddi shu anomaliya boshqa biologik yoki abiotik stress tomonidan ham hosil qilinishi mumkin.

Shu sababli yuqori predictive accuracy bilan “kasallik sababini bilish” bir xil daʼvo emas.

AI + molekulyar tasdiqlash yondashuvi

Sharh tavsiya qiladigan eng mustahkam amaliy arxitektura AIni katta hududlarda tez screening qatlami sifatida ishlatishdir. Tizim shubhali oʻsimliklar yoki hududlarni tanlaydi; keyin faqat shu namunalarda PCR, ELISA yoki boshqa tasdiqlovchi test qoʻllanadi.

Bu tuzilma qimmat molekulyar testlarni butun dalaga qoʻllamasdan keng hududli kuzatuvni taʼminlaydi va AIning korrelyatsiyaga asoslangan bashoratini biologik jihatdan aniqroq diagnoz bilan qoʻllab-quvvatlaydi.

Texnik va operatsion dala muammolari

Haqiqiy dala sharoitida tabiiy yorugʻlikning kun davomida oʻzgarishi, soyalar, specular reflection, bulut oʻtishi va rang harorati modellarning tasvir taqsimotini oʻzgartirishi mumkin. Yomgʻir yoki shudring barg koʻrinishini oʻzgartirsa, chang sensor sifatiga taʼsir qilishi mumkin.

Zich kanopida barglarning bir-birini yopishi kichik zararkunandalar yoki ichki barglardagi kasallik belgilarini yashirishi mumkin. Turli cultivarlarning tabiiy rang, shakl va tekstura farqlari ham kasallik belgisi bilan chalkashishi mumkin.

Ijtimoiy-iqtisodiy toʻsiqlar

AI tizimining faqat algoritmi emas, zarur uskuna va infratuzilmasi ham amaliy imkoniyatni belgilaydi. Sharh drone ustida ishlatiladigan hiperspektral kameralar taxminan 15.000–100.000 AQSh dollaridan yuqoriga chiqishi mumkinligini; multispektral tizimlar taxminan 3000–8000 AQSh dollari oraligʻida boʻlishi mumkinligini keltiradi. Bu qiymatlar sharh foydalangan manbalardagi kontekstual bozor misollari boʻlib, har bir qurilma uchun universal joriy narx emas.

Bu narx farqi ayniqsa kichik xoʻjaliklarda mutlaq model aniqligi bilan foydalanish imkoniyati oʻrtasida muvozanat talab qiladi. Mualliflar qimmatroq tizimning biroz yuqori accuracy berishi, arzonroq va ancha keng foydalanish mumkin boʻlgan texnologiyadan avtomatik tarzda kattaroq food-security taʼsiri yaratishini anglatmasligini taʼkidlaydi.

Kelajak yoʻnalishlari

Explainable AI nega faqat heatmap emas?

Manba saliency yoki class-activation heatmap model tasvirning qaysi qismiga qaraganini koʻrsatishi mumkinligini, biroq bu fermer yoki agronomga har doim biologik izoh bermasligini bildiradi.

Masalan, bargning maʼlum qismini qizil rangda ajratib koʻrsatish signal zamburugʻ infeksiyasi, azot yetishmasligi yoki gerbitsid zarari ekanini tushuntirmaydi. Foydaliroq explainability tizimi qaror qaysi fiziologik yoki spektral xususiyatga tayanganini va muqobil stresslarga nima sababdan mos kelmasligini tushuntira olishi kerak.

Edge AI

Edge AI tasvir yoki sensor maʼlumotlarini bulutga yubormasdan drone, traktor yoki dala robotidagi mahalliy uskunada qayta ishlashni maqsad qiladi. Bu yondashuv ulanish sust boʻlgan hududlarda ishlashi, latencyni kamaytirishi va maʼlumot maxfiyligini oshirishi mumkin.

Sharh ushbu arxitekturani real vaqt maqsadli aralashuvi uchun muhim deb hisoblaydi. Biroq katta model arxitekturalari va edge uskuna quvvat hamda xotira cheklovlari oʻrtasida muhim muhandislik muvozanati mavjud.

Foundation model va lightweight model oʻrtasidagi muvozanat

Sharh qishloq xoʻjaligiga xos foundation modellari juda katta va xilma-xil oʻsimlik tasvirlari maʼlumotlar toʻplamidan umumiy tasvirlarni oʻrganishi mumkinligini muhokama qiladi. Biroq umumiy maqsadli yirik visual backbonelarni dala uskunasiga bevosita joylashtirish qiyin boʻlishi mumkin.

Manba misol sifatida ViT-B/14 sinfidagi backbone taxminan 86 million parametrga ega boʻlishi mumkinligini; YOLOv8-nano esa taxminan 3.2 million parametr bilan embedded tizimlarda 5 Wdan past quvvat sinflarida real vaqt ishlashi mumkinligini bildiradi.

Shu sababli yaqin muddat uchun tavsiya etiladigan yoʻnalishlardan biri foundation modelni katta qishloq xoʻjaligi maʼlumotida offline oldindan oʻqitish uchun ishlatish va keyin oʻrganilgan tasvirni kichik vazifaga xos modellarga distill qilib edge qurilmalarga oʻtkazishdir.

Hiperspektral maʼlumotlarda band selection

Hiperspektral tizimning yuzlab bandlari har bir amaliyotda teng axborot bermaydi. PCA yoki LDA kabi dimensionality-reduction usullari maʼlumot oʻlchamini kamaytirishi mumkin, biroq chiziqli boʻlmagan kasallik–spektr munosabatlarini oʻtkazib yuborishi mumkin.

Sharh autoencoder asosidagi representation learning va AI-driven band selectionni muhim kelajak yoʻnalishlaridan biri sifatida koʻradi. Agar maʼlum bir kasallik uchun 200 band oʻrniga faqat 3–5 tanlangan band oʻxshash diagnostik maʼlumot bera olishi ishonchli tarzda koʻrsatilsa, sensor narxi va hisoblash yuki sezilarli kamayishi mumkin. Manba bu masalani kelajakda tasdiqlanishi kerak boʻlgan texnologik maqsad sifatida muhokama qiladi; amalga oshgan universal natija sifatida taqdim etmaydi.

Erta bosqich baholash metrikalari

Kasallikni aniqlashda notoʻgʻri manfiy bilan notoʻgʻri musbatning qishloq xoʻjaligidagi xarajati teng emas. Notoʻgʻri manfiy haqiqiy infeksiyani oʻtkazib yuborishi va tarqalishiga yoʻl qoʻyishi mumkin; notoʻgʻri musbat esa keraksiz tasdiqlash yoki davolashga olib kelishi mumkin.

Manba kelajakdagi benchmarklar ushbu assimetrik xarajatni hisobga olishi va sensitivity pre-simptomatik, erta-simptomatik va kech-simptomatik bosqichlar uchun alohida qayd etilishini tavsiya qiladi. Ayniqsa pre-simptomatik sensitivity overall mAP bilan birga asosiy koʻrsatkichlardan biri boʻlishi tavsiya etiladi.

Tadqiqot qoʻllab-quvvatlaydigan xulosalar

Sharh AI oʻsimlik zararkunandalari va kasalliklarini tasvir hamda sensor asosida skanerlashda keng usullar oilasini taklif qilishini qoʻllab-quvvatlaydi.

Sharh RGB maʼlumoti koʻrinadigan belgilar uchun kuchli va qulay ekanini; multispektral va hiperspektral maʼlumot koʻrinadigan belgilardan oldin yuzaga keladigan ayrim fiziologik oʻzgarishlarga kirish imkonini berishi mumkinligini qoʻllab-quvvatlaydi.

Sharh model samaradorligi faqat arxitekturaga emas, maʼlumot sifati, domain, sensor, ekin, kasallik bosqichi va atrof-muhit sharoitlariga kuchli bogʻliq ekanini qoʻllab-quvvatlaydi.

Sharh AIni keng hududli screening vositasi sifatida molekulyar diagnostika va agronomik ekspertiza bilan birlashtirish mustaqil AI diagnostikasidan ilmiy jihatdan himoya qilinadiganroq ekanini qoʻllab-quvvatlaydi.

Sharh multimodal sensing, XAI, edge computing, foundation models va cross-domain validation sohaning muhim kelajak tadqiqot yoʻnalishlari ekanini qoʻllab-quvvatlaydi.

Tadqiqot qoʻllab-quvvatlamaydigan xulosalar

Tadqiqot biror YOLO, Transformer yoki CNN arxitekturasi barcha ekinlar va hududlarda “eng yaxshi” ekanini koʻrsatmaydi.

Tadqiqot yuqori laboratory accuracy xuddi shu tarzda haqiqiy dala sharoitiga koʻchishini koʻrsatmaydi.

Tadqiqot AI modeli PCR yoki ELISA oʻrniga maʼlum patogenning biologik mavjudligini aniq isbotlay olishini koʻrsatmaydi.

Tadqiqot bitta vegetation index yoki spektral band biotik va abiotik stresslarni barcha sharoitlarda ishonchli ajrata olishini koʻrsatmaydi.

Tadqiqot Table 2 va Table 3dagi turli foizlarni umumiy benchmark ostida oʻlchangan bevosita taqqoslanadigan natijalar sifatida taqdim etmaydi.

Tadqiqot AI ishlatish barcha fermerlar uchun iqtisodiy jihatdan mos ekanini yoki qimmat sensorlar har doim yuqoriroq qishloq xoʻjaligi qiymatini yaratishini koʻrsatmaydi.

Asosiy cheklovlar

Sharh juda turli ekin, zararkunanda, patogen, muhit, sensor, maʼlumotlar toʻplami, model va samaradorlik koʻrsatkichlarini qamrab oladi. Bu geterogenlik umumiy tendensiyalarni koʻrish uchun foydali, biroq tadqiqotlar oʻrtasida bevosita miqdoriy taqqoslashni cheklaydi.

Review ichida formal PRISMA asosidagi systematic-review selection protocol qayd etilmagan. Shu sababli manba tanlovi va adabiyot qamrovini mustaqil ravishda aynan takrorlash imkoniyati cheklangan.

Koʻrib chiqilgan tadqiqotlarning muhim qismi pomidor, bodring, uzum, kartoshka va qalampir kabi koʻp oʻrganiladigan ekinlarda jamlangan. Bir ekinda ishlab chiqilgan modelni boshqa ekin, cultivar yoki agro-ekologik hududga koʻchirish mumkinligi koʻp hollarda bevosita sinovdan oʻtkazilmagan.

Pre-simptomatik sensing tadqiqotlari ayniqsa laboratoriya va nazoratli muhit maʼlumotlarida kuchli; tabiiy dala muhitida bir vaqtning oʻzida bir nechta biotik va abiotik stress mavjud boʻlgan sharoitlar qiyinroq validatsiya muammosidir.

Manba va Usul Haqida Izoh

Asl sarlavha: A Review on Artificial Intelligence Methods for Plant Disease and Pest Detection

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

Masʼul muallif: Eleftheria Maria Pechlivani

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

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

Jurnal: AI and Precision Agriculture

Nashriyot: MDPI

Jild / Son / Maqola: 1 / 1 / 2

DOI: 10.3390/aipa1010002

Sanalar: Qabul qilindi: 27 Fevral 2026; qayta koʻrib chiqildi: 28 May 2026; maqbul deb topildi: 1 Iyul 2026; nashr etildi: 14 Iyul 2026.

Manba turi: Review. Tadqiqot yangi tajriba yoki yangi maʼlumotlar toʻplamini yaratmaydi.

Sharh usuli tasnifi: Tuzilmali keng qamrovli ilmiy sharh. PDF formal PRISMA oqimi, toʻliq search strategy, tadqiqot tanlash sonlari, inclusion/exclusion protocol yoki meta-analitik poolingni qayd etmagani sababli systematic review yoki meta-analysis sifatida tasniflanmagan.

Asosiy qamrov: AI asosidagi pest monitoring, plant disease detection, computer vision, multispectral/hyperspectral sensing, pre-simptomatik detection, validation, generalization va field deployment.

Asosiy koʻrib chiqilgan ekinlar: Pomidor, bodring, uzum, kartoshka va qalampir. Manba shuningdek paxta, guruch, bugʻdoy, makkajoʻxori, mevali daraxtlar va boshqa ekinlardagi amaliyotlarni ham qamrovning bir qismi sifatida qayd etadi.

Asosiy sensing modalitetlari: RGB, multispektral, hiperspektral, termal, floresans, LiDAR va atrof-muhit IoT sensorlari.

Asosiy AI vazifalari: Classification, object detection, semantic/instance/panoptic segmentation, forecasting va regression.

Asosiy model oilalari: Support Vector Machine, Decision Tree, Random Forest, CNN, Vision Transformer, R-CNN, YOLO, SSD, U-Net, DeepLab, Mask R-CNN va Mask2Former.

Validatsiya yondashuvi: Expert annotation, kerak boʻlganda annotator agreement; pre-simptomatik spektral yorliqlarda nazoratli inokulyatsiya va PCR/ELISA tasdigʻi; laboratory, field va cross-domain validation farqi.

Manba jadvallari: Table 1 biotik va abiotik stresslarda umumiy vizual belgilarni; Table 2 AI asosidagi pest detection tadqiqotlarini; Table 3 AI asosidagi plant disease tadqiqotlarini taqqoslaydi.

Ilmiy figura: Manba PDFda original maʼlumot figurasi mavjud emas; ilmiy vizual mazmun asosan jadvallar va matnli metodologik sintez orqali taqdim etiladi.

Litsenziya: Creative Commons Attribution (CC BY). Koʻrinadigan PDF matnida versiya raqami alohida koʻrsatilmagani sababli versiya taxmin qilinmagan.

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

Etika qoʻmitasi: Qoʻllanilmaydi.

Axborotli rozilik: Qoʻllanilmaydi.

Maʼlumotlarning mavjudligi: Review yangi maʼlumot yaratmagan yoki tahlil qilmagan; foydalanilgan maʼlumotlar avval nashr etilgan va manbalar roʻyxatida koʻrsatilgan tadqiqotlardan olingan.

AI foydalanish bayonoti: Mualliflar maqolani tayyorlash paytida Claude (Anthropic) nomli katta til modelidan tanlangan parchalarni qoralama qilish va tahrirlashga yordam berish uchun foydalangan. AI yordamidagi matn mualliflar tomonidan koʻrib chiqilgan va tasdiqlangan. Manba bayonotiga koʻra AI vositasi maʼlumot tahlili, adabiyot qidiruvi yoki havolalarni tekshirish uchun ishlatilmagan.

Manfaatlar toʻqnashuvi: Mualliflar manfaatlar toʻqnashuvi yoʻqligini bildirgan.

Muallif hissalari: Konseptuallashtirish barcha mualliflar tomonidan olib borilgan. Usul va dasturiy taʼminot Nikolaos Giakoumoglou va Dimitrios Kapetasga; formal tahlil shu ikki muallifga; maʼlumot kuratsiyasi shu ikki muallifga; asl qoralama Nikolaos Giakoumoglou, Kleanthis Marios Papadopoulos va Dimitrios Kapetasga; vizuallashtirish Nikolaos Giakoumoglouga; nazorat Tania Stathaki va Eleftheria Maria Pechlivaniga; loyiha boshqaruvi va moliyalashtirishni olish Eleftheria Maria Pechlivaniga tegishli. Barcha mualliflar koʻrib chiqish va tahrirlashga hissa qoʻshgan.

Asosiy metodologik cheklov: Tadqiqotlar sensor, ekin, maʼlumotlar toʻplami, vazifa va samaradorlik metrikasi jihatidan yuqori geterogenlikka ega; Table 2–3 meta-analysis yoki umumiy benchmark emas.

Asosiy ilmiy talqin chegarasi: AI oʻsimlik salomatligini boshqarishda tez va keng miqyosli screening taʼminlashi mumkin; biroq model bashorati patogenning sababiy yoki molekulyar tasdigʻi emas. Eng kuchli foydalanish modeli AI skriningini fitopatologik bilim, atrof-muhit kuzatuvi va zarur boʻlganda PCR/ELISA kabi tasdiqlovchi usullar bilan birlashtirishdir.