Исследователи разработали компактную модель искусственного интеллекта FEPL-DETR для выявления болезней на листьях картофеля. В ходе тестов на наборе данных DLOP система достигла точности в 90,6%, при этом она отличается невысокими требованиями к вычислительным ресурсам. Статья с результатами работы опубликована в научном журнале BMC Plant Biology.
Болезни листьев картофеля угрожают урожайности, поэтому своевременная и точная диагностика важна для оперативного вмешательства и защиты посевов. Однако в полевых условиях распознавать поражения сложно из-за их неправильной формы, разнообразной текстуры и нечетких границ. Новая система призвана решить эту проблему.
Модель FEPL-DETR основана на архитектуре нейросети-трансформера RT-DETR. Разработчики усовершенствовали ее компоненты, чтобы лучше распознавать края и текстуру пораженных участков, а также эффективнее обрабатывать визуальные признаки на разных масштабах.
По сравнению с базовой моделью RT-DETR-R18 новая система показала точность на 5,7 процентного пункта выше по ключевой метрике mAP50. При этом она требует на 67% меньше параметров и на 72,6% меньше вычислительных мощностей. Такая эффективность позволяет использовать нейросеть на компактных устройствах прямо в поле.
Практическую применимость модели подтвердили тесты на портативном компьютере NVIDIA Jetson Orin Nano. Система обрабатывала 13,1 кадра в секунду, что доказывает ее работоспособность на устройствах с ограниченными ресурсами. Авторы отмечают, что исследование посвящено вычислительной эффективности и точности модели, а не ее влиянию на урожайность или экономику фермерских хозяйств.