Индийские исследователи разработали систему искусственного интеллекта, которая определяет дефицит магния и железа у сельскохозяйственных культур по фотографиям листьев со смартфона. Технология позволяет фермерам быстро и дёшево оценивать состояние растений прямо в поле, не прибегая к лабораторным анализам почвы и тканей.
Новая система решает проблему ранней диагностики истощения растений. Такие культуры, как восковая тыква (Benincasa hispida), популярная в Азии, при нехватке питательных веществ теряют урожайность. Симптомы – пожелтение и деформация листьев – на ранних стадиях незаметны, а когда они становятся очевидны, растению уже нанесён ущерб. Традиционные методы диагностики с помощью агрономов и лабораторных анализов требуют времени и затрат, что ведёт к потерям в крупных хозяйствах.
Разработка отличается от предыдущих аналогов тем, что система анализирует не только общие параметры, такие как цвет и текстура листа, но и имитирует логику агронома. Алгоритм оценивает 55 различных признаков, ключевыми из которых являются характеристики прожилок листа. Многие виды дефицита питательных веществ вызывают межжилковый хлороз – пожелтение ткани между прожилками, которые остаются зелёными. Именно этот специфический узор и научилась распознавать система.
Для обучения модели авторы использовали 500 фотографий, сделанных на плантации восковой тыквы в штате Карнатака, Индия. Съёмка велась на обычный смартфон в реальных полевых условиях: на снимках присутствуют земля, сорняки, тени и другие листья. Алгоритм сначала изолирует лист от фона, а затем приступает к анализу. Наилучшую точность – 82% – показала модель на основе метода опорных векторов (SVM). Система особенно эффективно выявляла нехватку железа.
Поскольку алгоритм не требует больших вычислительных мощностей, как тяжёлые нейросети, его можно встроить в мобильное приложение для работы без подключения к интернету. Это позволяет оперативно вносить удобрения только там, где это необходимо. Разработчики отмечают, что текущая версия протестирована только в одном регионе и пока не умеет отличать нехватку питания от последствий засухи или болезней, а также не распознаёт одновременный дефицит нескольких элементов. Дальнейшие исследования будут направлены на решение этих задач и адаптацию технологии для других культур, например, огурцов и кабачков.