Как искусственный интеллект и адаптивные данные повышают точность выявления болезней бетелевого листа в Бангладеш до 98%

Бетелевый лист — важная основа традиционной медицины и сельского хозяйства в Южной и Юго-Восточной Азии. Однако эта культура постоянно страдает от таких заболеваний, как гниение и пятнистость листьев. Патогены наносят серьезный ущерб урожаю и экономике. Особенно сильно это затрагивает мелких фермеров в Бангладеш. Глубокое обучение обещает автоматизировать диагностику болезней. Но на практике его внедрению мешают нехватка данных для обучения и дисбаланс классов.

Традиционные ручные проверки требуют много сил и зависят от субъективного мнения человека. Такие методы часто приводят к поздней диагностике и неравномерному применению пестицидов. Ранние попытки использовать глубокое обучение сталкивались с трудностями из-за малых объемов данных. Многие старые модели применяли фиксированные методы аугментации. Они не адаптировались к производительности модели во время обучения. Новый подход рассматривает выбор политики аугментации как задачу многоарочного банкомата. Контроллер UCB динамически выбирает между различными уровнями RandAugment и активациями Mixup. Выбор основан на результатах валидации. Эта стратегия балансирует исследование и использование для поиска самой эффективной трансформации данных.

Исследование использует строгий протокол оценки. Для разделения набора данных используются только оригинальные изображения. Этот метод предотвращает утечку данных, которая может искусственно завысить показатели. В качестве основы выбрали ConvNeXt-Tiny из-за его эффективности и точности. Модель тестировали по сравнению с ResNet, DenseNet и EfficientNet. Результаты показали, что ConvNeXt-Tiny с аугментацией, управляемой 12-ручным UCB, достиг точности 98,04%. Макро-F1 составила 97,87%. Эти результаты значительно превосходят методы с фиксированной аугментацией и другие архитектуры.

Исследование также продемонстрировало устойчивость модели при увеличении дисбаланса классов. Модель сохраняла высокую эффективность даже при сокращении выборки редких классов. Интеграция методов объяснимого ИИ, таких как Grad-CAM, дает визуальное подтверждение того, что модель фокусируется на важных признаках листа, а не на артефактах фона. Эта система повышает точность диагностики. Она предлагает масштабируемое и эффективное решение для сельского хозяйства с ограниченными ресурсами. Передовые технологии искусственного интеллекта открывают путь к более умным и устойчивым методам ведения сельского хозяйства.