Вчені навчили нейромережу виявляти хвороби рослин за звичайним фото листа — вона справляється навіть зі знимками низької якості

TL;DR

• •Модель HiP²-Net покращує точність виявлення хвороб рослин з 87,5% до понад 93% на тестових даних, що підтверджується експериментами на різних культурах.
• •Розроблена в НТУ МІСИС, модель спеціально адаптована до змінних умов съемки: нерівномірного освітлення, розмитості та фонового шуму, характерних для полевых зйомок.
• •Ефективно працює зі знимками низької якості, що робить її придатною для використання зі смартфонів або простих камер без потреби в дорогому обладнанні.
• •Доступна як відкритий дослідний код; ліцензія не розкрита, однак autori заявляють про можливість комерційного використання з відповідними погодженнями.
• •Для тренування рекомендовано GPU з 8 ГБ VRAM або більше; інференс можливий на середньому ноутбуці з процесором i5 та 8 ГБ ОЗУ.

Як це змінить ваш ринок?

Введення таких моделей у агропромислове виробництво дозволяє фермерам та агрофірмам проводити ранню діагностику хвороб без виклику спеціалістів або лабораторійних аналізів. Це скорочує час реакції на поширення інфекції, зменшує втрати урожаю та знижує витрати на пестициди, оскільки обробку можна проводити точково, лише на заражених ділянках. У результаті компанії отримують конкурентну перевагу за стабільністю yields та екологічно чистішим виробництвом, що все більш ценно на ринках з строгими вимогами до остаточної продукції.

Визначення: HiP²-Net — це модифікована卷очная нейромережа, яка включає блоки уваги до просторово-спектральних ознак листка та модуль корегування передбачень за зовнішніми умовами (тип освітлення, культура, сезон). Архітектура базується на ResNet-34 з додатковими шляхами для контекстуальної інформації, що дозволяє моделі фокусуватися на реальних біомаркерах хвороби, таких як порожнини в прожилках, хлоротичні пятна та некротичні зони.

Для кого це і за яких умов

• •Мінімальне обладнання: ноутбук з процесором Intel i5 або аналогічним AMD та 8 ГБ ОЗУ достатньо для інференсу; для тренування рекомендовано дискретну GPU NVIDIA GTX 1660 Super або кращу з 6–8 ГБ VRAM.
• •Команда: достатньо одного інженера або технолога з базовими навичками роботи з PyTorch (версія 2.0+), включаючи завантаження даних, fine‑tuning та оцінку метрик; не потребує великої IT‑отділу або спеціаліста по даних.
• •Мінімальний масштаб: корисно вже від 0,5 га посеву, де регулярно проводиться фотомоніторинг (наприклад, тижневі зйомки); ефект збільшується з ростом площі через можливість точкового виявлення осередків інфекції.
• •Час на впровадження: завантаження попередньо натренованої ваг та запуск інференсу на тестовому зображенні — приблизно 10–15 хвилин; адаптація під нову культуру або вид хвороби збиравання маркованого датасету (200–500 зображень на клас) та fine‑tuning — 1–2 тижні роботи.

Альтернативи