Algorytm bije doświadczonego rolnika w rozpoznawaniu chorób

Susza, powodzie, szkodniki — ryż ma wielu wrogów. Ale największe straty w plonach przynosi nie samo zjawisko, lecz zbyt późne rozpoznanie choroby. Rolnicy w Azji od pokoleń polegają na wzroku i doświadczeniu. Problem w tym, że ludzkie oko myli się częściej, niż się to przyznaje.

Badacze przetestowali system oparty na głębokim uczeniu maszynowym (deep learning), który automatycznie identyfikuje choroby ryżu na podstawie zdjęć roślin. Wyniki są jednoznaczne: algorytm osiągnął dokładność 93,3% przy klasyfikacji chorób — wynik, który trudno powtórzyć przy ręcznej inspekcji pola.

System zbudowano na połączeniu dwóch gotowych modeli sieci neuronowych: EfficientNetV2B0 i MobileNetV3-Large. Zamiast wybierać jeden, badacze uruchomili oba równolegle i uśrednili ich wyniki — tzw. metoda ensemble. To samo podejście stosuje się w prognozowaniu pogody, gdzie kilka modeli daje lepszą prognozę niż jeden.

Co konkretnie mierzy system i co z tego wynika dla rolnika

Precyzja systemu wyniosła 0,9339, czułość (recall) 0,9330, a wskaźnik F1 — miara łącząca oba parametry — 0,9328. Innymi słowy: na 100 chorych roślin algorytm prawidłowo wskazał niemal 93. Pojedyncze modele działające osobno osiągały wyniki wyraźnie niższe.

Ryż to podstawowy produkt żywnościowy dla ponad połowy ludzkości, a jego produkcja koncentruje się głównie w Azji Południowej i Południowo-Wschodniej. Choroby liści, pochew i ziarna mogą skasować znaczną część plonu zanim rolnik zdąży zareagować. Przy tradycyjnych metodach — wzrokowa inspekcja, konsultacja z doradcą — zanim diagnoza trafi w ręce producenta, mija czas krytyczny dla rośliny.

Badanie nie podaje konkretnych danych o stratach plonów wynikających z błędnej diagnozy, ale problem jest znany każdemu, kto zajmuje się ochroną roślin: im późniejsza interwencja, tym wyższe koszty i niższy plon. Zautomatyzowany system pozwala skrócić czas między pierwszymi objawami a decyzją o zabiegu.

Gdzie to działa i co ze zbożami w Polsce

Badanie dotyczy ryżu, ale technologia jest przeskalowalna. Sieci neuronowe rozpoznające choroby roślin na zdjęciach działają już dla pszenicy, kukurydzy i rzepaku — część z tych systemów trafia powoli do aplikacji mobilnych dostępnych dla rolników w Europie.

Zdjęcie liścia smartfonem, analiza w chmurze, wynik w kilkanaście sekund — to nie futurologia, lecz kierunek, który kilka firm agrochemicznych i startupów rolniczych już testuje na polskich polach. Pytanie nie brzmi, czy takie narzędzia powstaną, lecz kiedy ich dokładność będzie wystarczająca, żeby liniowy rolnik rzeczywiście zmienił na tej podstawie decyzję o oprysku.

Opisany system nie jest jeszcze wdrożony komercyjnie — to wynik badań naukowych opublikowany jako propozycja metody. Ale dokładność 93,3% przy automatycznej diagnozie choroby na zdjęciu to poziom, który dla wielu zastosowań polowych byłby już użyteczny — szczególnie jako pierwszy filtr przed wezwaniem doradcy.

Otwarte pozostaje pytanie o warunki terenowe: zdjęcia laboratoryjne różnią się od ujęcia zrobionego na polu przy słabym świetle, niejednolitym tle i częściowym uszkodzeniu liścia przez grad.