Towards Intelligent Disease Phenotyping in Peach: A Deep Feature Extraction Framework for Leaf Disease Detection Under Real Field Conditions

In het stille ritme van een boomgaard wordt de gezondheid van een perzikboom vaak geschreven in de taal van haar bladeren. Eeuwenlang hebben boeren op hun eigen ogen vertrouwd om deze taal te lezen, zoekend naar de kenmerkende krul van een blad of de stip van een roestplek. Deze visuele inspectie is een eeuwenoud vakmanschap, maar het is ook traag, subjectief en moeilijk op te schalen over uitgestrekte commerciële plantages. Wanneer een ziekte toeslaat, kan elk uur vertraging een verlies aan opbrengst of een daling in de kwaliteit van de vruchten betekenen. Om de kloof tussen menselijke observatie en de uitgestrektheid van de moderne landbouw te overbruggen, hebben wetenschappers zich tot een ander soort visie gewend: kunstmatige intelligentie. Specifiek gebruiken ze een tak van de informatica die bekend staat als deep learning, waarbij computerprogramma's worden ontworpen om de manier na te bootsen waarop het menselijk brein beelden verwerkt. Deze programma's hoeven niet handmatig de regels van een ziekte te leren; in plaats daarvan leren ze door duizenden foto's te bestuderen, waarbij ze geleidelijk de subtiele patronen herkennen die een gezond blad onderscheiden van een ziek blad. De uitdaging is echter altijd geweest dat deze programma's vaak het beste werken in de gecontroleerde stilte van een laboratorium, waar de verlichting perfect is en de achtergronden egaal zijn. Echte boomgaarden zijn rommelig, gevuld met verschuivende schaduwen, door de wind bewogen bladeren en complexe achtergronden die zelfs de slimste algoritmen in verwarring kunnen brengen.

Een team onderzoekers van de Sher-e-Kashmir University of Agricultural Sciences and Technology zette zich in om te zien of deze digitale ogen werkelijk de waarheid in het veld konden zien. Ze richtten zich op de perzikboom, een gewas dat essentieel is voor de regio, dat regelmatig wordt bedreigd door drie specifieke vijanden: een schimmelinfectie die bladeren doet krullen en verdikken, een andere die kleine, gat-achtige laesies veroorzaakt, en een derde die zich manifesteert als roestige oranje vlekken. Om hun ideeën te testen, gebruikten de onderzoekers geen perfecte, studio-kwaliteit foto's. In plaats daarvan legden ze tienduizend afbeeldingen van perzikbladeren vast direct uit boomgaarden in de Kashmir-vallei, onder natuurlijke, ongecontroleerde omstandigheden. Deze beelden bevatten bladeren in verschillende stadia van groei en ziekte, gefotografeerd vanuit variërende afstanden, hoeken en belichting. De onderzoekers voedden deze diverse collectie van real-world data vervolgens aan vier verschillende deep learning-architecturen, wat in essentie verschillende blauwdrukken zijn voor hoe een computer een afbeelding analyseert. Drie van deze blauwdrukken waren aangepast van modellen die al getraind waren op miljoenen algemene afbeeldingen, terwijl één model vanaf de grond opgebouwd was om specifiek van de perzikblad-data te leren.

Het proces hield in dat de computer-modellen werden geleerd om de vier categorieën in de afbeeldingen te herkennen: gezonde bladeren, bladkrul, schothole (gatziekte) en roest. Om ervoor te zorgen dat de modellen robuust waren en de onvoorspelbaarheid van de echte wereld aankonden, breidden de onderzoekers hun trainingsdata uit door de afbeeldingen digitaal te wijzigen — door ze te spiegelen, te draaien en in of uit te zoomen — zodat de computer de ziekte kon herkennen, ongeacht hoe het blad gepositioneerd was. Na het trainen van de modellen gedurende honderden cycli, testte het team hen op een nieuwe set afbeeldingen die de computers nog nooit hadden gezien. De resultaten onthulden een duidelijke hiërarchie in prestaties. Een van de modellen, bekend als Inception-V4, dat vanaf de basis getraind was op de specifieke perzik-data, kwam als de meest nauwkeurige uit de bus. Het identificeerde de ziekte of de gezondheidsstatus van een blad in 97,50 procent van de gevallen correct. Dit model bleek bijzonder bekwaam in het opsporen van de subtiele verschillen tussen de verschillende ziekten, zelfs wanneer de symptomen vaag waren of de achtergrond rommelig was.

De andere modellen presteerden goed, maar met merkbare verschillen. Een model genaamd ResNet-50, dat gebruikmaakte van een vooraf getrainde basis, behaalde een nauwkeurigheid van 94,49 procent, wat aantoonde dat het aanpassen van bestaande kennis een krachtige strategie kan zijn. Een ander model, VGG-16, bereikte een nauwkeurigheid van 92,04 procent. Een vierde model, Xception, had echter veel moeite en haalde slechts 75,95 procent nauwkeurigheid. De onderzoekers ontdekten dat het Xception-model, ondanks zijn geavanceerde ontwerp, er niet in slaagde de specifieke visuele patronen te leren die nodig zijn om de ziekten in deze complexe omgeving te onderscheiden. Het verwarde gezonde bladeren vaak met zieke bladeren of mengde de verschillende soorten infecties met elkaar. In contrast hiermee toonde het Inception-V4-model een opmerkelijk vermogen om de klassen te scheiden, waarbij het zeer weinig fouten maakte. Het succes ervan suggereert dat wanneer men te maken heeft met de chaotische realiteit van een boomgaard, het trainen van een model specifiek op het doelgewas vanaf het begin kan leiden tot betere resultaten dan simpelweg het aanpassen van een algemeen doelmodel.

De studie benadrukt dat hoewel kunstmatige intelligentie enorme beloften inhoudt voor precisielandbouw, de keuze van het juiste instrument en de juiste trainingsmethode cruciaal is. De onderzoekers ontdekten dat de modellen die getraind waren op echte veldgegevens veel betrouwbaarder waren dan de modellen die alleen in schone laboratoriumbeelden waren getest. De hoge nauwkeurigheid van het best presterende model suggereert dat boeren binnenkort kunnen vertrouwen op geautomatiseerde systemen om perzikziekten vroegtijdig en accuraat te diagnosticeren, wat tijdige behandeling en vermindering van economisch verlies mogelijk maakt. Hoewel de studie beperkt was tot de specifieke omstandigheden van de Kashmir-vallei en de drie onderzochte ziekten, bieden de bevindingen een sterk bewijs van concept. Het werk demonstreert dat deep learning de laboratoriumomgeving kan verlaten en effectief kan functioneren in de rommelige, onvoorspelbare omgeving van een echte boomgaard, mits de juiste architectuur wordt gekozen en de trainingsdata de werkelijke omstandigheden van het veld weerspiegelen.