Революция в выявлении болезней сельскохозяйственных культур с помощью вычислительных методов глубокого обучения: всесторонний обзор

Внедрение алгоритмов глубокого обучения (DL), доказавших значительное превосходство над традиционными методами обнаружения болезней сельскохозяйственных культур, существенно изменило область цифровой обработки изображений. Алгоритмы DL успешно применяются в различных областях: они преобразуют исходные данные, например изображения поражённых растений, в ценную информацию, в том числе позволяют выявлять конкретные болезни сельскохозяйственных культур. Это новшество способствовало разработке передовых методов раннего выявления и диагностики болезней с использованием таких инструментов, как свёрточные нейронные сети (CNN), метод k ближайших соседей (KNN), метод опорных векторов (SVM) и искусственные нейронные сети (ANN). В обзоре всесторонне рассмотрены современные публикации о методах диагностики болезней сельскохозяйственных культур, их классификации и оценке степени их тяжести. Проанализирована эффективность новейших методов машинного обучения (ML) и DL, описанных в этих исследованиях. Также рассмотрены методологии и наборы данных, обобщены распространённые рекомендации и выявленные пробелы в различных исследованиях. В заключение представлены возможные решения и направления дальнейших исследований в этой области. В обзоре подчёркивается, что большинство исследований посвящено традиционным алгоритмам ML и CNN, тогда как новые алгоритмы DL, например капсульные нейронные сети и трансформеры зрения, изучены недостаточно. Кроме того, многие наборы данных для обучения и оценки моделей DL созданы с учётом особенностей отдельных сельскохозяйственных культур, что указывает на острую необходимость в обширном наборе изображений, охватывающем более широкий спектр культур. В обзоре также отмечается, что большинство исследований сосредоточено на отдельных болезнях растений либо на алгоритмах ML или DL. В связи с этим предлагается разработать единую систему, объединяющую ансамбль алгоритмов ML и DL для эффективной диагностики нескольких болезней растений.