Машинное обучение и дроны помогут в выявлении ранних симптомов фитоплазмы

Яблоки – любимые фрукты немцев, а груши – шестые по популярности (в перерасчете на годовое потребление). Часто плодовые деревья страдают от болезней, а фермеры вследствии этого несут убытки. Один из опаснейших вредителей для садов – фитоплазма пролиферации яблони. 

Фитоплазмы — внутриклеточные паразиты, поражающие яблони, груши и другие плодовые деревья и кустарники, поэтому борьба с ними – сложная, а оздоровить больные деревья почти невозможно. Бороться с этим вредителем напрямую достаточно сложно. 

Фото: Uwe Knauer/Fraunhofer IFF

Сейчас заражение яблонь и груш возможно лишь с помощью дорогостоящего молекулярного анализа. Специалисты вынуждены осматривать каждое дерево по отдельности. 

Исследователи из общества содействия прикладным исследованиям имени Фраунго́фера совместно с партнерами ищут способы раннего выявления симптомов заболевания. Они используют спутниковые снимки и гиперспектральный анализ для обнаружения заражения с воздуха. Совершенствование этих методов, возможно, заменит трудоемкие полевые оценки и лабораторные анализы. Ключевыми технологиями могут стать методы машинного обучения для анализа симптомов заболевания.

Технологии могут выявить деградацию хлорофилла, которая указывает на присутствие фитоплазмы. 

Ученые из Института Фраунгофера разрабатывают систему ранней диагностики с исследователями из других немецких институтов. 

Воздушное зондирование, а именно – гиперспектральный анализ, помогает определять длину волны света. Листья пораженных растений отражают больше красного, чем зеленого или синего света. Это было доказано на первом этапе проекта. 

Метод дополнили многоспектральными спутниковыми изображениями. В планах ученых – объединить гиперспектральную и спутниковую съемку, чтобы в итоге создать систему раннего обнаружения фитоплазмы с воздуха. Снимки для сканирования небольших садов могут вести дроны с помощью гиперспектральных камер. 

На спутниковых снимках ученые смогли различить больные и здоровые деревья. Дрон, «сканировавший» небольшой сад, с помощью микрокомпьютера передавал показания на сервер. Изображения привязаны к геолокации, что упрощает обнаружение больных деревьев. 

Участники проекта используют методы машинного обучения для выявления патологических изменений растений на основе их цифровых мультиспектральных и гиперспектральных сигнатур. Они используют выходные данные визуальной оценки и молекулярного анализа для обучения и объединения различных статистических моделей и нейронных сетей. Алгоритмы, разработанные таким образом, позволяют детально определять распространение болезни. 

Полевые исследования и испытательные полеты с гиперспектральным беспилотником запланированы на осень этого года. Ученые планируют оптимизировать сенсорные системы и методы моделирования.