Фото: із відкритих джерел
Дослідники запропонували підхід на основі комп’ютерного зору та глибинного навчання для автоматичного виявлення хвороб листя томата. Систему протестували на двох публічних наборах даних і отримали високі показники точності, зокрема mAP@50 до 97,8% на датасеті Taiwan.
Про це повідомляє сайт Аграрії разом з посиланням на Hortidaily.
Томат залишається однією з ключових культур у світі, але є вразливим до низки хвороб, які знижують якість продукції та продуктивність вирощування. На цьому тлі зростає інтерес до інструментів, здатних швидко й стабільно ідентифікувати симптоми уражень за зображеннями рослин.
У публікації в Scientific Reports (2026) описано методологію, що поєднує попередню обробку зображень, автоматизований підбір гіперпараметрів і модель детекції об’єктів для розпізнавання хвороб листя томата.
Як побудована система
Підхід тестували на двох відкритих датасетах:
- Taiwan DS — 9 класів;
- Tomato Leaf Diseases Detection Computer Vision Dataset (TLDDCV DS) — 7 класів.
Робочий процес починається з обробки зображень рослин: застосовують гамма-корекцію та білатеральну фільтрацію, щоб підвищити якість і чіткість кадрів, зберігаючи ключові ознаки уражень.
Далі використано генетичний метаевристичний алгоритм для автоматичного відбору найбільш значущих гіперпараметрів — автори зазначають, що це спрямовано на оптимізацію часу обробки та точності.
Для детекції хвороб застосовано модель You Only Look Once version 11 Nano (YOLOv11n). Її backbone модифіковано через Data-efficient Image Transformer (DeiT), щоб посилити здатність моделі вчитися на глобальному контексті та довготривалих залежностях у зображенні.
Результати випробувань на датасетах
За наведеними в роботі експериментальними результатами, система продемонструвала такі середні метрики:
Taiwan DS (9 класів)
- mAP@50: 97,8%
- mAP@50–95: 93,4%
- Precision: 97,3%
- Recall: 93,8%
- F1-score: 95,5%
TLDDCV DS (7 класів)
- mAP@50: 87%
- mAP@50–95: 48%
- Precision: 83,9%
- Recall: 70,3%
- F1-score: 76,4%
Автори роблять висновок про придатність підходу до використання в реальних агровиробничих умовах і підкреслюють його узагальнюваність на різних наборах даних.
Що це може означати для виробництва
Подібні моделі можуть бути корисними для задач, де потрібне швидке виявлення симптомів за фото — наприклад, під час регулярних оглядів у теплицях або в полі, а також для стандартизації первинної діагностики за знімками. Водночас наведені показники отримані на публічних датасетах, тож практична точність у господарстві залежатиме від якості зображень і того, наскільки польові умови відповідають даним, на яких навчали й тестували модель.
Джерело: Alsakar, Y.M., Sakr, N.A. & Elmogy, M. Attention-driven YOLOv11n–DeiT model for enhanced detection of tomato leaf diseases. Sci Rep 16, 24553 (2026).