A paradicsom a világ egyik legfontosabb zöldségnövénye, termesztése azonban számos kórokozóval és levélbetegséggel terhelt. A gombás, bakteriális és vírusos fertőzések jelentős terméskiesést okozhatnak, különösen ha későn ismerjük fel a betegséget. Egy 2025-ös, átfogó szakirodalmi áttekintés azt vizsgálta, hogyan segítheti a mesterséges intelligencia és a mélytanulás a betegségek gyorsabb és pontosabb azonosítását – a cikk a ScienceDirect-en jelent meg.
A tanulmány a deep learning-alapú képfeldolgozó módszereket tekinti át, amelyek képesek a levelek fotói alapján felismerni a különböző fertőzéseket. A kutatók három fő megközelítést különböztetnek meg: a klasszifikációt, a detekciót és a szegmentációt. Ezek eltérő mélységben elemzik a képi információt, és különböző pontosságú diagnózist tesznek lehetővé.
A klasszifikáció során a rendszer megállapítja, hogy a levél egészséges vagy beteg, illetve milyen típusú fertőzésről van szó. A detekció ennél tovább megy: a képen belül be is jelöli a fertőzött területeket. A legfejlettebb módszer, a szegmentáció pedig pixelpontossággal választja el az egészséges és fertőzött szövetrészeket, ami részletesebb elemzést tesz lehetővé.
Paradicsom elemzése laboratóriumi körülmények között
A mélytanuló modellek, különösen a konvolúciós neurális hálók (CNN-ek), nagy mennyiségű képi adat alapján tanulnak. A tanulmány szerint a kontrollált körülmények között gyűjtött adatbázisokon – például laboratóriumi vagy üvegházi felvételeken – a modellek gyakran kiemelkedően magas pontosságot érnek el. Ugyanakkor a valós, szántóföldi környezetben a változó fényviszonyok, háttérzaj és levélátfedések kihívást jelentenek.
A kutatás rámutat arra is, hogy a módszerek gyakorlati alkalmazása már nem csupán elméleti lehetőség. Mobiltelefonos alkalmazások, drónos felmérések és üvegházi kamerarendszerek egyaránt alkalmasak lehetnek arra, hogy folyamatosan figyeljék az állományt. Ez lehetőséget ad a korai beavatkozásra, még mielőtt a fertőzés jelentős kárt okozna.
A pontosabb diagnózis nemcsak a termésbiztonságot javíthatja, hanem hozzájárulhat a fenntarthatóbb növényvédelemhez is. Ha a gazdák célzottan, csak az érintett területeken avatkoznak be, csökkenthető a növényvédő szerek mennyisége és a környezeti terhelés.
Még nem működőképes
A szerzők ugyanakkor hangsúlyozzák, hogy további fejlesztésekre van szükség a modellek általánosíthatósága és terepi megbízhatósága terén. A jövő egyik iránya a különböző adatforrások – például időjárási és talajinformációk – integrálása lehet, ami még pontosabb döntéstámogatást biztosíthat.
Összességében a tanulmány azt mutatja, hogy a mesterséges intelligencia komoly potenciállal rendelkezik a zöldségtermesztésben. A mélytanulás-alapú növénydiagnosztika a precíziós kertészet egyik kulcseleme lehet, amely segíthet stabilabb terméshozamot és fenntarthatóbb termesztési gyakorlatot elérni.
