Дроны в оценке состояния растений, эффективном мониторинге и обнаружении заболеваний: Перспективный путь к умному сельскому хозяйству.

Aqleem Abbas¹,²,+; Zhenhao Zhang¹,†; Hongxia Zheng¹; Mohammad Murtaza Alami³,⁰; Abdulmajeed F. Alrefaei⁴,⁰; Qamar Abbas⁵; Syed Atif Hasan Naqvi⁶,⁎,⁰; Muhammad Junaid Rao⁷,⁰; Walid F. A. Mosa⁸,⁰; Qamar Abbas⁹; Azhar Hussain²; Muhammad Zeeshan Hassan⁶ and Lei Zhou¹,∗

1. Государственная ключевая лаборатория по управлению биотическими и химическими угрозами качеству и безопасности агропродукции, Институт безопасности и питания агропродукции, Чжэцзянская академия сельскохозяйственных наук, Ханчжоу 310021, Китай; aqlpath@gmail.com (А.А.); fangzhenhao1016@126.com (Ц.Ц.); hxzh_bio@126.com (Х.Ц.).
2. Кафедра агротехники и пищевых технологий, Международный университет Каракорум, Гилгит 15100, Пакистан; azhar.hussain21@kiu.edu.pk.
3. Кафедра возделывания сельскохозяйственных культур и систем земледелия, Колледж растениеводства и технологий, Хуачжунский аграрный университет, Ухань 430070, Китай; murtazaalami@webmail.hzau.edu.cn.
4. Кафедра биологии, Колледж Джамума, Университет Умм-аль-Кура, Мекка 21955, Саудовская Аравия; afrefaei@uqu.edu.sa.
5. Кафедра компьютерных наук, Университет Карачи, Карачи 75270, Пакистан; qmarabbas715@gmail.com.
6. Кафедра патологии растений, Университет Бахауддина Закарии, Мултан 60800, Пакистан; ranazeeshanhassan824@gmail.com.
7. Государственная ключевая лаборатория сохранения и использования субтропических агроресурсов, Ключевая лаборатория биологии сахарного тростника Гуанси, Колледж сельского хозяйства, Университет Гуанси, Наньнин 530004, Китай; mjunaidrao@gxu.edu.cn.
8. Кафедра растениеводства (садоводство — плодоводство), Факультет сельского хозяйства, Саба Баша, Александрийский университет, Александрия 21531, Египет; walidmosa@alexu.edu.eg.
9. Кафедра растениеводства, Международный университет Каракорум, Гилгит 15100, Пакистан; qamar.abbasbio@kiu.edu.pk.

Корреспонденция: atifnaqvi@bzu.edu.pk (S.A.H.); zhou@zaas.ac.cn (L.Z.)

Эти авторы внесли равный вклад в работу.

Заболевания растений являются одной из главных угроз для глобального производства продуктов питания. Эффективный мониторинг и обнаружение возбудителей болезней растений играют ключевую роль в ограничении и эффективном управлении распространением заболеваний, а также в снижении затрат на пестициды. Традиционные, молекулярные и серологические методы, широко используемые для выявления болезней растений, часто оказываются неэффективными, если не применяются на ранних стадиях патогенеза, когда симптомы отсутствуют или проявляются слабо. Кроме того, они практически бесполезны для получения пространственно локализованных диагностических результатов по заболеваниям растений. С другой стороны, методы дистанционного зондирования (ДЗ), использующие дроны, очень эффективны для быстрого выявления болезней растений на ранних стадиях. В настоящее время дроны играют ключевую роль в мониторинге распространения патогенов растений, их обнаружении и диагностике для обеспечения здоровья посевов. Преимущества технологии дронов включают высокое пространственное разрешение (так как на борту установлено несколько датчиков), высокую эффективность, гибкость использования и, что особенно важно, быстрое обнаружение болезней растений на больших площадях с низкими затратами, высокой надежностью и предоставлением данных высокого разрешения. Технология дронов использует автоматизированную процедуру, которая начинается с сбора изображений больных растений с помощью различных датчиков и камер. После извлечения признаков, методы обработки изображений применяют соответствующие традиционные алгоритмы машинного обучения или глубокого обучения. Признаки извлекаются из изображений листьев с использованием методов обнаружения краев и гистограммного выравнивания. Дроны имеют множество потенциальных применений в сельском хозяйстве, включая сокращение ручного труда и повышение производительности. Дроны могут предоставлять раннее предупреждение о заболеваниях растений, позволяя фермерам предотвращать дорогостоящие потери урожая.

Заболевания растений являются причиной огромных потерь урожая и представляют угрозу для глобального производства продуктов питания [1]; поэтому, для сохранения времени и денег путем предотвращения или ограничения ущерба для посевов, крайне важно иметь надежные методы диагностики и выявления этиологических агентов болезней [2]. Классически, болезни распознавались на основе традиционных методов; эти методы, часто субъективные, полностью зависели от наблюдателя и, хотя в целом были трудоемкими, были подвержены неточностям. Кроме того, ручное обследование является дорогостоящим и, во многих случаях, непрактичным из-за человеческой ошибки и/или проявления скрытых или слабых симптомов, что делает диагностику на ранних стадиях невозможной [3].

Таким образом, технологическая революция в сельском хозяйстве важна для постоянного решения упомянутых проблем с разумными затратами и минимальным воздействием на окружающую среду. С постоянным внедрением новейших технологий, таких как устройства Интернета вещей, интеллектуальные алгоритмы, сложные датчики и современные машины, сельское хозяйство претерпевает изменения. В настоящее время оно переходит от выполнения людьми к использованию умных сельскохозяйственных машин и роботов. Умные сельскохозяйственные машины и роботы были разработаны для раннего обнаружения болезней растений и одновременного мониторинга их распространения на большие расстояния [3,4]. Многие исследователи использовали изображения высокого разрешения, собранные со спутников, самолетов, наземных машин и дронов для выявления сельскохозяйственных болезней. Спутники и самолеты могут охватывать обширные территории за короткое время. Однако спутники и самолеты имеют низкое пространственное и временное разрешение изображений по сравнению с дронами и сильно подвержены влиянию погодных условий, которые могут повлиять на полеты [3–5].

Таким образом, воздушное дистанционное зондирование (ДЗ) с использованием дронов (беспилотных летательных аппаратов (БПЛА) или беспилотных авиационных систем (БАС)) с интеллектуальными визуальными системами может быть эффективным и недорогим способом для фермеров обнаруживать болезни сельскохозяйственных культур и растений на различных сельскохозяйственных угодьях, от самых маленьких теплиц до самых крупных ферм [3–9].

Цифровые (красный, синий и зеленый или RGB), мультиспектральные, гиперспектральные, флуоресцентные и тепловизионные инфракрасные датчики изображений, оснащенные эффективными алгоритмами и установленные на дронах, могут эффективно обнаруживать, дифференцировать и количественно оценивать степень тяжести симптомов, вызванных различными патогенами в полевых условиях [10,11], как это было подтверждено множеством исследований, проведенных на важных зерновых культурах, таких как рис [12], кукуруза [13], пшеница [14,15], фруктовых деревьях (включая цитрусовые [16], оливы [17] и виноград [18]), овощах (включая картофель [19], соя [20] и томаты [21]), а также на многих лесных деревьях, таких как сосна [3], что продемонстрировало надежность дронов для диагностических целей.

Дроны оснащены цифровыми, мультиспектральными, гиперспектральными, тепловыми и флуоресцентными датчиками, которые обеспечивают более высокое разрешение при выявлении болезней растений и помогают в обнаружении заболеваний на более ранних стадиях, чем это возможно с использованием спутниковых систем [12]. Данные, собранные дронами, могут одновременно регистрироваться их автономными системами на различных высотах в атмосфере; эти данные затем могут быть быстро обработаны для создания прогнозных моделей на уровне полей, регионов и даже целых континентов [22]. Наконец, информация может быть передана фермерам, позволяя им принимать соответствующие решения относительно своевременного управления заболеваниями. Таким образом, точное земледелие (умное сельское хозяйство) может значительно выиграть от использования технологии дистанционного зондирования с помощью дронов благодаря их низкой стоимости и высокой гибкости полета [17–20]. Существует множество исследований, посвящённых использованию дронов с различными датчиками для выявления болезней растений. Например дроны, оснащённые гиперспектральной камерой, применялись для получения изображений жёлтой ржавчины на озимой пшенице и её эффективного обнаружения; мультиспектральная съёмка в сочетании с дронами использовалась для исследования ржавчины миртового дерева на самих растениях мирта; заражённые кукурузные растения выявлялись с помощью дронов, использующих изображения в видимом спектре, полученные с помощью цифровых камер [12–15].

Для анализа изображений, собранных дронами, требуются эффективные алгоритмы. Традиционные методы машинного обучения имеют недостатки из-за своей зависимости от методов ручного извлечения признаков, что особенно неэффективно в сложных условиях. Алгоритмы глубокого обучения недавно появились как многообещающая новая альтернатива для улучшения систем компьютерного зрения для автономного мониторинга болезней сельскохозяйственных культур. Без какой-либо помощи человека они могут выполнять автономное извлечение признаков, предоставляя фермерам данные, которые могут улучшить урожайность и снизить затраты на лечение. В настоящее время одной из перспективных областей исследований является использование методов компьютерного зрения, алгоритмов глубокого обучения и платформ на основе дронов для раннего и точного диагноза широкого спектра болезней растений [23].

Однако, несмотря на высокую эффективность, низкую стоимость, гибкость, точность и быстроту на уровне поля, ограниченная продолжительность полета делает дроны непригодными для сбора данных на больших площадях, а их способность нести тяжелые датчики ограничена. Таким образом, выбор конкретного дрона и выбор датчиков, программного обеспечения, алгоритмов и настроек дронов являются критически важными для достижения наилучшей производительности [24]. Учитывая важность дронов в диагностике болезней растений, в этом обзоре были включены следующие разделы: (1) методы обнаружения болезней растений, включая старые и новые поколения; (2) типы датчиков и камер, установленных на дронах; (3) типы дронов; (4) новые подходы к обнаружению болезней растений, сфокусированные на дронах; и (5) применение дронов для обнаружения болезней растений с использованием традиционных и алгоритмов глубокого обучения.

Адекватная и надежная оценка фитосанитарного состояния посевов, подразумевающая наблюдение за возникновением и вспышками болезней растений, имеет большое значение, поскольку своевременная оценка частоты заболеваний, тяжести симптомов и их влияния на экономически важные культуры является решающей для управления агрономическими вмешательствами, такими как время применения пестицидов. Методы обнаружения болезней были классифицированы на прямые и косвенные методы [25], как показано на рисунке 1. Прямые методы, известные как методы «старого поколения», включают традиционные методы (симптомология, микроскопия и метод инкубации), молекулярные диагностические методы (например, полимеразная цепная реакция (ПЦР), анализ полиморфизма длины фрагментов (RFLP), ПЦР в реальном времени, изотермическая амплификация с петлевой амплификацией (LAMP), амплификация полимеразы рекомбиназы (RPA) и методы диагностики на месте), а также серологические методы [25]. Однако из-за их медлительности и низкой пропускной способности эти методы не подходят для применения в полевых условиях, что задерживает раннее обнаружение и реагирование на вспышки заболеваний. Для эффективного предотвращения и контроля будущих вспышек необходимо разработать быстрый и высокопроизводительный подход для раннего обнаружения болезней растений.

Традиционные методы обычно включают оценку характерных симптомов заболевания и видимых признаков патогенов. Оценка симптомов заболевания проводится обученными специалистами и может зависеть от временных вариаций. Кроме того, традиционные методы строго зависят от индивидуального опыта, и эти методы становятся точными и надежными только в том случае, если руководящие принципы и стандарты оценки соблюдаются должным образом. Микроскопическая идентификация зависит от наблюдения инокулята патогена (например, мицелия, спор и плодовых тел). Для микроскопических методов доступны специальные дихотомические ключи и руководства по идентификации; однако из-за необходимости культивирования патогенов на искусственных селективных средах перед идентификацией этот метод слишком трудоемкий [26] (рисунок 1).

Молекулярные и серологические методы обычно используются в карантинных отделах и исследовательских институтах для обнаружения и идентификации фитопатогенов и могут применяться непосредственно в теплицах или на полях. Например, для оценки наличия вирусов картофеля Phytophthora infestans, Ralstonia salanacarum, Ervinia amylovora, Papillus mosaic virus и Tomato Mosaic Virus часто используется боковой потоковая версия ELISA [19]. Основными недостатками молекулярных и серологических методов являются их трудоемкость и необходимость наличия обученных операторов; кроме того, следует отметить, что количество инокулята патогена не всегда положительно коррелирует с тяжестью заболевания. Кроме того, эти методы особенно ненадежны на бессимптомных стадиях фитопатогенов [27], даже несмотря на то, что они очень чувствительны, точны и эффективны; к сожалению, они не подходят для мониторинга скрытых патогенов, которые проникли в растения до появления видимых симптомов. В дополнение к этому, метод отбора проб с поля в лабораторию трудоемок и должен быть правильно выполнен. Кроме того, лишь немногие заболевания могут быть обнаружены только на нескольких растениях [5]. Преимущества и недостатки серологических и молекулярных анализов были представлены в таблице 1.

Таблица 1. Преимущества и недостатки молекулярных и серологических анализов для выявления и диагностики заболеваний.

Таблица 2. Датчики, устанавливаемые на дроны для выявления и мониторинга болезней растений.

Морфологическая информация о растениях собирается двумя основными методами: LiDAR (Light Detection and Ranging) [24] и фотограмметрия на основе метода Structure-from-Motion (SfM). LiDAR рассчитывает расстояние от датчика до наземных объектов для измерения их положения; его лучи могут проходить через растительный покров и возвращать информацию о его структуре, плотности растений и поверхности земли. Фотограмметрия SfM собирает изображения с разных ракурсов, когда дроны летают над полями; она использует камеры высокого разрешения, с которых изображения могут быть использованы для измерения таких фенотипических характеристик популяции растений, как индивидуальная высота, полегание, стадии развития и урожайность. Спектральное отражение или радиация является важным индикатором для обнаружения силы роста растений, болезней растений и свойств почвы [30,31]. Мультиспектральные (обычно от 3 до 6 спектральных полос, от 0,4 до 1,0 мкм) и тепловые камеры (обычно в диапазоне 7–14 мкм), установленные на дронах, могут обнаруживать болезни на полях, контролировать силу роста растений, оценивать биомассу и урожай, а также выявлять симптомы как абиотических, так и биотических стрессов. Цифровые камеры могут обнаруживать одну или несколько широких полос ближнего инфракрасного (NIR) диапазона [32], в то время как гиперспектральные камеры (десятки или сотни спектральных полос) измеряют узкие полосы; несмотря на то, что они были уменьшены для использования на дронах, последним требуется дополнительное пространство и грузоподъемность [8,33,34] (таблица 3).

Дроны — это воздушные роботы, которые работают независимо от человеческого пилота. Эти летательные аппараты могут управляться вручную на расстоянии с помощью дистанционного управления или выполнять миссии автономно с помощью компьютера, работающего на основе программ искусственного интеллекта (ИИ). Одним из наиболее революционных шагов к «точному земледелию» является широкое использование сельскохозяйственных дронов. Дроны могут выполнять полеты на различных высотах и под разными углами обзора, что позволяет им обследовать опасные и труднодоступные места, которые ранее были недоступны для пилотируемых самолетов или спутников. В последнее время многие сельскохозяйственные задачи, такие как обнаружение и лечение болезней растений, стали широко использовать различные типы дронов, оснащенных высокочувствительными видеокамерами. Дроны были классифицированы на два основных типа в зависимости от движения крыльев: с фиксированным крылом и с роторным крылом, а также гибридные дроны с вертикальным взлетом и посадкой (VTOL) [24–28]. Дроны с фиксированным крылом и VTOL оснащены более продвинутыми камерами и датчиками, особенно когда речь идет о тяжелых гиперспектральных датчиках. Дроны с продвинутыми камерами могут помочь фермерам увеличить урожайность, экономя время и деньги за счет автоматизации задач, которые ранее требовали команды людей для выполнения. Однако роторные мультироторные дроны могут летать на более низких высотах, и их камеры обеспечивают лучшее разрешение при наземном зондировании. Преимущества и недостатки обоих типов дронов для полевых сельскохозяйственных приложений показаны в таблице 3. Системы дронов для обнаружения болезней растений состоят из четырех разделов, как показано на рисунке 3. Механизм, иллюстрирующий структуру и принцип работы технологии дронов для обнаружения болезней растений, рекомендованный в [35] для оценки болезней растений, представлен на рисунке 4 (таблица 3, рисунки 3 и 4).

Как описано выше, на дронах установлены различные датчики и система глобального позиционирования (GPS) для захвата изображений [5]. Архитектура модели обнаружения и классификации болезней растений состоит из следующих пяти этапов: получение изображения, предварительная обработка изображения, сегментация изображения, извлечение признаков и классификация (рисунок 5). Получение релевантных изображений является начальным этапом в идентификации и классификации болезней листьев растений. Этот шаг направлен на сбор набора данных, который будет использоваться позже в процессе. Камеры дронов используются для этой цели. Лучшие результаты могут быть достигнуты с помощью правильной подготовки изображений [5–10]. Обработка изображений может быть использована для удаления фонового шума. Большие размеры файлов цифровых камер требуют использования методов сжатия, что также помогает уменьшить объем памяти. Обрезка листьев из захваченных фотографий является одной из наиболее распространенных процедур предварительной обработки изображений, наряду с изменением цвета, изменением размера, удалением фона, улучшением, переворачиванием, вращением, сдвигом и сглаживанием. Обнаружение и классификация болезней листьев растений в значительной степени зависят от сегментации изображения. Изображение разделяется на несколько областей. Путем глубокого анализа данных изображения выявляются релевантные детали для извлечения признаков. Существует два основных подхода к сегментации изображений: те, которые сосредоточены на сходствах, и те, которые сосредоточены на разрывах. Извлечение признаков включает в себя выделение определенных аспектов содержимого изображения.

Форма, цвет и текстура часто используются в идентификации и классификации болезней растений. Несколько категорий болезней растений могут вызывать визуальные различия в результирующих изображениях. Метод обнаружения болезней листьев растений использует изображение листьев растений для быстрого и точного выявления присутствующих болезней. Второй отличительной чертой является его яркий цвет, который служит для различения различных болезней листьев растений. Последней характеристикой является текстура, которая показывает, насколько разнообразными могут быть цветовые узоры на изображениях листьев растений. Энергия, энтропия, контраст, корреляция, сумма квадратов, сумма энтропии, теневая кластеризация, кластерная заметность и однородность являются характеристиками текстуры. Болезни листьев растений классифицируются с использованием традиционных методов машинного обучения и методов классификации глубокого обучения. Основное отличие глубокого обучения от традиционного машинного обучения заключается в процессе извлечения признаков. В отличие от глубокого обучения, где признаки извлекаются автоматически и используются в качестве весов обучения, традиционные модели машинного обучения вручную рассчитывают признаки [9–11]. Ниже обсуждаются традиционные модели машинного обучения и модели глубокого обучения. Затем изображения анализируются программным обеспечением и могут быть использованы для характеристики эволюции болезни растений. Функции преобразования цвета могут быть использованы для преобразования цветового пространства из полученных изображений для обнаружения областей качества в исследуемой области.

Цифровые камеры высокого разрешения обеспечивают пиксели с более высоким разрешением, чем RGB [5], изображения с которых могут быть использованы для различения зараженных областей от здоровых, в то время как мультиспектральные камеры (пятиканальные устройства, которые могут измерять отражение растений более точно, чем трехканальные цифровые камеры RGB) предлагают необработанные изображения в пяти узких полосах от красной границы RGB до ближнего инфракрасного (NIR). С другой стороны, мультиспектральные изображения, полученные с помощью мультиспектральных камер, могут рассчитывать различные спектральные индексы на основе изображений, такие как нормализованный разностный вегетационный индекс (NDVI), нелинейный индекс (NLI), зеленый нормализованный разностный вегетационный индекс (GNDVI), индекс отношения растительности (RVI), разностный вегетационный индекс (DVI), нормализованный разностный водный индекс (NDWI) и нормализованный разностный вегетационный индекс красной границы (RENDVI) [36–38]. Эти индексы могут быть использованы для количественной оценки различных уровней тяжести болезни в исследуемых полях с точностью более 60%. Среди всех упомянутых индексов NDVI является наиболее широко используемым и напрямую коррелирует с состоянием растений, физиологическим стрессом и фотосинтетической активностью в стрессовых условиях. Карты изменений NDVI для различных уровней тяжести болезни были применены в случае болезни ложной мучнистой росы на рисе, вызванной Rhizoctonia solani на уровне поля [39]; сгенерированные данные показали, что данные мультиспектральной съемки могут обнаруживать симптомы и развитие болезни на уровне поля [40].

Таблица 3. Преимущества и недостатки использования дронов для сельскохозяйственных приложений [8,34].

Цифровые и мультиспектральные камеры использовались для получения изображений высокого разрешения в полевых условиях. Инфракрасные цветные (CIR) изображения могут быть созданы с помощью дронов для поддержки принятия решений, за которыми следуют изображения RGB. Другие типы изображений, используемые для обнаружения болезней, включают видимые и ближние инфракрасные (V-NIR) изображения, тепловые изображения и мультиспектральные (MS) изображения. Полевые изображения в основном были получены с помощью дронов, за ними следуют изображения листьев и растений [39–41]. Перед сбором данных выбирается оптимальное время экспозиции для различных камер в зависимости от погодных условий; фактические параметры устанавливаются в соответствии с инструкциями программы. Камеры устанавливаются на дроны во время полетов, обычно на высотах, с использованием одной для охвата всех экспериментальных участков и другой для охвата конкретных участков на каждом изображении. Затем дроны направляются двигаться вдоль экспериментальных участков, обычно с направлением ветра и с определенными полетами на определенной скорости, в зависимости от скорости и направления ветра. Погода должна быть благоприятной для полета, чтобы более точно обнаружить болезни растений. После этого программное обеспечение, такое как ENVI (Exelis Visual Information Solutions, Боулдер, штат Колорадо, США), используется для получения цветовых характеристик из изображений, а затем для преобразования изображений в различные цветовые пространства. Преобразование может быть использовано для улучшения представления информации, что позволяет преобразованные изображения интерпретировать легче, чем исходные изображения [35]. Цифровые изображения (каналы RGB) различных уровней тяжести заболевания растений преобразуются в оттенок, светлоту и насыщенность (HLS); средние значения HLS рассчитываются вместе с различными индексами растительности (VI) из полученных изображений. После этого создаются карты изменений VI различных уровней тяжести заболевания, чтобы проиллюстрировать данные изображений, которые могут обнаружить заболевание на уровне поля. В дополнение к воздушному VI, наземный VI рассчитывается с помощью специальных ручных датчиков растений. Функция датчиков основана на том факте, что здоровые зеленые листья растений поглощают большую часть красного света и отражают большую часть инфракрасного света. Относительная сила обнаруженного света напрямую указывает на плотность листвы в поле зрения датчика. Чем более энергичны и плотны растения, тем больше разница в наблюдаемых сигналах отраженного света. Датчики удерживаются на определенном уровне над кроной растений, с овальным полем зрения, охватывающим определенную площадь. Для повышения точности значений индексов растительности проводятся множественные измерения. Средние значения VI рассчитываются как для здоровых, так и для пораженных участков. В тот же день тяжесть заболевания оценивается по шкале в зависимости от симптомов заболевания. Кроме того, специальное программное обеспечение (например, Pix4D mapper) используется для обработки изображений. Программное обеспечение, такое как ArcGIS, используется для анализа и картографирования геопространственных данных [5,41,42]. Для анализа изображений, собранных дронами, требуются эффективные алгоритмы.

Традиционные методы машинного обучения включают девять различных типов классификаторов машинного обучения, используемых для создания моделей раннего обнаружения заболеваний: k-ближайших соседей (k-NN), машина опорных векторов (SVM), гауссовская обработка, дерево решений, случайный лес и многослойный персептрон искусственной нейронной сети (MLP-ANN). Однако традиционные методы машинного обучения имеют множество недостатков из-за их зависимости от методов ручного извлечения признаков, что особенно неэффективно в сложных условиях. Алгоритмы глубокого обучения недавно появились как многообещающая новая альтернатива для улучшения систем компьютерного зрения для автономного мониторинга болезней растений. Без какой-либо помощи человека они могут выполнять автономное извлечение признаков, предоставляя фермерам данные, которые могут улучшить урожайность и снизить затраты на лечение. Таким образом, решение для раннего обнаружения болезней растений может заключаться в сочетании современных дронов, камер, сенсорных технологий и алгоритмов глубокого обучения. Алгоритмы глубокого обучения включают современные алгоритмы глубокого обучения для идентификации объектов, такие как You Only Look Once версия 3 (YOLOv3) и Faster Region-based Convolutional Neural Network (CNN). Сверточные нейронные сети (CNN) существуют с момента разработки архитектуры AlexNet в 2012 году. В настоящее время используется множество алгоритмов и архитектур глубокого обучения на основе CNN для обнаружения и классификации заболеваний в различных системах выращивания культур. Современные методы классификации болезней растений широко используют хорошо зарекомендовавшие себя архитектуры CNN в области компьютерного зрения, такие как AlexNet, GoogleNet, VGGNet, ResNet и EfficientNet [41–50].

Таким образом, решением для раннего обнаружения болезней сельскохозяйственных культур может быть сочетание современных технологий дронов, камер, датчиков и алгоритмов глубокого обучения [19–22]. Для более быстрого и точного выявления болезней растений ученые активно изучают, как использовать методы компьютерного зрения, алгоритмы глубокого обучения и платформы дронов, предназначенные для диагностики болезней растений. Необходимо учитывать несколько областей, включая сельское хозяйство, электронную автоматизацию, технологии дистанционного зондирования, компьютерное зрение и искусственный интеллект, чтобы позволить платформам дронов осуществлять автономное обнаружение и лечение болезней сельскохозяйственных культур [19–21]. Таким образом, интеграция современных технологий дронов, камер, датчиков и алгоритмов глубокого обучения может предоставить полезное решение для своевременной диагностики болезней сельскохозяйственных культур (Рисунок 4).

Растения могут одновременно подвергаться воздействию нескольких патогенов растений, таких как нематоды, грибы, вирусы, вироиды, бактерии и фитоплазмы. В последнее время были разработаны новые подходы, которые могут быстро, легко и надежно обнаруживать патогены растений на предсимптоматической и ранней стадиях заболеваний растений, когда симптомы неясны и проявляются на немногих растениях. Эти методы включают в себя микроматрицы с боковым потоком [43], анализ летучих органических соединений (ЛОС) в качестве биомаркеров [44], использование дронов для дистанционного зондирования (RS) [45], электрохимию [46], фаговый дисплей [47] и биофотонику [48].

Микроматрицы с боковым потоком (LFM) — это метод обнаружения нуклеиновых кислот на основе гибридизации, который использует легко визуализируемый колориметрический сигнал для быстрого обнаружения патогенов растений. Однако этот метод зависит от наличия сильных и надежных биомаркеров хозяина и патогена, обнаруженных с помощью транскриптомики и метаболомики [49]. Одним из интересных классов метаболитов растений, подходящих для оценки здоровья растений, являются летучие органические соединения (ЛОС) в качестве биомаркеров; известно, что растения выделяют ЛОС в свою непосредственную близость для различных биологических и экологических целей, причем эти соединения ответственны за рост, защиту, выживание и взаимодействие с другими окружающими и/или ассоциированными организмами [28]. Являясь посредническим инструментом для коммуникации между растениями и патогенами, ЛОС, выделяемые с поверхности листьев, известны как конечные метаболиты и могут отражать физиологическое состояние растений. Однако одного биомаркера ЛОС недостаточно для представления конкретной болезни растений [49].

• Другие методы включают электрохимию, биофотонику и фаговый дисплей. Технология фагового дисплея идентифицирует лиганды, которые связываются с конкретными биологическими молекулами. Эти лиганды могут использоваться в качестве антигенов или иммуногенов для диагностики болезней растений. Лиганды могут быть пептидами или фрагментами антител. Другие методы, такие как электрохимия и биофотоника, основаны на принципах передачи сигналов и биорецепции. Оптические биосенсоры основаны на поглощении или испускании света в результате биологических или химических реакций. Однако электрохимические биосенсоры основаны на биохимических реакциях, которые вызывают перенос электронов в растительном соке или любом другом растворе. Экологические факторы обычно не влияют на электрохимические биосенсоры. Основной принцип этих методов обнаружения болезней растений заключается в распознавании специфического антигена специфическим антителом с образованием стабильного комплекса, как и в других серологических анализах [50]. Эти биофотонные датчики могут использоваться для быстрого обнаружения болезней растений на бессимптомной стадии в садах и полевых условиях. Кроме того, их можно интегрировать в другие методы обнаружения болезней растений с использованием дронов. Однако они не так легко доступны на рынке.

• Как ранее сообщалось, дистанционное зондирование (ДЗ) основано на измерении электромагнитных излучений, отраженных, рассеянных обратно или испущенных поверхностью целевого объекта. Информация получается без какого-либо физического контакта с объектом исследования. Поэтому измерения ДЗ известны как бесконтактные измерения [45]. Таким образом, ДЗ представляет собой бесконтактную технику. Следовательно, переносные инструменты и различные платформы, такие как дроны, используются для дистанционного контроля здоровья растений и сбора информации. Чтобы получать информацию о здоровье растений, широко применяются пассивные датчики. Активные датчики измеряют излучения, отражённые от больных растений, тогда как пассивные датчики фиксируют солнечное излучение, отражённое растениями, в видимой, ближней инфракрасной и коротковолновой областях спектра электромагнитного излучения. Таким образом, ДЗ используется для мониторинга изменений состояния здоровья растений.

Поскольку листья растений не только отражают, пропускают или поглощают излучение, но и выделяют энергию посредством флуоресценции [51] или теплового излучения [52], разные пигменты, содержащиеся в растениях, поглощают излучение в определённых частях спектра электромагнитного излучения; например, пигменты хлорофилла поглощают излучение в видимом спектре от 400 до 700 нм. Поэтому существует обратная зависимость между количеством излучения, отражённого растениями, и количеством излучения, поглощаемого пигментами растений. Когда растение заражено патогеном или подвергается воздействию абиотического стресса, переменные, такие как индекс листовой поверхности (Leaf Area Index, LAI), содержание хлорофилла или температура поверхности, меняются. Эти изменения называются спектральными сигнатурами и отличаются от сигнатур здоровых и незатронутых стрессовыми условиями растений [53,54].

Однако ДЗ имеет ряд недостатков: высокая стоимость беспилотников и необходимость наличия специализированных экспертов для сбора и обработки данных о болезнях растений. К тому же существующие протоколы сосредоточены лишь на некоторых заболеваниях ценных культур. Недавно разрешение спутников стало значительно лучше, а затраты на получение данных о болезни растений снизились, что сделало ДЗ перспективным инструментом интеграции с традиционными методами диагностики болезней растений. Сегодня небольшие, недорогие высокочувствительные пространственно-спектральные сенсоры устанавливаются на дронах для мониторинга заболеваний сельскохозяйственных культур на уровне фермерских хозяйств [6,55,56]. Следовательно, аэрофотосъёмка с использованием дронов обладает значительными преимуществами перед традиционным ДЗ. Получение изображений с помощью дронов стало распространённой практикой благодаря простоте установки бортовых цифровых камер [56].

Вкратце, методы мониторинга болезней сельскохозяйственных культур совершенствуются за счёт использования различных технологий дистанционного зондирования (ДЗЗ).

Интеграция данных спектральных сенсоров, установленных на дронах, со спектроскопическими данными, данными флуоресцентной и термографической съёмки, а также с другими методами, не основанными на ДЗЗ, продолжает разрабатываться. Цель этой работы — обеспечить более точное и эффективное выявление и диагностику заболеваний растений.

Исследователи активно работают над идентификацией инфицированных и здоровых листьев, а также классификацией различной степени тяжести заболевания по визуальным симптомам даже до появления заметных признаков поражения [45]. Современные методы идентификации болезней используют алгоритмы машинного обучения для анализа данных, полученных различными способами. Ниже представлены подходы к распознаванию болезней с применением традиционных методов машинного обучения и моделей глубокого обучения совместно с дронами.

Традиционные техники машинного обучения успешно применяются для идентификации болезней растений на основании фотографий, снятых с дронов. Одним из ранних подходов была искусственная нейронная сеть прямого распространения (Backpropagation Neural Network, BPNN). Она использовалась для обработки гиперспектральных снимков, полученных методом дистанционного зондирования помидоров, чтобы оценить степень заражения листьев растения. Затем применялась пятиступенчатая шкала оценки для проверки работоспособности BPNN. Результаты подтвердили целесообразность использования искусственных нейронных сетей с обратным распространением ошибок для предсказания спектра, необходимого для диагностики болезней [56].

Авторы другого исследования использовали метод классификации и регрессии деревьев (Classification and Regression Tree, CART) для идентификации вирусного заболевания виноградных лоз (leafroll disease). Их стратегия заключалась в анализе гиперспектральных фотоснимков винограда, выполненных с помощью дронов [56].

Подобным образом авторы работы [57] извлекали мультиспектральные полосы, показатели растительного покрова и биофизические характеристики поражённых и здоровых растений на основе мультиспектральных изображений, снятых дроном. Благодаря своей точности в прогнозировании, Support Vector Machine (SVM) широко применяется в области диагностики болезней растений. Например, SVM использовался для гиперспектральной съёмки вблизи ячменя с целью раннего выявления засухи. В процессе тренировки модели использовались индексы красного края нормализованной разницы растительности (Red Edge Normalized Difference Vegetation Index, RENDVI) и индекса старения растений (Plant Senescence Reflectance Index, PSRI).

Также для повышения точности классификации предлагается комбинирование нескольких классификаторов SVM, основанных на характеристиках цвета, текстуры и формы листа, что позволяет минимизировать вероятность ошибочной классификации при диагностике болезней растений [46–49].

Первоначально удалённо собираемые данные были использованы Университетом Северной Дакоты (США), где фермеры участвовали в проверке эффективности применения фунгицидов против болезней растений на посевах сахарной свёклы [57]. Помимо этого, было проведено количественное определение потерь, вызванных случайным распылением фунгицидов. Данные дистанционного зондирования также применялись для изучения физических повреждений, вызванных вредителями, затоплениями, ветром и градом. В данном исследовании сельские земледельцы и скотоводы были связаны через спутники. Фермеры впервые получили доступ к изображениям высокого разрешения, что позволило им выявлять стрессы растений, вызванные заболеваниями, вредителями и повреждениями. Полученная информация впоследствии использовалась для обозначения границ областей, подверженных стрессу растений.

В другом исследовании выяснилось, что наземные обследования не позволяют точно определить ущерб на полях сахарной свеклы, поскольку эта культура особенно восприимчива к заболеваниям на критической стадии роста растений. По этой причине для оперативного и надёжного расчёта ущерба и снижения содержания сахара вследствие болезней растений использовались мультиспектральные спутниковые изображения. Спутниковые снимки позволили оценить вариации внутри поля ещё до того, как растения подверглись повреждению болезнями, вредителями или иными абиотическими факторами. Исследование показало важность изображений высокого разрешения для своевременной оценки повреждений, вызванных как биотическими, так и абиотическими факторами [57].

Концепция использования изображений высокого разрешения, получаемых с помощью дронов, для захвата изображений здоровых и заболевших растений получила развитие недавно. Листовая гниль рисового стебля является серьёзным заболеванием риса во всём мире. В одном эксперименте дроны, оснащённые цифровыми и мультиспектральными камерами, сделали фотографии опытных участков с участием 67 сортов и нескольких элитных линий. Были рассчитаны наземный нормализованный вегетационный индекс (Normalized Difference Vegetation Index, NDVI) и основанный на изображениях NDVI, и корреляция между двумя показателями показала сильную взаимосвязь. Впоследствии мультиспектральные изображения использовались для количественного определения различных уровней заболевания листовой гнили рисового стебля на полевых участках с точностью выше 60 %. Исследования показали, что дроны с цифровыми и мультиспектральными камерами являются наиболее эффективным средством обнаружения листовой гнили рисового стебля в полевых условиях [5].

Американские исследователи теперь применяют дроны для обнаружения грибковой инфекции пшеницы Septoria задолго до проявления симптомов или признаков, позволяя фермерам своевременно остановить распространение инфекций. Камеры, установленные на дронах, автоматически обнаруживают ранние признаки грибка Septoria. Эта информация помогает фермерам определять оптимальное время опрыскивания полей до того, как грибок нанесёт значительный ущерб урожаю пшеницы. Больные растения имеют уникальный спектральный сигнал, отличающийся от здоровых растений, свободных от гриба Septoria [39,58,59].

Исследование мульти-спектрального метода обнаружения грибковых заболеваний ячменя проводилось с использованием аэро-фотографий, полученных с помощью дронов. В нём рассматривались два участка фермерского хозяйства и четыре этапа развития ячменя (Feekes 8—Feekes 11.4), чтобы установить спектр-вегетационную реакцию (VI) различных уровней обработки фунгицидами (Контроль, Стратего, Стратего+Просаро) с использованием мультиспектральных изображений, полученных с дронов. Пространственное разрешение снимков составляло 6,7 см на пиксель, а длина волн используемых каналов составляла: синий (475±20 нм); зелёный (560±20 нм); красный (668±10 нм); краевой красный (717±10 нм); ближняя инфракрасная область (840±40 нм).

Среди пяти использованных вегетационных индексов (NDVI, RE-NDVI, RDVI, RE-RDVI и TGI) трёхсторонние взаимодействия (поле × стадия роста × обработка) оказались незначимы для NDVI (p=0,415), RE-NDVI (p=0,383) и TGI (p=0,780), однако статистически значимы для RDVI (p=0,003) и RE-RDVI (p=0,005). Кроме того, наблюдалось устойчивое разделение по спектру уровня тяжести грибкового заболевания в зависимости от типа обработки. Отслеживать интенсивность воздействия фунгицидов стало возможным путём картирования и сопоставления с результатами натурных наблюдений, что способствует защите окружающей среды от чрезмерного использования фунгицидов [58].

В другом исследовании сверхразрешение низкокачественных изображений, полученных с дронов, использовалось для решения проблемы болезней томатов. Было собрано около пятидесяти тысяч изображений четырнадцати видов культурных растений, включая томат в качестве целевой культуры. Изображения восьми типов заболеваний, вызванных фитопатогенами, были получены, включая Xanthomonas campestris pv. vesicatoria, Alternaria solani, Phytophthora infestans, Septoria lycopersici, Томато мозаичный вирус, Fulvia fulva, Corynespora cassiicola и вирус жёлтой курчавости листьев томата. Кроме того, были зафиксированы симптомы, такие как поражение органов растений. Болезни томатов были классифицированы на три категории: изображения высокого разрешения, низкого разрешения и сверхразрешения. Результаты показали, что методы сверхразрешения эффективнее обычных методов масштабирования изображений, так как они повышают пространственное разрешение изображений болезней [60].

Чтобы проверить устойчивость картофеля к позднему фитофторозу в полевых условиях, другие исследователи использовали шкалу тяжести заболевания для визуальной оценки размера поражений или степени инфицирования листьев. Этот способ визуальной оценки требует много времени и даёт лишь приблизительную оценку [61]. Чтобы избежать подобного подхода, в работе [62] была разработана новая методика оценки тяжести позднего фитофтороза в полевых условиях с использованием цифровых RGB-камер с дронов. Различные сорта и линии картофеля были высажены на 262 экспериментальных участках для оценки устойчивости картофеля к фитофторозу в полевых условиях. Наряду с традиционной визуальной оценкой тяжести заболевания были получены одиннадцать воздушных изображений поля. Специальный протокол обработки изображений был разработан специально для этого исследования, чтобы оценивать тяжесть заболевания. Метод оценки был спроектирован таким образом, чтобы свести к минимуму ошибку, возникающую при сравнении результатов обработки изображений с визуальной оценкой. Площадь под кривой прогрессирования заболевания сравнивалась с аналогичной величиной, полученной при визуальной оценке и временном ряде изображений, коэффициент детерминации оказался выше 0,7. В следующем году снова было получено одиннадцать изображений поля, и, удивительно, коэффициент детерминации вновь превысил значение 0,7. Эти результаты свидетельствуют о валидности корреляций и подтверждают вывод о том, что использование аэрофотосъемки с последующим расчетом тяжести заболевания по данным изображений является более эффективной методикой, чем традиционные визуальные оценки. В заключение отметим, что воздушные изображения обеспечивают высокую точность и объективность, обеспечивая высокий уровень производительности при определении устойчивости к позднему фитофторозу в полевых условиях.

Другое исследование использовало высококачественную воздушную съёмку для обнаружения болезни цитрусовых Хуанлонгбин (или цитрусового пожелтения) с помощью дронов [63]. Многочастотный сенсор подключался к дронам на заданном разрешении путем регулировки высоты полёта для получения изображений. Затем результаты, полученные с помощью датчиков на дронах, сравнивались с датчиками воздушного базирования, имеющими меньшее пространственное разрешение. Набор данных включал семь вегетационных индексов (VI) и шесть спектральных полос с диапазоном длин волн от 530 до 900 нм. Регрессионный анализ использовался для выделения значимых характеристик из спектральных изображений, полученных с воздуха и с самолёта. Результаты показали, что высокоразрешающее воздушное зондирование является надежным способом обнаружения цитрусовых деревьев, зараженных болезнью HLB.

В Японии картофельные клубни, инфицированные вирусом, были отобраны с полей для производства сертифицированного семенного материала в районах выращивания семян картофеля. Фермеры осматривали всё поле вручную, визуально определяя больные растения картофеля по симптомам, вызванным вирусом. Такой процесс занимает много времени, и растения, проявляющие скрытые или слабые симптомы, трудно выявить. Японские учёные разработали альтернативный способ эффективного выявления больных растений картофеля. Они использовали технику классификации изображений как метод обнаружения вирусов, используя дроны для получения RGB-изображений с высоты от 5 до 10 метров над землёй. Всего было собрано 1300 изображений здоровых растений и 130 изображений инфицированных растений картофеля. Оригинальные изображения были повернуты, чтобы увеличить количество изображений больных растений до 1300, всего получилось 2600 изображений, среди которых равное число больных и здоровых растений. Из них 1800 изображений были использованы для тренировочного набора, оставшиеся 800 изображений составили проверочный набор. Кроме того, сверточная нейронная сеть (Convolutional Neural Network, CNN) использовалась для классификации изображений как здоровых или больных растений. Точность классификации на учебных данных составила примерно 96%, а точность классификации проверочных данных достигла 84% [62].

Другие исследователи сравнили спектральные, гиперспектральные, показатели высоты кроны и температуры, полученные с помощью ручных и установленных на дронах сенсоров, для различения четырёх сортов сои, чувствительных и толерантных к кистозному нематоду (Soybean Cyst Nematode, SCN). Используемые спектральные индексы (SI) включали содержание хлорофилла, азота и воды. На поздних стадиях, когда инфекция SCN становится тяжёлой, различия между сортами становились более выраженными. Кроме того, высота крон позволяла проводить более эффективное дифференцирование сортов с помощью дронов по сравнению с ручной оценкой в поле. Температура кроны и SI использовались для классификации сортов в зависимости от их способности противостоять SCN. Была найдена высокая корреляция между спектральными индексами и конечной урожайностью сахарной свёклы. Эти результаты доказывают, что подход гиперспектральной съёмки с дронов подходит для выявления болезней растений, вызванных нематодами [63,64].

В сентябре 2018 года исследователи из Университета штата Нью-Мексико использовали мультиспектральные камеры для выявления стрессов растений в полях и парках во время полета дрона. Они получали красные и ближне-инфракрасные спектральные полосы, из которых рассчитывали показатель NDVI (нормализованный вегетационный индекс), который служит метрикой стресса растений. Диапазон значений NDVI составляет от -1 до 1. Значения NDVI ближе к 1 указывают на то, что растение зеленое и здоровое, в то время как значения ближе к -1 показывают, что растение находится в состоянии стресса, что приводило к появлению зеленых изображений для здоровых растений и красных изображений для находящихся в стрессе.

Перед полетом дроны были запрограммированы автопилотным ПО с координатами GPS, и камеры делали снимок каждые пять метров. Полет проходил на высоте около 20 м над полем со скоростью около пяти миль в час летом, с целью поиска растений, испытывающих стресс от нематод, поедающих корни. Было сделано в общей сложности 60 кадров, что дало 300 изображений; каждый раз, когда камера срабатывала, записывалось сразу пять изображений. Обработка изображений производилась с помощью программного обеспечения Pix4D для постобработки изображений, полученных с дронов, и вычислялись значения NDVI. Дополнительно, значения NDVI на земле собирались с помощью ручного прибора NDVI-метра [8,34,65].

Соя является важной сельскохозяйственной культурой в Бразилии, страдающей от различных листовых заболеваний, вызываемых грибами, бактериями, вирусами и нематодами. Эти заболевания существенно снижают производство сои в разных штатах. Авторы работы [20] создали систему компьютерного зрения для мониторинга этих листовых заболеваний в полевых условиях. Сначала изображения были сделаны с помощью дронов, затем система компьютерного зрения, основанная на алгоритме кластеризации супер-пикселей Simple Linear Iterative Clustering (SLIC), использовалась для обнаружения листьев растений на изображениях. Алгоритм группировки пикселов SLIC также известен как метод сегментации SLIC. После этого был собран набор данных из захваченных изображений. Наконец, были извлечены особенности, и листовые заболевания были классифицированы на основе сегментов супер-пикселей. Каждый сегмент супер-пикселя ассоциировался с определенным классом листового заболевания или здоровыми листьями.

Использование дронов распространяется и на мониторинг физиологического стресса и вспышек заболеваний лесных деревьев. В работе [66] дроны применяли для наблюдения за вспышкой заболевания зрелых сосен Pinus radiata. На дроны устанавливалась мультиспектральная камера, которая регулярно пролетала над обработанным гербицидами лесным массивом сосен. Параллельно проводился традиционный наземный эксперимент по оценке изменения окраски кроны и хвои дерева. Результаты продемонстрировали, что мультиспектральные изображения, собранные с помощью дронов, весьма полезны для выявления физиологических стрессов у взрослых сосен на самой ранней стадии. Физиологический стресс обнаруживался преимущественно в красной границе и ближнем инфракрасном диапазоне. Более того, оказалось, что NDVI является эффективным вегетационным индексом для выявления дисхроматизма, вызванного физиологическим стрессом, со временем.

Краснолиственный некроз иголок — чрезвычайно серьезное заболевание сосновых лесов Великобритании (UK). Авторы работы [67] использовали крылатый дрон Quest UAV Ltd. (Амбл, Великобритания), оборудованный тепловым сенсором, для мониторинга температурных показателей верхушек деревьев, вызванных заболеванием краснолиственного некроза иголок (Dothistroma pini Hulbary), в пяти исследовательских участках леса шотландской породы сосны обыкновенной и сосны горной в Королевском лесопарке Елизаветы II в центральной Шотландии. На борту дрона находилась тепловизионная камера TIR PI450 (Optris GmbH, Берлин, Германия) и цифровая камера VNIR DMC-LX5 (Panasonic Ltd., Осака, Япония). Летом 2014 года над участком леса были собраны данные TIR и NIR. Информации относительно лазерного сканирования местности (ALS), гиперспектральных и тепловых данных были предоставлены Научным советом исследований природной среды воздушной службой обследований и исследований. Эксперты оценили серьезность заболевания Краснолиственного Некроза Иголок на месте визуально, основываясь на симптоматике. Для полученных с дрона изображений TIR и VNIR применялся максимальный локальный фильтр к высотам лесного массива (ALS CHM), что позволяло выделять вершины деревьев и регистрировать дерево за деревом. Средние значения шести центральных пикселей каждой кроны дерева усредняли, и экстрагировалась температура кроны деревьев. Затем эти значения сравнивались с уровнем тяжести заболевания, установленным визуально на участке. Установлена умеренная положительная корреляция между температурой дерева и развитием заболевания [68].

Ржавчина мирта (Myrtle rust), вызываемая грибом Austropuccinia psidii, наносит значительный ущерб чайным деревьям с бумажной корой (paperbark tea trees) в штате Новый Южный Уэльс (Австралия).

Для аэрофотосъёмки чайных деревьев с бумажной корой были использованы дроны, оснащённые гиперспектральными сенсорами, которые интегрировали с алгоритмами обработки данных с применением машинного обучения.

На дроны были установлены камеры Headwall Nano-Hyperspec R, с помощью которых были получены снимки. Обработка изображений проводилась с использованием языка программирования Python и следующих инструментов: алгоритм eXtreme Gradient Boosting (XGBoost); библиотека абстракции геопространственных данных GDAL; сторонняя библиотека Scikit-learn.

Было отобрано около 11 385 образцов, которые распределили по 5 классам: 3 класса — для фоновых объектов; 2 класса — для определения степени поражения деревьев.

Результаты исследования показали точность индивидуального распознавания для здоровых деревьев — 97,24%, точность индивидуального распознавания для поражённых деревьев — 94,72%, точность мультиклассового распознавания (распознавания по всем классам) — 97,35%.

Разработанная методика оказалась эффективной для сбора больших объёмов данных с использованием бесплатных инструментов и дронов [69].

Виноградники Европы страдают от двух опасных заболеваний: Flavescence dorée (FD) и Grapevine Trunk Disease (GTD), которые наносят существенный ущерб виноградарству. Для выявления симптоматичных кустов винограда мультиспектральная аэрофотосъемка с дронов может стать мощным инструментом. Однако разные виды заболеваний часто вызывают схожее изменение окраски листьев, как это наблюдается у указанных выше недугов у красных сортов винограда. В статье [70] изучается потенциал дронов для разделения симптоматичных и бессимптомных кустов винограда. Исследование проводилось в южных регионах Франции. Было выбрано семь виноградников и пять различных сортов красного винограда. Дроны оснащены мультиспектральным сенсором MicaSense RedEdge® и проводили съёмку, результатом которой стали карты поверхностного отражения с пространственным разрешением 0,10 метра. Выбрали около 24 переменных, включая пять спектральных полос, пятнадцать вегетационных индексов и четыре параметра биофизики. Индексы вегетативного состояния помогли отличить аномальное поведение растительности, связанное со стрессом и болезнями. Основные биофизические параметры касались содержания пигментов листьев, таких как хлорофилл, каротиноиды и антоцианы. Наиболее эффективными индикаторами оказались Красный-зеленый индекс (RGI)/Индекс зеленого-красного отношения (GRVI), построенные на основе зеленых и красных спектральных полос, а также показатель Car, связанный с содержанием каротиноидов. Эти переменные эффективно отображали зоны поражения, превышающие 50%.

Сейчас авторы работы [71] предлагают протокол использования мультиспектрального устройства (Multi-Spectral, MS) для обнаружения заболеваний винограда. Если устройство встроено в дрон, оно способно определять местоположение очагов заболевания на географической информационной системе, что позволяет точечно лечить пораженные лозы непосредственно на местах.

Научные исследования, посвященные применению изображений, полученных с дронов, для описания изменений урожая, вызванных болезнями, остаются ограниченными. В работе [72] оценивалось влияние поздней картофельной гнили (Phytophthora infestans) на картофель, учитывая изменения спектральных характеристик, связанные с ранними стадиями развития болезни при низкой интенсивности заболевания. Для этого использовали оптическое изображение субдециметрового уровня, полученное с помощью дронов. Основная цель исследования состояла в получении информации о ранних изменениях в культуре картофеля, обусловленных появлением заболевания. Фотографии с дронов были сделаны в течение четырех сроков в течение сезона роста, до и после обнаружения поздней гнили в поле. Для обобщения спектральной изменчивости применялся алгоритм максимизации объема симплекса (SiVM).

Кроме того, была установлена связь между разными системами возделывания и степенью тяжести заболевания на основе расчета попиксельного логарифма отношения правдоподобия (Log Likelihood Ratio, LLR). Оказалось, что существенные спектральные изменения тесно связаны с возникновением поздней гнили картофеля в различных системах возделывания и уровнях тяжести заболевания пораженных растений. В заключении отмечается, что традиционные алгоритмы машинного обучения ограничены в применении, и их производительность может сильно варьироваться в зависимости от различных этапов роста и оборудования для съемки. Процесс инженерии признаков, ведущий к значительной потере данных, дополнительно снижает эффективность методики.

Дополнительная информация о сообщениях о применении дронов для обнаружения болезней растений, а также недавних и прошлых отчетах о датчиках, камерах и других устройствах, установленных на дронах для выявления болезней растений, представлена в таблице 4.

Таблица 4. Использование дронов и других устройств для обнаружения болезней растений.

3.2. Модели глубокого обучения для идентификации болезней растений с использованием дронов

Для преодоления ограничений традиционных методов машинного обучения были разработаны и применены модели глубокого обучения для решения задачи идентификации болезней растений на изображениях, полученных с дронов. В последние десятилетия в сельском хозяйстве были достигнуты многообещающие результаты благодаря применению методов компьютерного зрения на основе глубокого обучения [81,82]. Болезни растений могут вызывать изменение цвета, скручивание листьев или появление пятен, а также потерю плодов. В связи с этим алгоритмы глубокого обучения могут быть наиболее подходящим инструментом для диагностики таких заболеваний. К основным задачам компьютерного зрения, которые могут улучшить идентификацию болезней растений на изображениях с дронов, относятся классификация изображений, обнаружение объектов и сегментация изображений.

Процесс классификации изображения включает в себя определение наличия целевого заболевания на всем входном изображении. В большинстве случаев обнаружение заболевания на уровне листьев осуществляется через задачу классификации. Целью задачи обнаружения объектов является построение ограничивающей рамки вокруг каждого выявленного заболевания для определения класса и точного местоположения целевого заболевания внутри входного изображения. Сегментация изображений используется для классификации каждого пикселя изображения как больного или здорового. Процесс алгоритма глубокого обучения для обнаружения и классификации заболеваний с использованием изображений с дронов включает следующие этапы: (1) сбор данных о целевом заболевании растений путем выбора подходящей высоты полета дронов; (2) маркировка данных, их увеличение, очистка, разделение и генерация вегетационных индексов; (3) использование моделей, таких как VGG или ResNet для классификации изображений, Faster-R-CNN или YOLO для обнаружения объектов, и U-Net или SegNet для сегментации изображений; и (4) обучение/верификация модели и оценка модели [81,82].

Применение алгоритмов глубокого обучения к анализу изображений, собранных с помощью дронов, в последнее время привлекло большое внимание благодаря своему потенциалу в идентификации болезней растений. Недавние исследования по идентификации болезней сельскохозяйственных культур с использованием аэрофотосъемки с дронов в значительной степени опирались на модели глубокого обучения для преодоления недостатков более традиционных методов, особенно алгоритмов свёрточных нейронных сетей (CNN). Большинство этих исследований направлено на повышение урожайности основных культур, таких как пшеница, кукуруза, картофель и томаты. Например, Чжан и соавторы [81] разработали множество моделей компьютерного зрения на основе глубокого обучения для идентификации болезни желтой ржавчины и уменьшения её разрушительных последствий. Используя мультиспектральные данные, собранные с помощью платформы беспилотных летательных аппаратов (БПЛА), они предложили новый подход к семантической сегментации, основанный на модели U-Net, для обнаружения участков пшеницы, пораженных желтой ржавчиной. В базовую архитектуру U-Net были встроены три модуля: модуль нерегулярного кодировщика (IEM), модуль нерегулярного декодера (IDM) и модуль повторного взвешивания каналов с учетом содержимого (CCRM). Авторы исследовали, как формат входных данных влияет на точность идентификации пшеницы, пораженной желтой ржавчиной, с помощью модели глубокого обучения. Согласно их выводам, предложенная модель Ir-Unet превзошла результаты Су и соавторов [82], которые достигли F1-оценки только 92% при использовании всех пяти полос информации, полученных с мультиспектральной камеры RedEdge. Сочетая все исходные полосы и их различные измерения выбранных вегетационных индексов (SVI), они смогли повысить точность до 96,97%.

Аналогичным образом, Лю и соавторы [83] предложили модель BPNN для отслеживания болезни Fusarium Head Blight с использованием гиперспектральных аэрофотоснимков и обнаружили, что она превосходит как SVM, так и RF, достигая общей точности 98%. Хуан и соавторы [84] сосредоточились на другой болезни пшеницы — Helminthosporium Leaf Blotch Disease, используя RGB-изображения, полученные с помощью БПЛА. Они предложили использовать модель CNN на основе LeNet для классификации HLBD в зависимости от стадии заболевания. По сравнению с набором методов и моделью SVM, точность предложенной модели CNN была выше (91,43%). Керкеш и соавторы [85] разработали систему семантической сегментации на основе глубокого обучения для автоматической диагностики мучнистой росы в виноградниках, используя RGB-фотографии, инфракрасные изображения и мультиспектральные данные, собранные с дронов. Модель SegNet использовалась для определения того, представляет ли данный пиксель на изображении больную листву или виноградную лозу. Аналогичным образом, Северная листовая ржавчина (NLB) является предметом текущих исследований, поскольку она представляет значительную угрозу для урожая кукурузы. Стюарт и соавторы [86] использовали DJI Matrice 600 для получения RGB-аэрофотоснимков с низкой высоты и затем применили подход к сегментации экземпляров (Mask R-CNN) для идентификации NLB на этих изображениях. В среднем предложенный метод достиг точности 96% при обнаружении и сегментации отдельных поражений.

Для сегментации RGB-изображений, полученных с помощью БПЛА, на участки, пораженные или не пораженные болезнью NLB, Вайснер-Хэнкс и соавторы [87] объединили методы на основе ResNet и CNN с условными случайными полями (CRF), используя ResNet для генерации тепловых карт и CRF для классификации каждого пикселя как пораженного или непораженного. С помощью этого метода они смогли обнаружить болезнь NLB в кукурузных полях с точностью до миллиметра, превзойдя метод, использованный Ву и соавторами [88], более чем на 2%. Для автоматизации обнаружения мучнистой росы в виноградниках была разработана система семантической сегментации на основе глубокого обучения для обработки RGB-фотографий, инфракрасных изображений и мультиспектральных данных, полученных с помощью БПЛА, объединяющего видимые и инфракрасные полосы. Модель SegNet использовалась для определения того, представляет ли данный пиксель на изображении больную листву или виноградную лозу. Используя видимые, инфракрасные, объединенные AND и объединенные OR данные, предложенный метод достиг точности 85,13%, 78,72%, 82,20% и 90,23% на уровне листьев и 94,41%, 89,16%, 88,14% и 95,02% на уровне виноградной лозы соответственно [88]. Для улучшения идентификации нездоровых сосен с использованием RGB-данных с БПЛА Ху и соавторы [89] интегрировали глубокую свёрточную нейронную сеть (DCNN), глубокую генеративную состязательную сеть (DCGAN) и классификатор AdaBoost. Предложенный метод превзошел классические методы машинного обучения, достигнув F1-оценки 86,3% и показателя полноты 95,7%, по сравнению с показателями полноты 78,3% и 65,2% для классификаторов SVM и AdaBoost соответственно. Однако у моделей глубокого обучения есть свои недостатки; например, обучение может занимать длительное время, возможно, недели, в зависимости от размера набора данных, сложности модели и вычислительной мощности компьютера. Когда речь идет о раннем обнаружении болезней растений, наборы данных либо недостаточны, либо недоступны в достаточном количестве. Первым шагом является изучение паттернов сельскохозяйственных культур, болезней и вредителей в данной местности. Исследователи обычно выбирают либо инокуляцию грибка, вызывающего болезнь, в экспериментальной теплице [81,85], либо наблюдение и фиксацию естественного развития заражения по мере его возникновения. Для получения гиперспектрального изображения, например, необходимо использовать сложное и дорогостоящее оборудование и консультироваться с квалифицированными специалистами на протяжении всего процесса сбора данных [81]. Кроме того, при создании нового набора данных требуется аннотация. Поскольку аннотация различных болезней выходит за рамки возможностей обычных волонтеров, эта задача требует помощи специалистов в области сельского хозяйства. Для минимизации переобучения исследователи часто прибегают к методам увеличения данных для небольших наборов данных, хотя эти методы не всегда эффективны. После сбора данных они могут быть смещены, либо потому что образцы здоровых растений более ценны, чем образцы больных растений, либо из-за сезонных и региональных трудностей с различными типами болезней сельскохозяйственных культур [81,82].

4. Перспективы, будущие тенденции и ограничения

Для повышения урожайности сельскохозяйственных культур и обеспечения продовольственной безопасности в обширных сельскохозяйственных районах крайне важно своевременно и точно выявлять болезни растений на ранних стадиях. В данном обзоре мы начали с описания методов обнаружения болезней растений, включая как старые, так и новые поколения. К старым методам относятся традиционные, молекулярные и серологические методы. Однако эти методы не подходят для раннего выявления болезней растений. Новые методы включают дроны с установленными сенсорами, которые позволяют точно обнаруживать болезни растений на самых ранних стадиях, что позволяет предотвратить будущие вспышки заболеваний путем применения соответствующих мер управления. Во-вторых, мы рассмотрели различные типы сенсоров, которые могут быть установлены на платформах дронов, включая цифровые, мультиспектральные, гиперспектральные, тепловые и флуоресцентные сенсоры. Гиперспектральные сенсоры более надежны по сравнению с цифровыми и мультиспектральными сенсорами, в то время как тепловые сенсоры могут использоваться как днем, так и ночью, предоставляя больше информации о состоянии растений по сравнению с другими сенсорами. В-третьих, были показаны различные типы дронов и их механизмы работы. Дроны с вертикальным взлетом и посадкой (VTOL) и дроны с фиксированным крылом могут нести больше камер и сенсоров по сравнению с роторными дронами. Таким образом, дроны VTOL и с фиксированным крылом могут летать дольше и покрывать большие площади. Однако эти типы дронов дороги и могут сталкиваться с проблемами при зависании. В-четвертых, мы рассмотрели новые подходы, такие как латеральные потоковые микроматрицы, биомаркеры, электрохимия, фаговый дисплей и биофотоника, с акцентом на использование дронов.

Наконец, мы попытались объяснить применение методов обнаружения болезней растений с использованием изображений с дронов и традиционных и глубоких моделей машинного обучения для получения лучших результатов. Модели глубокого обучения значительно превосходят традиционные модели машинного обучения и устраняют трудоемкий и подверженный ошибкам процесс ручного извлечения признаков, что приводит к улучшению прогнозной производительности. Болезни растений в сложных ситуациях с перекрывающимися листьями были эффективно классифицированы с помощью моделей глубокого обучения. С другой стороны, традиционные модели машинного обучения не могут различать болезни с похожими симптомами и не могут воспользоваться большим объемом обучающих данных. Обучение моделей глубокого обучения может быть трудоемким и занимать недели или месяцы в зависимости от размера набора данных, сложности модели и доступной вычислительной мощности. Существует недостаток или трудности в доступе к адекватным базам данных для ранней диагностики болезней растений. Аналогично, экологические и логистические ограничения, такие как сильные ветры и дождь, ограниченный срок службы батареи и необходимость наличия обученного персонала для запуска и контроля полетов, являются проблемами при использовании дронов. В зависимости от географического и спектрального разрешения спутников, может быть предпочтительнее использовать дроны для мониторинга развития растений в здоровой среде. Кроме того, текущая технология датчиков изображений имеет различные недостатки, которые препятствуют ее использованию для ранней диагностики болезней. Более точные прогнозы роста и состояния здоровья растений могут быть сделаны путем интеграции данных с различных датчиков. Это объясняет, почему исследователи больше сосредоточены на мультимодальной интеграции данных для обнаружения болезней растений. Интеграция данных в сельском хозяйстве принимает различные формы, наиболее распространенной из которых является объединение спутниковых и дроновых изображений и слияние данных с нескольких датчиков дронов. Такие подходы к интеграции данных могут улучшить процедуры обнаружения, такие как мониторинг сельскохозяйственных культур и классификация растений. В современном сельском хозяйстве становится все более важным разработка точных, в реальном времени, надежных и автономных дроновых систем для обнаружения болезней растений. Эти системы требуют сложных и эффективных алгоритмов для решения таких проблем, как изменяющееся освещение, прогрессирование болезней, перекрытие и изменение перспективы. Для достижения улучшенных урожаев сельскохозяйственных культур необходимо интегрировать передовые технологии, такие как дроновые системы и фреймворки глубокого обучения. Доступность сельскохозяйственных данных — еще одна ключевая проблема, которую необходимо решить. Для создания реалистичных наборов данных необходимо либо собирать дополнительные данные, либо разрабатывать сложные алгоритмы на основе генеративных архитектур глубокого обучения.

5. Заключение

В заключение можно сказать, что применение дронов в оценке состояния растений и выявлении болезней предоставляет эффективные возможности мониторинга и обнаружения для умного сельского хозяйства. Дроны обеспечивают улучшенный доступ, расширенное покрытие и быструю сборку данных, что позволяет своевременно выявлять болезни. С помощью передовых сенсоров и методов визуализации дроны могут собирать ценные данные о показателях здоровья растений. Эти данные могут быть обработаны с использованием аналитических методов и алгоритмов машинного обучения для выявления паттернов болезней и оценки их тяжести. Интеграция дронов в системы оценки состояния растений позволяет осуществлять мониторинг в реальном времени, раннее обнаружение и целенаправленное вмешательство. Дроны могут способствовать устойчивым методам ведения сельского хозяйства, минимизации потерь урожая, снижению потребности в химических обработках и поддержке стратегий точного земледелия. Продолжение исследований, направленных на решение упомянутых выше проблем, может еще больше усилить потенциал дронов в оценке состояния растений для устойчивого сельскохозяйственного будущего.

Вклад авторов:

Концептуализация: L.Z., A.A., M.M.A. и S.A.H.N.; методология: L.Z., A.A. и M.M.A.; программное обеспечение: L.Z., H.Z., Z.Z., Q.A. (Qamar Abbas 1) и S.A.H.N.; валидация: L.Z., A.A. и M.M.A.; формальный анализ: A.A. и M.M.A.; исследование: A.A. и M.M.A.; сбор данных: A.A.; подготовка первоначального черновика: L.Z., A.A. и M.M.A.; рецензирование и редактирование: L.Z., H.Z., Z.Z., Q.A. (Qamar Abbas 1), M.M.A., A.F.A., M.J.R., W.F.A.M., Q.A. (Qamar Abbas 2), A.H., M.Z.H., L.Z. и S.A.H.N.; надзор: L.Z. и A.A.; административное управление проектом: L.Z., A.A. и S.A.H.N.; получение финансирования: L.Z. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование (Funding):

Работа была поддержана следующими источниками финансирования:

1. Фонд привлечения высококвалифицированных специалистов и непрерывного обучения (High-talent Introduction and Continuous Training Fund) — для Л. Ц. (L.Z.), грант № 10300000021LL05.
2. Средства на развитие дисциплин (Discipline Construction Funds) — грант № 10407000019CC2213G.
3. Академия сельскохозяйственных наук Чжэцзяна (Zhejiang Academy of Agricultural Sciences, ZAAS).
4. Государственная ключевая лаборатория по управлению биотическими и химическими угрозами для качества и безопасности агропродукции (State Key Laboratory for Managing Biotic and Chemical Threats to the Quality and Safety of Agro-products) — грант № 10417000022CE0601G/029.

Доступность данных (Data Availability Statement):

Не применимо (Not applicable).

Конфликт интересов (Conflicts of Interest):

Авторы заявляют об отсутствии конфликта интересов (The authors declare no conflict of interest).

Список литературы:

1. Ning, Y.; Liu, W.; Wang, G.L. Balancing Immunity and Yield in Crop Plants. Trends Plant Sci. 2017, 22, 1069–1079. [CrossRef] [PubMed]

2. Singh, A.K.; Ganapathysubramanian, B.; Sarkar, S.; Singh, A. Deep Learning for Plant Stress Phenotyping: Trends and Future Perspectives. Trends Plant Sci. 2018, 23, 883–898. [CrossRef] [PubMed]

3. Qin, J.; Wang, B.; Wu, Y.; Lu, Q.; Zhu, H. Identifying Pine Wood Nematode Disease Using UAV Images and Deep Learning Algorithms. Remote Sens. 2021, 13, 162. [CrossRef]

4. Cui, S.; Ling, P.; Zhu, H.; Keener, H.M. Plant Pest Detection Using an Artificial Nose System: A Review. Sensors 2018, 18, 378. [CrossRef] [PubMed]

5. Martinelli, F.; Scalenghe, R.; Davino, S.; Panno, S.; Scuderi, G.; Ruisi, P.; Villa, P.; Stroppiana, D.; Boschetti, M.; Goulart, L.R.; et al. Advanced methods of plant disease detection. A review. Agron. Sustain. Dev. 2015, 35, 1–25. [CrossRef]

6. Mahlein, A. Present and future trends in plant disease detection. Plant Dis. 2016, 100, 1–11.

7. Ge, Y.; Thomasson, J.A.; Sui, R. Remote sensing of soil properties in precision agriculture: A review. Front. Earth Sci. 2011, 5, 229–238. [CrossRef]

8. Shi, Y.; Thomasson, J.A.; Murray, S.C.; Pugh, N.A.; Rooney, W.L.; Shafian, S.; Rajan, N.; Rouze, G.; Morgan, C.L.S.; Neely, H.L.; et al. Unmanned Aerial Vehicles for High-Throughput Phenotyping and Agronomic Research. PLoS ONE 2016, 11, e0159781. [CrossRef]

9. Herrmann, I.; Bdolach, E.; Montekyo, Y.; Rachmilevitch, S.; Townsend, P.A.; Karnieli, A. Assessment of maize yield and phenology by drone-mounted superspectral camera. Precis. Agric. 2020, 21, 51–76. [CrossRef]

10. Bauriegel, E.; Herppich, W.B. Hyperspectral and chlorophyll fluorescence imaging for early detection of plant diseases, with special reference to Fusarium spec. infections on wheat. Agriculture 2014, 4, 32–57. [CrossRef]

11. Kuska, M.; Wahabzada, M.; Leucker, M.; Dehne, H.-W.; Kersting, K.; Oerke, E.-C.; Steiner, U.; Mahlein, A.-K. Hyperspectral phenotyping on the microscopic scale: Towards automated characterization of plant-pathogen interactions. Plant Methods 2015, 11, 28. [CrossRef] [PubMed]

12. Zhang, D.; Zhou, X.; Zhang, J.; Lan, Y.; Xu, C.; Liang, D. Detection of rice sheath blight using an unmanned aerial system with high-resolution color and multispectral imaging. PLoS ONE 2018, 13, e0187470. [CrossRef] [PubMed]

13. Sun, Q.; Sun, L.; Shu, M.; Gu, X.; Yang, G.; Zhou, L. Monitoring Maize Lodging Grades via Unmanned Aerial Vehicle Multispectral Image. Plant Phenomics 2019, 2019, 5704154. [CrossRef]

14. Khot, L.R.; Sankaran, S.; Carter, A.H.; Johnson, D.A.; Cummings, T.F. UAS imaging-based decision tools for arid winter wheat and irrigated potato production management. Int. J. Remote Sens. 2016, 37, 125–137. [CrossRef]

15. Guo, A.; Huang, W.; Dong, Y.; Ye, H.; Ma, H.; Liu, B.; Wu, W.; Ren, Y.; Ruan, C.; Geng, Y. Wheat Yellow Rust Detection Using UAV-Based Hyperspectral Technology. Remote Sens. 2021, 13, 123. [CrossRef]

16. Sarkar, S.K.; Das, J.; Ehsani, R.; Kumar, V. Towards autonomous phytopathology: Outcomes and challenges of citrus greening disease detection through close-range remote sensing. In Proceedings of the 2016 IEEE International Conference on Robotics and Automation (ICRA), Stockholm, Sweden, 16–21 May 2016; pp. 5143–5148.

17. Castrignanò, A.; Belmonte, A.; Antelmi, I.; Quarto, R.; Quarto, F.; Shaddad, S.; Sion, V.; Muolo, M.R.; Ranieri, N.A.; Gadaleta, G.; et al. Semi-Automatic Method for Early Detection of Xylella fastidiosa in Olive Trees Using UAV Multispectral Imagery and Geostatistical-Discriminant Analysis. Remote Sens. 2020, 13, 14. [CrossRef]

18. Shahi, T.B.; Xu, C.-Y.; Neupane, A.; Guo, W. Recent Advances in Crop Disease Detection Using UAV and Deep Learning Techniques. Remote Sens. 2023, 15, 2450. [CrossRef]

19. Franceschini, M.H.D.; Bartholomeus, H.; van Apeldoorn, D.; Suomalainen, J.; Kooistra, L. Assessing changes in potato canopy caused by late blight in organic production systems through Uav-Based Pushbroom imaging spectrometer. Int. Arch. Photogramm Remote Sens. Spat. Inf. Sci. 2017, XLII-2/W6, 109–112. [CrossRef]

20. Yamamoto, S.; Nomoto, S.; Hashimoto, N.; Maki, M.; Hongo, C.; Shiraiwa, T. Monitoring spatial and time-series variations in red crown rot damage of soybean in farmer fields based on UAV remote sensing. Plant Prod. Sci. 2023, 26, 36–47. [CrossRef]

21. Abdulridha, J.; Ampatzidis, Y.; Kakarla, S.C.; Roberts, P. Detection of target spot and bacterial spot diseases in tomato using UAV-based and benchtop-based hyperspectral imaging techniques. Precis. Agric. 2020, 21, 955–978. [CrossRef]

22. Schmale, I.I.I.D.G.; Ross, S.D. Highways in the sky: Scales of atmospheric transport of plant pathogens. Annu. Rev. Phytopathol. 2015, 53, 591–611. [CrossRef] [PubMed]

23. Tallapragada, P.; Ross, S.D.; Schmale, D.G., III. Lagrangian coherent structures are associated with fluctuations in airborne microbial populations. Chaos Interdiscip. J. Nonlinear Sci. 2011, 21, 033122. [CrossRef]

24. Christiansen, M.P.; Laursen, M.S.; Jørgensen, R.N.; Skovsen, S.; Gislum, R. Designing and testing a UAV mapping system for agricultural field surveying. Sensors 2017, 17, 2703. [CrossRef] [PubMed]

25. Mahlein, A.-K. Plant Disease Detection by Imaging Sensors—Parallels and Specific Demands for Precision Agriculture and Plant Phenotyping. Plant Dis. 2016, 100, 241–251. [CrossRef]

26. Chen, J.-W.; Lau, Y.Y.; Krishnan, T.; Chan, K.-G.; Chang, C.-Y. Recent advances in molecular diagnosis of Pseudomonas aeruginosa infection by State-of-the-Art, Genotyping Techniques. Front. Microbiol. 2018, 9, 1104. [CrossRef]

27. Torres-Sánchez, J.; López-Granados, F.; De Castro, A.I.; Peña-Barragán, J.M. Configuration and specifications of an unmanned aerial vehicle (UAV) for early site specific weed management. PLoS ONE 2013, 8, e58210. [CrossRef] [PubMed]

28. Bleecker, A.B.; Kende, H. Ethylene: A gaseous signal molecule in plants. Annu. Rev. Cell Dev. Biol. 2000, 16, 1–18. [CrossRef]

29. Barbedo, J.G.A. Factors influencing the use of deep learning for plant disease recognition. Biosyst. Eng. 2018, 172, 84–91. [CrossRef]

30. Bendig, J.; Bolten, A.; Bennertz, S.; Broscheit, J.; Eichfuss, S.; Bareth, G. Estimating biomass of barley using crop surface models (CSMs) derived from UAV-based RGB imaging. Remote Sens. 2014, 6, 10395–10412. [CrossRef]

31. Geipel, J.; Link, J.; Claupein, W. Combined spectral and spatial modeling of corn yield based on aerial images and crop surface models acquired with an unmanned aircraft system. Remote Sens. 2014, 6, 10335. [CrossRef]

32. Yang, C.; Westbrook, J.K.; Suh, C.P.-C.; Martin, D.E.; Hoffmann, W.C.; Lan, Y.; Fritz, B.K.; Goolsby, J.A. An airborne multispectral imaging system based on two consumer-grade cameras for agricultural remote sensing. Remote Sens. 2014, 6, 5257–5278. [CrossRef]

33. Rango, A.; Laliberte, A.; Steele, C.; Herrick, J.E.; Bestelmeyer, B.; Schmugge, T.; Roanhorse, A.; Jenkins, V. Using unmanned aerial vehicles for rangelands: Current applications and future potentials. Environ. Pract. 2006, 8, 159–168. [CrossRef]

34. Laliberte, A.S.; Goforth, M.A.; Steele, C.M.; Rango, A. Multispectral remote sensing from unmanned aircraft: Image processing workflows and applications for rangeland environments. Remote Sens. 2011, 3, 2529–2551. [CrossRef]

35. Sandino, J.; Pegg, G.; Gonzalez, F.; Smith, G. Aerial mapping of forests affected by pathogens using UAVs, hyperspectral sensors, and artificial intelligence. Sensors 2018, 18, 944. [CrossRef] [PubMed]

36. Huete, A.R. A soil-adjusted vegetation index (SAVI). Remote Sens. Environ. 1988, 25, 295–309. [CrossRef]

37. Gitelson, A.A.; Kaufman, Y.J.; Merzlyak, M.N. Use of a green channel in remote sensing of global vegetation from EOS-MODIS. Remote Sens. Environ. 1996, 58, 289–298. [CrossRef]

38. Devadas, R.; Lamb, D.; Simpfendorfer, S.; Backhouse, D. Evaluating ten spectral vegetation indices for identifying rust infection in individual wheat leaves. Precis. Agric. 2009, 10, 459–470. [CrossRef]

39. Ampatzidis, Y.; De Bellis, L.; Luvisi, A. iPathology: Robotic applications and management of plants and plant diseases. Sustainability 2017, 9, 1010. [CrossRef]

40. Mirik, M.; Jones, D.; Price, J.; Workneh, F.; Ansley, R.; Rush, C. Satellite remote sensing of wheat infected by wheat streak mosaic virus. Plant Dis. 2011, 95, 4–12. [CrossRef]

41. Li, X.; Lee, W.S.; Li, M.; Ehsani, R.; Mishra, A.R.; Yang, C.; Mangan, R.L. Spectral difference analysis and airborne imaging classification for citrus greening infected trees. Comput. Electron. Agric. 2012, 83, 32–46. [CrossRef]

42. Yang, C.; Odvody, G.N.; Fernandez, C.J.; Landivar, J.A.; Minzenmayer, R.R.; Nichols, R.L. Evaluating unsupervised and supervised image classification methods for mapping cotton root rot. Precis. Agric. 2015, 16, 201–215. [CrossRef]

43. Carter, D.J.; Cary, R.B. Lateral flow microarrays: A novel platform for rapid nucleic acid detection based on miniaturized lateral flow chromatography. Nucleic Acids Res. 2007, 35, e74. [CrossRef] [PubMed]

44. Baldwin, I.T.; Halitschke, R.; Paschold, A.; Von Dahl, C.C.; Preston, C.A. Volatile signaling in plant-plant interactions: “Talking trees” in the genomics era. Science 2006, 311, 812–815. [CrossRef] [PubMed]

45. De Jong, S.M.; Van der Meer, F.D.; Clevers, J.G. Basics of remote sensing. In Remote Sensing Image Analysis: Including the Spatial Domain; Springer: Berlin/Heidelberg, Germany, 2004; pp. 1–15.

46. Goulart, L.R.; Vieira, C.U.; Freschi, A.P.P.; Capparelli, F.E.; Fujimura, P.T.; Almeida, J.F.; Ferreira, L.F.; Goulart, I.M.; Brito-Madurro, A.G.; Madurro, J.M. Biomarkers for serum diagnosis of infectious diseases and their potential application in novel sensor platforms. Crit. Rev. Immunol. 2010, 30, 201–222. [CrossRef] [PubMed]

47. Ellington, A.D.; Szostak, J.W. In vitro selection of RNA molecules that bind specific ligands. Nature 1990, 346, 818–822. [CrossRef] [PubMed]

48. Ahmed, M.U.; Hossain, M.M.; Tamiya, E. Electrochemical biosensors for medical and food applications. Electroanal. Int. J. Devoted Fundam. Pract. Asp. Electroanal. 2008, 20, 616–626. [CrossRef]

49. Degefu, Y.; Somervuo, P.; Aittamaa, M.; Virtanen, E.; Valkonen, J.P.T. Evaluation of a diagnostic microarray for the detection of major bacterial pathogens of potato from tuber samples. EPPO Bull. 2016, 46, 103–111. [CrossRef]

50. Luppa, P.B.; Sokoll, L.J.; Chan, D.W. Immunosensors—Principles and applications to clinical chemistry. Clin. Chim. Acta 2001, 314, 1–26. [CrossRef]

51. Apostol, S.; Viau, A.A.; Tremblay, N.; Briantais, J.-M.; Prasher, S.; Parent, L.-E.; Moya, I. Laser-induced fluorescence signatures as a tool for remote monitoring of water and nitrogen stresses in plants. Can. J. Remote Sens. 2003, 29, 57–65. [CrossRef]

52. Cohen, Y.; Alchanatis, V.; Meron, M.; Saranga, Y.; Tsipris, J. Estimation of leaf water potential by thermal imagery and spatial analysis. J. Exp. Bot. 2005, 56, 1843–1852. [CrossRef]

53. Meroni, M.; Rossini, M.; Colombo, R. Characterization of leaf physiology using reflectance and fluorescence hyperspectral measurements. In Optical Observation of Vegetation Properties and Characteristics; Research Signpost: Trivandrum, India, 2010; pp. 165–187.

54. Witten, I.H.; Frank, E. Data mining: Practical machine learning tools and techniques with Java implementations. ACM Sigmod Rec. 2002, 31, 76–77. [CrossRef]

55. Khanal, S.; Fulton, J.; Shearer, S. An overview of current and potential applications of thermal remote sensing in precision agriculture. Comput. Electron. Agric. 2017, 139, 22–32. [CrossRef]

56. Al-Saddik, H.; Laybros, A.; Simon, J.-C.; Cointault, F. Protocol for the Definition of a Multi-Spectral Sensor for Specific Foliar Disease Detection: Case of “Flavescence Dorée”. In Phytoplasmas; Springer: New York, NY, USA, 2019; pp. 213–238.

57. Seelan, S.K.; Laguette, S.; Casady, G.M.; Seielstad, G.A. Remote sensing applications for precision agriculture: A learning community approach. Remote Sens. Environ. 2003, 88, 157–169. [CrossRef]

58. Dunning, H. Drones That Detect Early Plant Disease Could Save Crops; Imperial College London: London, UK, 2017; pp. 1–3.

59. Bah, M.D.; Hafiane, A.; Canals, R. Deep learning with unsupervised data labeling for weed detection in line crops in UAV images. Remote Sens. 2018, 10, 1690. [CrossRef]

60. Yamamoto, K.; Togami, T.; Yamaguchi, N. Super-resolution of plant disease images for the acceleration of image-based phenotyp- ing and vigor diagnosis in agriculture. Sensors 2017, 17, 2557. [CrossRef] [PubMed]

61. Sugiura, R.; Tsuda, S.; Tamiya, S.; Itoh, A.; Nishiwaki, K.; Murakami, N.; Shibuya, Y.; Hirafuji, M.; Nuske, S. Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle. Biosyst. Eng. 2016, 148, 1–10. [CrossRef]

62. Sugiura, R.; Tsuda, S.; Tsuji, H.; Murakami, N. Virus-Infected Plant Detection in Potato Seed Production Field by UAV Imagery; American Society of Agricultural and Biological Engineers: St. Joseph, MI, USA, 2018; p. 1.

63. Pande, C.B.; Moharir, K.N. Application of hyperspectral remote sensing role in precision farming and sustainable agriculture under climate change: A review. In Climate Change Impacts on Natural Resources, Ecosystems and Agricultural Systems; Springer: Berlin/Heidelberg, Germany, 2023; pp. 503–520.

64. Joalland, S.; Screpanti, C.; Varella, H.V.; Reuther, M.; Schwind, M.; Lang, C.; Walter, A.; Liebisch, F. Aerial and ground based sensing of tolerance to beet cyst nematode in sugar beet. Remote Sens. 2018, 10, 787. [CrossRef]

65. Dang, L.M.; Hassan, S.I.; Suhyeon, I.; kumar Sangaiah, A.; Mehmood, I.; Rho, S.; Seo, S.; Moon, H. UAV based wilt detection system via convolutional neural networks. Sustain. Comput. Inform. Syst. 2018, 28, 100250. [CrossRef]

66. Dash, J.P.; Watt, M.S.; Pearse, G.D.; Heaphy, M.; Dungey, H.S. Assessing very high resolution UAV imagery for monitoring forest health during a simulated disease outbreak. ISPRS J. Photogramm. Remote Sens. 2017, 131, 1–14. [CrossRef]

67. Smigaj, M.; Gaulton, R.; Barr, S.; Suárez, J. UAV-borne thermal imaging for forest health monitoring: Detection of disease-induced canopy temperature increase. Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2015, 40, 349. [CrossRef]

68. Techy, L.; Schmale, D.G., III; Woolsey, C.A. Coordinated aerobiological sampling of a plant pathogen in the lower atmosphere using two autonomous unmanned aerial vehicles. J. Field Robot. 2010, 27, 335–343. [CrossRef]

69. Santesteban, L.; Di Gennaro, S.; Herrero-Langreo, A.; Miranda, C.; Royo, J.; Matese, A. High-resolution UAV-based thermal imaging to estimate the instantaneous and seasonal variability of plant water status within a vineyard. Agric. Water Manag. 2017, 183, 49–59. [CrossRef]

70. Albetis, J.; Jacquin, A.; Goulard, M.; Poilvé, H.; Rousseau, J.; Clenet, H.; Dedieu, G.; Duthoit, S. On the potentiality of UAV multispectral imagery to detect Flavescence dorée and Grapevine Trunk Diseases. Remote Sens. 2019, 11, 23. [CrossRef]

71. Albetis, J.; Duthoit, S.; Guttler, F.; Jacquin, A.; Goulard, M.; Poilvé, H.; Féret, J.-B.; Dedieu, G. Detection of Flavescence dorée grapevine disease using unmanned aerial vehicle (UAV) multispectral imagery. Remote Sens. 2017, 9, 308. [CrossRef]

72. Franceschini, M.H.D.; Bartholomeus, H.; Van Apeldoorn, D.F.; Suomalainen, J.; Kooistra, L. Feasibility of unmanned aerial vehicle optical imagery for early detection and severity assessment of late blight in potato. Remote Sens. 2019, 11, 224. [CrossRef]

73. Di Gennaro, S.F.; Battiston, E.; Di Marco, S.; Facini, O.; Matese, A.; Nocentini, M.; Palliotti, A.; Mugnai, L. Unmanned Aerial Vehicle (UAV)-based remote sensing to monitor grapevine leaf stripe disease within a vineyard affected by esca complex. Phytopathol. Mediterr. 2016, 55, 262–275.

74. Calderón, R.; Montes-Borrego, M.; Landa, B.; Navas-Cortés, J.; Zarco-Tejada, P. Detection of downy mildew of opium poppy using high-resolution multi-spectral and thermal imagery acquired with an unmanned aerial vehicle. Precis. Agric. 2014, 15, 639–661. [CrossRef]

75. de Souza, C.H.W.; Lamparelli, R.A.C.; Rocha, J.V.; Magalhães, P.S.G. Mapping skips in sugarcane fields using object-based analysis of unmanned aerial vehicle (UAV) images. Comput. Electron. Agric. 2017, 143, 49–56. [CrossRef]

76. Vanegas, F.; Bratanov, D.; Weiss, J.; Powell, K.; Gonzalez, F. Multi and hyperspectral UAV remote sensing: Grapevine phylloxera detection in vineyards. In Proceedings of the 2018 IEEE Aerospace Conference, Big Sky, MT, USA, 3–10 March 2018; pp. 1–9.

77. Tetila, E.C.; Machado, B.B.; de Souza Belete, N.A.; Guimarães, D.A.; Pistori, H. Identification of soybean foliar diseases using unmanned aerial vehicle images. IEEE Geosci. Remote Sens. Lett. 2017, 14, 2190–2194. [CrossRef]

78. Garcia-Ruiz, F.; Sankaran, S.; Maja, J.M.; Lee, W.S.; Rasmussen, J.; Ehsani, R. Comparison of two aerial imaging platforms for identification of Huanglongbing-infected citrus trees. Comput. Electron. Agric. 2013, 91, 106–115. [CrossRef]

79. Patrick, A.; Pelham, S.; Culbreath, A.; Holbrook, C.C.; De Godoy, I.J.; Li, C. High throughput phenotyping of tomato spot wilt disease in peanuts using unmanned aerial systems and multispectral imaging. IEEE Instrum. Meas. Mag. 2017, 20, 4–12. [CrossRef]

80. Aylor, D.E.; Schmale, I.I.I.D.G.; Shields, E.J.; Newcomb, M.; Nappo, C.J. Tracking the potato late blight pathogen in the atmosphere using unmanned aerial vehicles and Lagrangian modeling. Agric. For. Meteorol. 2011, 151, 251–260. [CrossRef]

81. Zhang, T.; Xu, Z.; Su, J.; Yang, Z.; Liu, C.; Chen, W.-H.; Li, J. Ir-unet: Irregular segmentation u-shape network for wheat yellow rust detection by UAV multispectral imagery. Remote Sens. 2021, 13, 3892. [CrossRef]

82. Su, J.; Yi, D.; Su, B.; Mi, Z.; Liu, C.; Hu, X.; Xu, X.; Guo, L.; Chen, W.-H. Aerial visual perception in smart farming: Field study of wheat yellow rust monitoring. IEEE Trans. Ind. Inform. 2020, 17, 2242–2249. [CrossRef]

83. Liu, L.; Dong, Y.; Huang, W.; Du, X.; Ma, H. Monitoring wheat fusarium head blight using unmanned aerial vehicle hyperspectral imagery. Remote Sens. 2020, 12, 3811. [CrossRef]

84. Huang, H.; Deng, J.; Lan, Y.; Yang, A.; Zhang, L.; Wen, S.; Zhang, H.; Deng, Y. Detection of helminthosporium leaf blotch disease based on UAV imagery. Appl. Sci. 2019, 9, 558. [CrossRef]

85. Kerkech, M.; Hafiane, A.; Canals, R. Vine disease detection in UAV multispectral images using optimized image registration and deep learning segmentation approach. Comput. Electron. Agric. 2020, 174, 105446. [CrossRef]

86. Stewart, E.L.; Wiesner-Hanks, T.; Kaczmar, N.; DeChant, C.; Wu, H.; Lipson, H.; Nelson, R.J.; Gore, M.A. Quantitative phenotyping of Northern Leaf Blight in UAV images using deep learning. Remote Sens. 2019, 11, 2209. [CrossRef]

87. Wiesner-Hanks, T.; Stewart, E.L.; Kaczmar, N.; DeChant, C.; Wu, H.; Nelson, R.J.; Lipson, H.; Gore, M.A. Image set for deep learning: Field images of maize annotated with disease symptoms. BMC Res. Notes 2018, 11, 440. [CrossRef]

88. Wu, B.; Liang, A.; Zhang, H.; Zhu, T.; Zou, Z.; Yang, D.; Tang, W.; Li, J.; Su, J. Application of conventional UAV-based high- throughput object detection to the early diagnosis of pine wilt disease by deep learning. For. Ecol. Manag. 2021, 486, 118986. [CrossRef]

89. Hu, G.; Zhu, Y.; Wan, M.; Bao, W.; Zhang, Y.; Liang, D.; Yin, C. Detection of diseased pine trees in unmanned aerial vehicle images by using deep convolutional neural networks. Geocarto Int. 2022, 37, 3520–3539. [CrossRef]