Аннет Пфордт

· Штефан Паулюс

Кукуруза (Zea mays) — одна из важнейших зерновых культур в мире, обеспечивающая продовольствием, кормами и топливом людей и животных. Однако производство кукурузы часто сталкивается с различными стрессовыми факторами, которые могут серьезно повлиять на урожайность и качество. Раннее выявление и идентификация имеют решающее значение для своевременного и эффективного применения мер борьбы, позволяющих снизить их воздействие. Поэтому крайне важно создать эффективные стратегии мониторинга болезней и вредителей для обеспечения устойчивого производства кукурузы и сохранения продовольственной безопасности. Традиционные методы обнаружения, основанные на визуальной оценке экспертами-людьми, трудоемки, требуют больших затрат труда и субъективны. Появление сенсоров формирования изображений, технологий компьютерного зрения и высокопроизводительных платформ произвело революцию в обнаружении и дифференциации болезней сельскохозяйственных культур, предложив неинвазивный и быстрый подход. В данной публикации мы представляем обзор сенсоров формирования изображений для обнаружения и дифференциации симптомов на кукурузе, вызванных болезнями и вредителями. Основные преимущества и ограничения каждого типа сенсора, а также их применение и примеры использования для обнаружения болезней кукурузы представлены и обсуждаются. Освещены последние достижения в области видимой, ближней инфракрасной и гиперспектральной визуализации для обнаружения болезней кукурузы, обсуждается важность различных сенсоров. Цель состоит в том, чтобы предоставить всесторонний обзор современного состояния этой области, подчеркнуть потенциал сенсоров формирования изображений для улучшения производства кукурузы и определить будущие направления исследований в этой области.

Кукуруза (Zea mays L.) — одна из важнейших культур для потребления человеком и кормления животных во всем мире, выращиваемая на площади приблизительно 194 миллиона гектаров (FAOSTAT 2019). Расширение возделывания кукурузы в севооборотах с пшеницей в сочетании с повышением температур и усилением засух сделало ее уязвимой для целого ряда биотических стрессов (Daszak et al. 2001; Juroszek and Tiedemann 2013). Биотическими стрессами, имеющими экономическое значение для кукурузы, являются грибные и вирусные болезни, а также насекомые-вредители, которые вызывают значительные потери урожая и могут повлиять на продовольственную безопасность. Симптомы болезней кукурузы могут проявляться на разных частях растения, включая листья, стебли и початки, вызывая поражения, пятнистости, обесцвечивание, увядание, остановку роста и деформации. Для предотвращения заражения и распространения болезни точная и ранняя диагностика болезней кукурузы имеет решающее значение для эффективного управления болезнями (Gebbers and Adamchuk 2010). Было разработано множество методов обнаружения и диагностики болезней кукурузы, включая визуальный осмотр, молекулярные методы и сенсоры формирования изображений (Loey et al. 2020; Zhang et al. 2019).

Традиционные методы обнаружения и мониторинга болезней экспертами-людьми широко используются фермерами, службами защиты растений и селекционными станциями, но они трудоемки, субъективны и обычно демонстрируют измеримую человеческую ошибку (Bock et al. 2008). Поэтому цифровое обнаружение болезней может стать ключевым дополнением для быстрого, неразрушающего и высокопроизводительного обнаружения болезней листьев на крупном масштабе. Сенсоры формирования изображений, такие как RGB-камеры (красный, зеленый, синий), гиперспектральные и мультиспектральные сенсоры, стали мощными инструментами (Mahlein 2016; Behmann et al. 2015). Эти сенсоры могут фиксировать спектральную и пространственную информацию о растениях, предоставляя уникальное понимание физиологических и биохимических изменений, вызванных биотическим стрессом. Различные типы сенсоров формирования изображений могут обнаруживать разные реакции растений и симптомы болезней, такие как обесцвечивание, хлоротичные поражения, изменения в отражательной способности и флуоресценции листьев, еще до того, как симптомы станут заметны глазу (Oerke 2020). Каждый сенсор формирования изображений предлагает уникальные преимущества, что делает их подходящими для различных применений и сценариев обнаружения болезней в разных масштабах. Это включает использование технологий дистанционного зондирования (RS), таких как спутниковые снимки и дроны, для сбора данных о состоянии здоровья посевов. Они могут быстро сканировать большие площади и предоставлять данные в реальном времени, обеспечивая более быстрое и эффективное обнаружение болезней и реагирование на них. Это позволяет проводить раннюю интерпретацию текущего распространения болезней, улучшает понимание закономерностей и динамики болезней и помогает разрабатывать более эффективные стратегии управления болезнями (Neupane and Baysal-Gurel 2021; Mahlein et al. 2012a). Кроме того, несколько исследований продемонстрировали потенциал сенсоров формирования изображений для обнаружения болезней на ранних стадиях инфекции (Zhang et al. 2018; Priyadharshini et al. 2019).

RGB-изображения могут обеспечить быструю и надежную оценку здоровья растений, обнаруживая видимые симптомы болезней, такие как хлороз и некроз листьев растений (Gao et al. 2020). Они недороги и просты в использовании, что делает их доступными для мелких фермеров. Однако RGB-сенсоры ограничены в своей способности обнаруживать тонкие изменения в физиологии растений и не предоставляют количественной информации о тяжести заболевания (Barbedo 2018a; Mahlein 2016). Идентификация болезней осуществляется путем анализа изображений растений с использованием методов машинного обучения (ML). Процесс ML включает предварительную обработку, сегментацию и извлечение признаков, при этом классификация является заключительным этапом. Для достижения высокопроизводительных систем классификации требуется улучшение изображений исходных данных и использование соответствующих методов на каждом этапе (Setiawan et al. 2022). В то время как ML описывает алгоритмы для классификации и регрессии, основанные на обучающих и тестовых данных, глубокое обучение (DL) описывает аналогичную систему, которая учитывает трансферное обучение с использованием предварительно обученных сетевых подходов, где добавляется специфическое обучение.

Мультиспектральные сенсоры формирования изображений фиксируют изображения в нескольких спектральных диапазонах, обеспечивая более полное представление о здоровье растений, чем RGB-сенсоры. Эти сенсоры могут обнаруживать симптомы болезней на ранней стадии, такие как изменения содержания хлорофилла и водный стресс, которые не видны невооруженным глазом (Grieve et al. 2015). Гиперспектральные сенсоры (HSI) формируют изображения в узких спектральных диапазонах почти непрерывно, предоставляя детальную спектральную сигнатуру листьев растений (Kuska et al. 2015). Эти сенсоры могут обнаруживать тонкие изменения в физиологии растений, вызванные болезнью, такие как изменения в пигментах, белках и содержании воды (Mahlein et al. 2012b). Следовательно, сенсоры формирования изображений используются в пищевой промышленности в качестве альтернативных методов обнаружения и количественного определения для замены дорогостоящего лабораторного оборудования и персонала. Традиционное обнаружение и количественное определение заражения фузариозом и микотоксинами в зерновых включает различные методы, такие как иммуноферментный анализ (ELISA) и высокоэффективная жидкостная хроматография (HPLC). Эти методы дают количественные результаты с преимуществом высокой чувствительности и специфичности, но часто являются трудоемкими и требующими много времени и дорогостоящего оборудования (Bowers et al. 2014; Pleadin et al. 2012). Гиперспектральные и мультиспектральные сенсоры также могут предоставлять количественную информацию о здоровье растений, обеспечивая точную оценку. Однако спектральные сенсоры дороже RGB-сенсоров, требуют специализированного оборудования для обработки и анализа данных и генерируют большие объемы данных (Terentev et al. 2022). Кроме того, на сенсоры формирования изображений могут влиять многие экологические факторы и условия съемки. Многие болезни растений имеют сложные симптомы, которые может быть трудно обнаружить и дифференцировать от других болезней, а также от других факторов, влияющих на здоровье растений, таких как дефицит питательных веществ или абиотические повреждения (Saleem et al. 2019; Mohanty et al. 2016).

Тем не менее, цифровые сенсоры формирования изображений продемонстрировали большой потенциал для фундаментального и высокопроизводительного анализа и количественной оценки распространенности и тяжести заболеваний (Barreto et al. 2021; Kuska et al. 2022). Они становятся важным инструментом для неинвазивного и быстрого обнаружения, идентификации и количественной оценки болезней растений, включая те, которые поражают кукурузу. В этом обзоре представлен всесторонний обзор обнаружения и дифференциации болезней кукурузы с использованием сенсоров формирования изображений, обсуждаются основные преимущества и ограничения каждого типа сенсора, а также их применение и примеры использования для обнаружения болезней кукурузы.

Болезни растений могут вызываться различными инфекционными агентами, вызывая различные симптомы на листьях, стеблях, початках или корнях растений (Рис. 1). Они могут варьироваться по степени тяжести от легкого некроза листьев или повреждения початков до гибели всего растения. Хозяин-специфичные патогены по-разному влияют на своих хозяев, что приводит к целому ряду симптомов повреждения. Наиболее важные болезни кукурузы группируются на грибные, бактериальные и вирусные, а также на насекомых-вредителей, при этом бактериальные болезни играют второстепенную роль (Lütke Entrup et al. 2013; Munkvold and White 2016). Патогены и вредители вызывают множество различных симптомов повреждения растений кукурузы, которые образуют основу для обнаружения и мониторинга с помощью дистанционного зондирования (Oerke et al. 2014).

Болезни листьев кукурузы, вызываемые грибными патогенами, часто проявляются в виде серых или коричневых некротических и хлоротичных поражений или пятен с обесцвечиванием вокруг места заражения. Кроме того, некоторые грибы продуцируют характерные споровые отложения и пустулы на более поздних стадиях инфекции. Поражения и пустулы имеют тенденцию различаться по цвету и форме в зависимости от болезни, что может быть использовано для дифференциации и идентификации болезней (Zhang et al. 2019). Особенно сходные симптомы на ранних стадиях инфекции затрудняют различение различных листовых болезней даже для экспертов. Это означает, что не все болезни растений и повреждения вредителями подходят для дистанционного зондирования, так как некоторые из них не имеют идентифицируемых характеристик (Zhang et al. 2019). Грибная инфекция початка кукурузы происходит во время цветения через заражение канала рыльцевых нитей, чему может способствовать физическое повреждение насекомыми. Инфекция часто возникает на верхушках початков и распространяется внутри зерен, в конечном итоге колонизируя весь початок. На более поздних стадиях инфекции образуется мицелий и характерные споры, которые видны на зернах и снаружи кроющих листьев (Munkvold 2003; Pfordt et al. 2020). В отличие от листовых болезней, кроющие листья закрывают початок, что затрудняет обнаружение или идентификацию болезни до сбора урожая. На сегодняшний день не существует методов цифровой визуализации, которые могли бы обнаружить болезни внутри початка в течение вегетационного периода, когда початок закрыт кроющими листьями. Однако дистанционное зондирование, особенно HSI, может быть полезным инструментом для неразрушающего обнаружения грибной контаминации и обнаружения микотоксинов, чтобы ограничить присутствие загрязненных материалов в пищевой цепи (Smeesters et al. 2016; Stasiewicz et al. 2017). Симптомы вирусных болезней кукурузы в основном характеризуются некрозом, обесцвечиванием, остановкой роста или карликовостью и деформациями (Zhang et al. 2020). Вирусные болезни в основном передаются насекомыми, которые питаются листьями и передают вирус растению. Ранние симптомы появляются в месте заражения, в то время как вирус системно транспортируется по флоэме растения, влияя на рост растений и развитие початков (Drews et al. 2004). Обесцвечивание и изменения цвета из-за разрушения пигментных систем являются полезным индикатором для дистанционного зондирования, чтобы различать здоровые и зараженные вирусом растения (Mahlein et al. 2013). Физиологические изменения, вызванные заражением патогенами и атакой вредителей, могут привести к разрушению хлоропластов или других органелл, что приводит к изменениям содержания хлорофилла, каротиноидов и антоцианов. Например, вирус карликовой мозаики кукурузы изначально вызывает полосчатость и хлоротичные пятна на листьях, что приводит к увеличению содержания антоцианов на ранних стадиях (Kannan et al. 2018). Впоследствии зараженные растения не могут эффективно использовать свет, что приводит к снижению биомассы, задержке роста и даже розетковидным деформациям на верхушках. Эти изменения могут быть обнаружены с помощью гиперспектральных наблюдений RS (Luo et al. 2021).

В целом, растение может подвергаться нашествию нескольких классов насекомых, которые вызывают различные повреждения на разных частях растения. Сосущие насекомые ослабляют растение, высасывая сок, они служат переносчиками вирусов растений, а медвяная роса часто приводит к вторичной колонизации сажистыми грибами. В результате их сосущей активности растения увядают из-за потери воды и питательных веществ, семенные оболочки и семяпочки отмирают, листья скручиваются и становятся карликовыми. Насекомые с режущими или грызущими ротовыми частями повреждают растение в первую очередь, питаясь побегами или корнями, и, во вторую очередь, способствуя заражению грибными болезнями. Пищевая активность приводит к снижению биомассы и урожайности, повреждению плодов, потере устойчивости и повреждению сосудистой системы, что приводит к увяданию и обезвоживанию всего растения. Дистанционное зондирование вредителей может использоваться для обнаружения повреждений от заражения на основе физиологических реакций и структурных изменений или для обнаружения и идентификации самого насекомого в поле. Снижение биомассы и уменьшение индекса площади листьев (LAI) являются типичными симптомами разрушения, которые обычно возникают при некоторых атаках вредителей и образуют основу для обнаружения на основе изображений (Zhang et al. 2016). Однако этим повреждениям не хватает спектральной специфичности, что всегда вызывает проблему высокой неопределенности в отношении причинного агента.

Бактериальные болезни можно сгруппировать в четыре широкие категории на основе их симптомов и тяжести, такие как сосудистое увядание, некроз, мягкая гниль и образование опухолей (Agrios 2005). Важно отметить, что болезни растений могут быть вызваны множеством факторов, и разные патогены могут приводить к сходным симптомам. Однако бактерии как причинный агент болезней кукурузы имеют лишь второстепенное значение.

Для достижения точных результатов с помощью сенсоров формирования изображений необходимо регулярно контролировать растения и наблюдать за изменениями симптомов или признаков заражения на разных стадиях развития. Это может включать мониторинг растений через регулярные промежутки времени и наблюдение за изменениями симптомов или признаков заражения (Oerke et al. 2014). Следовательно, эффективное обнаружение и дифференциация болезней с помощью сенсоров формирования изображений должны позволять идентифицировать и различать различные типы симптомов, которые взаимодействуют друг с другом и проявляются с разным уровнем тяжести в течение вегетационного периода (Barbedo 2018; Barbedo et al. 2016).

Для обнаружения болезней растений используется несколько типов сенсоров формирования изображений, включая RGB-камеры, а также тепловые, гиперспектральные и мультиспектральные сенсоры. За прошедшие годы цифровые камеры утвердились как новый инструмент для документирования, а интеграция сенсоров, машинного обучения и новых технологий для научно обоснованного фенотипирования растений и защиты растений достигла огромного прогресса (Kuska et al. 2022).

RGB-камеры или стандартные цифровые камеры, которые могут фиксировать цветные изображения в видимом для человека спектре, используя комбинацию красного, зеленого и синего цветовых каналов. Они широко используются в различных приложениях на научной основе для обнаружения болезней в сельском хозяйстве (Kolhar and Jagtap 2023). Они могут использоваться для получения геометрической информации и визуализации изменений внешнего вида полога растений или изменений цвета из-за реакции растений на абиотический или биотический стресс (Gao et al. 2020). Эти изображения можно использовать для получения видимых симптомов болезней растений, таких как обесцвечивание, увядание или некроз, которые могут указывать на заражение болезнью. Для дальнейшего распознавания и классификации объектов на RGB-изображениях используются различные приложения компьютерного зрения и машинного обучения. В течение последнего десятилетия доминирующими инструментами для анализа изображений являются различные подходы на основе сверточных нейронных сетей (CNN). Эти подходы используют полное RGB-изображение в качестве входных данных для применения модели, которая может быть адаптирована к различным сценариям применения: от сегментации (Jiang and Li 2020), растений (Barreto et al. 2021) и обнаружения стресса (Ispizua Yamati et al. 2022). Это приводит к созданию высокоточных и геопривязанных полевых карт путем объединения множества отдельных изображений в одну большую карту. Современные RGB-сенсоры обеспечивают высокое разрешение изображения, короткое время экспозиции и могут быть интегрированы в полевые устройства (Burnette et al. 2018), роботизированные системы (Atefi et al. 2021) или летающие платформы (Barreto et al. 2021). Поскольку эти камеры используют спектр, видимый для человека (380–750 нм), можно отслеживать только проявляющиеся симптомы или реакции растений на инфекции. Раннее обнаружение болезней без видимых симптомов в невидимой области света невозможно.

В отличие от RGB-камер, спектральные сенсоры расширяют измеряемый спектр за счет интеграции дополнительных сенсорных фильтров, которые позволяют проводить измерения в диапазоне красного края (700–750 нм) и во всем ближнем инфракрасном (NIR, 750–1000 нм) диапазоне (Рис. 2). Мультиспектральные и гиперспектральные сенсоры регистрируют отражение света на нескольких длинах волн, что может быть связано с информацией о химических и физических свойствах растений (Kolhar and Jagtap 2023). Переходя к более специфической аппаратной архитектуре, гиперспектральные устройства позволяют измерять несколько сотен спектральных диапазонов. Получаемые данные представляют собой спектральный куб с двумя пространственными осями и одной спектральной осью (см. Рис. 2). Каждый пиксель представляет собой конкретный спектр отражения растения. Однако мультиспектральные сенсоры также регистрируют отражение, но на меньшем количестве длин волн, чем гиперспектральные сенсоры (Paulus and Mahlein 2020).

Поскольку растения демонстрируют гораздо более высокое отражение в NIR-диапазоне, чем в видимом диапазоне, небольшие изменения в состоянии здоровья растений могут быть измерены. Изменения физиологических характеристик вызваны изменением биохимического состава как во внутренней, так и во внешней структуре листьев (Sibiya et al. 2011; Goncalves et al. 2013). Следовательно, спектральное отражение ткани кукурузы будет соответствующим образом меняться в соответствующих частях электромагнитного спектра. Это может быть использовано для построения модели машинного обучения для обнаружения (Adam et al. 2017).

Основные области применения HSI-камер в науке о растениях включают обнаружение биотического и абиотического стресса. Поскольку пространственное разрешение намного ниже, чем у RGB-камер, и процесс получения изображений технологически требует времени, эти камеры (по причинам). Последнее называется гиперспектральным кубом с двумя пространственными и одной спектральной осями. В то время как RGB и мультиспектральные камеры основаны на 2D-фильтре, гиперспектральным камерам требуется сложная оптика и дифракционные решетки для разделения длин волн и измерений, они не очень хорошо подходят для использования на движущихся платформах. Их преимуществом является получение изображений в ближнем инфракрасном (VisNir 380–1000 нм) или коротковолновом инфракрасном (SWIR, 1000–2500 нм) диапазонах спектра света.

Спектральные вегетационные индексы (SVI) и, в частности, нормализованный разностный вегетационный индекс (NDVI) являются одними из первых аналитических продуктов в дистанционном зондировании, которые используются для упрощения сложности мультиспектральных изображений (Huang et al. 2021). Снижение стоимости и веса мультиспектральных сенсоров означает, что они могут быть установлены на спутниках, самолетах и беспилотных летательных аппаратах (БПЛА). SVI используют несколько выбранных длин волн, связанных с химическим или физическим свойством интереса. Они используются для выделения определенного спектрального свойства, такого как присутствие хлорофилла или наличие болезни растений (Mahlein et al. 2013). Лежащие в основе формулы довольно просты и эффективны для количественной и качественной оценки растительного покрова, жизнеспособности и динамики роста (Xue and Su 2017). В реальных приложениях SVI обычно адаптированы к конкретным требованиям приложения в сочетании с соответствующими инструментами и методологиями валидации. Одной из важных ролей является использование SVI для сегментации изображений растений и порога на основе вегетационного индекса для сегментации переднего/фонового плана (Paulus and Mahlein 2020). Обычно проверяют доступные SVI, чтобы получить лучший SVI для этапа сегментации (Barreto et al. 2020).

Поскольку каждый SVI имеет преимущества и ограничения, использование SVI может быть адаптировано к конкретным приложениям, используемым приборам и платформам. С развитием гиперспектральных и мультиспектральных технологий дистанционного зондирования могут быть разработаны новые SVI, которые расширят области исследований (Xue and Su 2017).

В следующем разделе мы представляем сводку методов цифрового обнаружения болезней кукурузы, разделенных на две группы: болезни листьев и початков, а также насекомые-вредители. Обзор литературы начинается с методов RGB и переходит к наземным, БПЛА-базированным и спутниковым методам. Затем следует рассмотрение методов мультиспектральных и гиперспектральных сенсоров.

Грибные болезни листьев продолжают оставаться проблемой для растениеводства, не только снижая урожайность, но и снижая пищевую ценность (Lütke Entrup et al. 2013). Некоторые из наиболее распространенных и важных листовых болезней вызываются грибными патогенами, а именно северным гельминтоспориозом листьев кукурузы (вызывается Setosphaeria turcica), южным гельминтоспориозом листьев кукурузы (вызывается Bipolaris maydis), обычной и южной ржавчиной (вызывается Puccinia sorghi, P. polysora), серой листовой пятнистостью (вызывается Cercospora zeae-maydis) и феосфериозной листовой пятнистостью (вызывается Phaeosphaeria maydis) (Рис. 3). Однако также известно, что вирусы вызывают снижение урожайности и биомассы, а именно вирус карликовой мозаики кукурузы и вирус полосчатой мозаики кукурузы, вызывая обесцвечивание и остановку роста всего растения (Munkvold and White 2016).

Северный гельминтоспориоз листьев (NCLB), также называемый турцикумным гельминтоспориозом, вызывается аскомицетным грибом Setosphaeria turcica (телеоморфа), также известным как Exserohilum turcicum (анаморфа). NCLB может иметь значительное экономическое воздействие на производство кукурузы, особенно в районах с высоким прессингом болезни. Потери урожая от 25 до 90% сообщались в США, южной Африке и Индии за последние годы (Vivek et al. 2010; Wanasoike and Mabagala 2017). NCLB вызывает сигарообразные поражения на листьях, которые в конечном итоге становятся коричневыми и вызывают преждевременную гибель пораженной ткани (Рис. 3A) (DeChant et al. 2017; Rossi et al. 2022). Отчетливые и крупные поражения, вызываемые NCLB, делают его идеальной мишенью для точного мониторинга на основе изображений. Однако на ранней стадии NCLB нелегко обнаружить и отличить от болезней со сходными симптомами, таких как увядание Стюарта или антракнозная листовая пятнистость (Wiesner-Hanks et al. 2018; Sun et al. 2020).

DeChant и соавт. (2017) реализовали автоматическую идентификацию растений кукурузы, зараженных северным гельминтоспориозом, используя подход глубокого обучения на основе RGB-изображений, достигнув точности 96,7% и оценив определенные уровни заболеваемости (DeChant et al. 2017). Используя ручные, штанговые или БПЛА-базированные измерения, Sun и соавт. (2020) реализовали модель, которая работает со сложным фоном. Wu и соавт. (2019) продемонстрировали подход на базе БПЛА, достигнув точности 95% с использованием CNN, и смогли количественно оценить повреждения на уровне растений. CNN оказались хорошо адаптированы для анализа и количественной оценки NCLB на основе изображений (Stewart et al. 2019). В попытке отличить NCLB от других основных листовых болезней кукурузы Pan и соавт. (2022) использовали различные модели глубокого обучения для диагностики. Они достигли отличной точности 99,94% при диагностике NCLB с помощью предварительно обученной CNN. Этот метод позволил точно предсказывать изображения NCLB и отличать их от других болезней со сходными симптомами, таких как южный гельминтоспориоз листьев, серая листовая пятнистость, ржавчина кукурузы и кольцевая листовая пятнистость (Pan et al. 2022).

Одной из основных проблем при обнаружении NCLB является дифференциация между симптомами успешной реакции устойчивости и ранними поражениями NCLB. Небольшие некротические поражения, окруженные обширными хлоротичными ореолами, выглядят как ранние поражения NCLB, что затрудняет сенсорам формирования изображений различие между успешной реакцией устойчивости гибрида и совместимой инфекцией хозяина и патогена гриба (Lipps et al. 1997). Несмотря на потенциал сенсоров формирования изображений для обнаружения NCLB, остаются практические проблемы. Симптомы NCLB могут различаться в зависимости от тяжести инфекции, условий окружающей среды и генотипа растения. Более того, симптомы NCLB могут проявиться через несколько дней после заражения, что может затруднить обнаружение болезни на ранних стадиях, когда меры борьбы наиболее эффективны.

Для сравнения, южный гельминтоспориоз листьев (SCLB) — это болезнь, вызываемая Bipolaris maydis T., также известным как Cochliobolus heterostrophus (телеоморфа). SCLB регистрируется в большинстве регионов выращивания кукурузы, но наиболее разрушителен в жарких и влажных тропических и умеренных зонах мира, вызывая потенциальные потери урожая до 70% (Raziq and Ahmad 1992; Mubeen et al. 2017). Существует три расы B. maydis, и симптомы различаются в зависимости от того, какая раса присутствует (Рис. 3C). Подобно NCLB, подходы глубокого обучения на основе RGB-изображений и анализа CNN показывают высокую точность >95% при использовании изображений с RGB-камеры, например, камеры смартфона (Haque et al. 2021). Однако классификация SCLB более сложна, потому что представление изображений разных степеней инфекции очень похоже. Поэтому Yin и соавт. (2022) предлагают подход для южного гельминтоспориоза листьев кукурузы (Bipolaris maydis), который не только обнаруживает SCLB, но и классифицирует уровень тяжести. Предложенная модель достигла высокой точности 97% для различных степеней заболевания. Основной проблемой обнаружения SCLB является дифференциация между SCLB и другими сходными листовыми болезнями, такими как северный гельминтоспориоз листьев и серая листовая пятнистость. Симптомы обоих заболеваний проявляются в виде прямоугольных серых или коричневых поражений на листьях со светлым центром, окруженным темной границей. Даже для экспертов-людей различение этих болезней может быть сложной задачей, особенно на ранних стадиях патогенеза.

В целом, сенсоры формирования изображений стали перспективным инструментом для неразрушающего, быстрого и точного обнаружения и дифференциации NCLB и SCLB на растениях кукурузы. В нескольких исследованиях сообщалось о многообещающих результатах обнаружения на основе RGB-изображений и с движущихся устройств. Однако в настоящее время нет доступных исследований по использованию гиперспектральных и мультиспектральных сенсоров для обнаружения и дифференциации NCLB или SCLB на растениях кукурузы.

GLS — это листовая болезнь кукурузы, вызываемая грибом Cercospora zeae-maydis. Болезнь была впервые зарегистрирована в 1925 году в Иллинойсе, США, и с тех пор распространилась по регионам выращивания кукурузы по всему миру. GLS считается одним из самых ограничивающих урожайность заболеваний кукурузы и стал серьезной угрозой для продовольственной безопасности в Африке, где может вызывать потери урожая от 30 до 60% (Ward et al. 1999; Pingali and Pandey 2002; Paul and Munkvold 2004). Симптомы инфекции Cercospora сначала появляются на нижних листьях в виде небольших коричневых пятен (Ward et al. 1999). Ранние симптомы заболевания трудно отличить от симптомов других листовых патогенов кукурузы, таких как южный гельминтоспориоз листьев (Ringer and Grybauskas 1995). Однако зрелые листовые поражения имеют серую или коричневую прямоугольную форму, идущую параллельно жилкам листа (Ward 1996; Dhami et al. 2015), что делает болезнь относительно легкой для идентификации в поле (Dhaw et al. 2018a). Опубликованы подходы на основе RGB-изображений, реализующие CNN для быстрого и точного обнаружения серой листовой пятнистости и обычной ржавчины на растениях кукурузы. Эти модели смогли достичь точности классификации >99% для различения здоровых листьев и листьев, зараженных серой листовой пятнистостью (Singh et al. 2022). Обучение моделей на контролируемых наборах данных, таких как PlantVillage, имеет ограничения из-за отсутствия в них сложности реального мира, что приводит к низкой производительности в естественных условиях (Gao et al. 2020; Craze et al. 2022). Craze и соавт. (2022) решили эту проблему, обучив модели глубокого обучения на полевых изображениях со смешанными болезнями, достигнув точности более 72% при прогнозировании серой листовой пятнистости по сравнению с 94,1% точности на изображениях PlantVillage. Однако модели, обученные в поле, хорошо работали на данных PlantVillage, в то время как обратная модель показала только 55,1% точности. Это подчеркивает проблему переноса моделей, обученных в лаборатории, в полевые условия. Barbedo и соавт. (2016) достигли только 40% точности, различая серую листовую пятнистость и другие болезни листьев кукурузы. Основываясь на этом, Concepcion и соавт. (2021) использовали полевые изображения для оценки листьев кукурузы, зараженных Cercospora, достигнув точности более 99% при расчете повреждения листьев. Спектральные сенсоры использовались для обнаружения полевых симптомов серой листовой пятнистости на кукурузе и различения полевых спектров здоровых, умеренно и сильно зараженных листьев кукурузы с использованием спутниковых данных и наземного невизуализирующего спектрометра в качестве наземного эталона (Dhaw et al. 2018a).

Обычная ржавчина кукурузы вызывается Puccinia sorghi, которая является облигатным гетероэциевым ржавчинным грибом (Hooker 1985). Она часто впервые появляется на кукурузе после выбрасывания метелок, начиная с середины июня. На поверхности листьев образуются ржаво-коричневые или темно-коричневые вытянутые пустулы. Пустулы содержат коричные урединиоспоры (Mueller et al. 2020). Южная ржавчина вызывается грибом Puccinia polysora (Sun et al. 2021). Хотя обычно считается тропическим заболеванием, южная ржавчина может встречаться в важных регионах производства кукурузы в Америке, Азии и Африке (Liu and Wang 1999). Симптомы сходны с обычной ржавчиной, но пустулы меньше и появляются почти исключительно на верхней поверхности листа. Они обычно круглые или овальные, очень многочисленные и густо рассеянные по поверхности листа (Рис. 3E и F) (Bruns 2017). Инфекция Puccinia spp. также может изменять биохимические и биофизические компоненты листьев, такие как пигменты листьев, содержание воды и внутреннюю структуру, что может влиять на спектральные сигнатуры листа (Mahlein et al. 2018; Abd El-Ghany et al. 2020; Gao et al. 2020; Lu et al. 2020).

Sibiya и Sumbwanyambe (2021) проанализировали изменение цвета, вызванное снижением хлорофилла, чтобы извлечь процент пораженной площади листа и отнести изображения обычной ржавчины кукурузы к различным классам тяжести. Исследования на основе RGB были показаны Priyadharshini et al. (2019) на общедоступном наборе данных PlantVillage (Hughes and Salathe 2015) и в реальном полевом сценарии (Chen et al. 2021). Последний достиг точности 95,5% для обнаружения южной ржавчины в небольшом наборе данных. Все показанные подходы для обычной и южной ржавчины основаны на наземных изображениях. Исследования с использованием спектральной визуализации в настоящее время недоступны. Тем не менее, Meng и соавт. (2020) использовали невизуализирующую полевую спектрометрию для разработки специфических индексов болезней и идентификации классов тяжести южной ржавчины кукурузы.

PLS — это листовая болезнь, вызываемая аскомицетным грибом Phaeosphaeria maydis (Henn). Она считается одним из основных заболеваний, угрожающих стабильности производства кукурузы в тропических и субтропических районах возделывания Африки (Sibiya et al. 2011), Индии, Бразилии (Casela and Ferreira 2006) и Северной Америки (Carson 1999). Значительные потери урожая зерна от 11 до 60% были зарегистрированы на восприимчивых сортах в США и Бразилии (Carson 2005). Ранние симптомы PLS появляются в виде небольших темно-зеленых водянистых или хлоротичных пятен на листьях, рассеянных по поверхности листа. Позже поражения становятся бледно-зелеными, а затем выцветают и становятся некротическими с темно-коричневыми краями (Рис. 3D) (Casela and Ferreira 2006).

Было проведено несколько исследований по обнаружению PLS с помощью RGB-камер с использованием подходов CNN. Chen et al. (2021) достигли точности 97,7% на небольшом наборе данных различных болезней в полевых условиях. При изменении источника изображения с искусственных на полевые или смешивании этих наборов данных сложность идентификации болезней возрастает. Barbedo et al. (2016) использовали полевые изображения и достигли общей точности 67,7% для обнаружения PLS, при этом частые ошибки классификации были связаны с плохими условиями изображения и сходными характеристиками болезней. Odindi et al. (2018) использовали мультиспектральные сенсоры и достигли общей точности классификации 86,96% со спутниковым сенсором RapidEye, который чувствителен к изменениям хлорофилла после инфекции. Adam et al. (2017) использовали гиперспектральные данные и алгоритм регулярного случайного леса (RF), достигнув 88% точности при обнаружении ранних симптомов PLS. Их исследование показало значительные изменения биохимических концентраций в зараженных листьях, что приводит к сдвигам точки перегиба красного края и увеличению отражательной способности в видимой области.

MSV принадлежит к семейству Geminiviridae, вызывая наиболее тяжелое вирусное заболевание кукурузы в Африке к югу от Сахары (Bosque-Pérez 2000). Он передается цикадками рода Cicadulina и может вызывать тяжелые заболевания кукурузы, сахарного тростника, жемчужного проса и пшеницы. MSV снижает урожайность и рост кукурузы и может достигать до 70% потерь урожая у рано зараженных восприимчивых сортов (Martin and Shepherd 2009). Симптомы MSV на кукурузе сначала проявляются в виде небольших хлоротичных округлых пятен на самых низких частях самых молодых листьев (Рис. 3H). Позже полосы обычно имеют желтый или белый цвет и могут сопровождаться скручиванием листьев, хлорозом или некрозом. Сильно зараженные растения могут также демонстрировать остановку роста и деформацию листьев (McGivern et al. 2005; Shepherd et al. 2010; Monjane et al. 2020). Фотосинтез снижается, дыхание увеличивается, что приводит к уменьшению длины листьев и высоты растений; таким образом, эти растения имеют сниженную способность использовать свет. Это может быть обнаружено дистанционно через изменения отражательной способности из-за абсорбционных свойств листовых пигментов, таких как хлорофилл a и b и каротиноиды (Barton 2012).

Измерения на основе RGB до сих пор не сообщались, однако, поскольку MSV напрямую связан с концентрацией пигмента и снижением фотосинтетической активности в листьях, он кажется подходящим для спектрального зондирования. Большинство публикаций используют спектральные вегетационные индексы, рассчитанные по спектральным измерениям, такие как почвенно-скорректированный вегетационный индекс (SVI), улучшенный вегетационный индекс (EVI), красный индекс (RI) и NDVI (Dhaul et al. 2018b). Поэтому Chivasa et al. (2020) оценили мультиспектральный набор данных изображений с БПЛА для фенотипирования двадцати пяти сортов кукурузы, зараженных вирусом полосчатой мозаики кукурузы. Они смогли дифференцировать сорта кукурузы на основе их отчетливого обесцвечивания листьев после инфекции MSV. На спутниковом уровне Dhaul et al. (2019) смогли различать различные стадии инфекции MSV на кукурузе, используя мультиспектральные изображения. Они смогли различать разные уровни инфекции MSV (здоровые, ранние, умеренные и тяжелые). Для этого они использовали производные вегетационные индексы для успешного обнаружения и картирования растений кукурузы, зараженных MSV, с точностью 82,75%, комбинируя спутниковые снимки и алгоритмы RF.

MDMV — это вирус растений, принадлежащий к семейству Potyviridae, который заражает растения кукурузы (Gordon D.T. et al. 1981). MDMV в основном встречается в Африке, особенно в восточных и южных регионах, где считается одним из самых серьезных заболеваний, влияющих на производство кукурузы. Более 20 различных видов тлей способны неперсистентно передавать MDMV, вызывая обесцвечивание и проявляя карликовость, стерильность, а иногда и преждевременную гибель растений (James and Keith 2004). Обесцвечивание и листовая мозаика с красновато-фиолетовым цветом часто возникают на старых листьях после раннего заражения (Рис. 3G), что снижает урожайность и приводит к стерильности, неполному оплодотворению и явно замедленному росту и созреванию (Kannan et al. 2018; Jones and Ohlson 2024). Singh et al. (2022) использовали подход на основе RF для различения здоровых листьев и листьев, зараженных MDMV, NCLB и GLS. Признаки для машинного обучения были предварительно извлечены с использованием подхода CNN. Авторы использовали увеличение данных для увеличения количества образцов для подхода ML. Высокая точность также была достигнута с использованием трансферного обучения (Liu and Wang 2021). Здесь предварительное обучение проводилось на наборе данных ImageNet (Deng et al. 2009). Невизуализирующие спектрометры использовались для дифференциации здоровых и зараженных листьев кукурузы в поле, в сочетании с более глубоким анализом SVI и выбором спектральных диапазонов для связи с биологическими интерпретациями, такими как уровень тяжести и содержание антоцианов (Luo et al. 2021).

Грибные болезни гнилей початков представляют собой значительную угрозу для посевов кукурузы во всем мире, вызывая потенциальные потери урожая и снижение качества зерна из-за образования микотоксинов (Magan et al. 2011). Наиболее важными болезнями гнилей початков кукурузы являются вызываемые видами Aspergillus, Penicillium и Fusarium (Рис. 4). Эти патогены могут продуцировать микотоксины, такие как афлатоксин B1 (AFB1), фумонизин B1 (FB1), трихотецены, такие как деоксиниваленол (DON) и зеараленон (ZEA), и охратоксин A (OTA), которые очень токсичны для млекопитающих и могут вызывать различные заболевания, включая отек, иммуносупрессию, карциному печени, рак пищевода и почечную недостаточность (Magan et al. 2011).

К сожалению, обнаружение этих болезней может быть сложной задачей, поскольку они развиваются под кроющими листьями, которые закрывают початок кукурузы, что затрудняет их обнаружение или идентификацию до сбора урожая. На сегодняшний день никакой цифровой анализ изображений не может обнаружить инфекции внутри початка, когда он покрыт кроющими листьями, что ограничивает анализ послеуборочными измерениями, которые не могут предсказать или обнаружить заражение болезнью в течение вегетационного периода.

Фузариозная гниль початков — это грибное заболевание, вызываемое различными видами Fusarium, которое вызывает значительные экономические потери из-за снижения урожайности, ухудшения качества зерна и загрязнения початков кукурузы вредными микотоксинами (Mesterházy et al. 2012a). Инфекция обычно характеризуется ростом белого (фузариозная гниль початков, Рис. 4B) или красноватого (гиббереллёзная гниль початков, Рис. 4A) мицелия с симптомами гниения на початке и при хранении зерна. Известно, что несколько токсигенных видов Fusarium представляют риск для безопасности кормов для животных и пищевых продуктов для человека (IARC 2002; Desjardins et al. 2006). Для обнаружения грибной контаминации и оценки возможного загрязнения микотоксинами в зернах кукурузы использовались два метода. Один метод основан на спектральных изменениях, таких как содержание крахмала и белка, для прогнозирования грибной контаминации на основе биохимических изменений; между тем, другой подход фокусируется на гиперспектральных изображениях для измерения концентрации самих микотоксинов. William и соавт. (2010) оценили потенциал ближней инфракрасной спектральной визуализации для различения зерен кукурузы, зараженных F. verticillioides, и здоровых зерен. Кроме того, они исследовали развитие F. verticillioides в зернах кукурузы, используя многомерный анализ данных. Это позволило им отслеживать изменения грибной инфекции во времени, такие как концентрации крахмала и белка (Williams et al. 2012). Da Conceicao и соавт. (2021) использовали HSI-сенсор в сочетании с многомерным анализом изображений для дифференциации зерен, зараженных F. verticillioides и F. graminearum. Они смогли предсказать и идентифицировать оба гриба с точностью 99,8%. Ограничением этого подхода является то, что развитие гриба не всегда приводит к образованию микотоксинов, что означает, что присутствие грибов не обязательно подразумевает загрязнение микотоксинами. Более того, разные штаммы видов микотоксинов могут продуцировать разное количество микотоксинов, и условия роста, способствующие развитию грибов, могут быть не одинаково благоприятными для продукции микотоксинов (Mesterházy et al. 2012b). Другой подход был сосредоточен непосредственно на обнаружении микотоксинов в молотых и немолотых зернах с использованием систем спектральной визуализации. Мультиспектральный анализ изображений использовался Firrao и соавт. (2010) для прогнозирования загрязнения фумонизином в молотой кукурузе. Результаты показали хорошую корреляцию между результатами анализа изображений на основе нейронных сетей и концентрацией фумонизина (R² = 0,68). Аналогичные корреляции не могли быть установлены с концентрацией других микотоксинов, оцененных в этой работе, таких как деоксиниваленол. Переход этого подхода от VIS/NIR к SWIR может помочь адаптировать этот метод к более высокому поглощению фумонизина в этом спектре (Laubscher et al. 2023).

Рис. 4. Симптомы фузариозной гнили початков (Gibberella), фузариозной гнили початков (Fusarium) и аспергиллезной гнили початков (Aspergillus)

Kos и соавт. (2003) разработали метод определения DON в молотых зернах кукурузы с использованием среднеинфракрасной спектроскопии с нарушенным полным внутренним отражением и хемометрики. С помощью этого метода они смогли дифференцировать образцы с концентрационным диапазоном 310–2596 мкг/кг для DON (Kos et al. 2003). Smeester и соавт. (2016) разработали невизуализирующую спектроскопическую установку, которая позволила измерять локализованное загрязнение в немолотых зернах кукурузы. Эта технология может использоваться для промышленных применений в линиях. Для этой цели они подтвердили неразрушающее обнаружение DON в зернах кукурузы с использованием диффузной отражательной спектроскопии в УФ-ВИД-БИК диапазоне (Smeesters et al. 2016). Bolduan и соавт. (2009) сравнили эффективность ELISA, NIR-спектроскопии и визуальной оценки тяжести заболевания для оценки концентраций микотоксинов в кукурузе, инокулированной Fusarium. Они пришли к выводу, что спектрометр был более надежным, чем визуально оцененная тяжесть заболевания, для прогнозирования концентрации DON и FUM и был почти таким же хорошим, как ELISA для DON. Чтобы предсказать концентрацию микотоксинов, Levasseur-Garcia и соавт. (2015) искали корреляции между фумонизином и содержанием грибной биомассы и определили содержание грибов с помощью модели NIR-спектроскопии. Они продемонстрировали потенциал NIR-спектрометрии как быстрого метода скрининга образцов кукурузы на предмет риска загрязнения фумонизином с точностью количественного определения 96%. Эти технологии потенциально могут улучшить безопасность пищевых продуктов и отбор генотипов, обеспечивая неразрушающий мониторинг грибной контаминации и уровней микотоксинов в зернах кукурузы в реальном времени.

Аспергиллезная гниль початков — одно из важнейших заболеваний кукурузы, вызываемое грибом Aspergillus flavus. Симптомы в основном наблюдаются в виде оливково-зеленой плесени на верхушке початка (Рис. 4C), связанной с повреждениями насекомыми, птицами или градом (King and Scott 1982; Windham et al. 1999). Это заболевание может оказывать значительное влияние на урожайность и качество кукурузы, а также представлять угрозу для здоровья человека и животных из-за производства афлатоксинов. Афлатоксин B1 (AFB1) классифицирован как канцероген для человека класса I (IARC 2002), вызывающий повреждение печени, и известен как мощный канцероген и тератоген для животных и человека (Okechukwu et al. 2024). Обычные методы обнаружения AFB1 включают высокоэффективную жидкостную хроматографию (HPLC), тонкослойную хроматографию (TLC) и иммуноферментный анализ (ELISA) (Herzallah 2009; Stroka and Anklam 2002). Хотя эти методы обнаружения очень точны, чувствительны и надежны, они, как правило, требуют много времени, разрушающего отбора проб и требуют обученного персонала. Поэтому необходимы быстрые и неразрушающие методы, которые могли бы подходить для обнаружения инфекции Aspergillus в зерновых в реальном времени (Chu et al. 2017).

Несколько исследований продемонстрировали потенциал HSI для неразрушающего обнаружения грибов и микотоксинов в кукурузе, как в лаборатории, так и в поле. Биохимические изменения в кукурузе использовались как косвенные индикаторы афлатоксина, побочного продукта роста грибов (Del Fiore et al. 2010). Wang и соавт. (2014) и Kandpal и соавт. (2015) продемонстрировали способность различать различные концентрации афлатоксина B1 (AFB1) после нанесения на зерна кукурузы. Del Fiore и соавт. (2010) объединили HSI с многомерным анализом для различения загрязненных и здоровых зерен у двенадцати гибридов кукурузы. Однако этот метод не может обнаружить бессимптомно зараженные зерна. Тем не менее, результаты в лабораторных условиях трудно перенести на естественно зараженные зерна в поле, потому что распределение AFB1 неравномерно, и гриб может потреблять некоторые ингредиенты в течение вегетационного периода. Чтобы обнаружить зерна, загрязненные микотоксинами, непосредственно в поле, несколько авторов оценили спектральные различия продукции афлатоксина в зернах от инокулированной и естественно зараженной кукурузы в поле (Chu et al. 2020; Kim et al. 2022; Hruska et al. 2013). Chu и соавт. (2020) использовали HSI для дифференциации здоровых и зараженных грибами зерен кукурузы трех гибридов. Кроме того, Stasiewicz и соавт. (2017) оценили потенциальное использование недорогого мультиспектрального сортировщика для идентификации и удаления отдельных зерен, загрязненных афлатоксином, из массы спелых зерен кукурузы. Они смогли отделить 83% естественно зараженных зерен (>10 нг/г) от большой партии образцов в реальном времени (Stasiewicz et al. 2017). Это делает спектральную визуализацию полезным инструментом для идентификации зерен, загрязненных микотоксинами, и снижения общего уровня загрязнения большой партии без отбраковки всей партии (Chu et al. 2020). Чтобы минимизировать присутствие зараженных зерен в образцах кукурузы, необходимо проанализировать большую пропорцию, если не все, зерен в объемном образце. Однако регулирующие лаборатории обычно анализируют небольшие порции молотой кукурузы для целей скрининга или в качестве основы для судебного иска. Признавая эту проблему, Kim и соавт. (2022) провели исследование для изучения эффективности многомерной классификационной модели в сочетании с различными методами предварительной обработки для раннего обнаружения естественно зараженных образцов кукурузы в условиях регулирующей лаборатории. В исследовании оценивались различные гиперспектральные методы и их способность классифицировать кукурузу, загрязненную афлатоксином. Обнадеживает тот факт, что все протестированные методы достигли удовлетворительной валидационной точности, что указывает на их потенциал как быстрых инструментов для идентификации и категоризации образцов кукурузы, загрязненных афлатоксином. Особенно важно, что исследование, проведенное Kim и соавт. (2022), имеет большое значение для реальных сценариев. В отличие от предыдущих исследований, в которых использовались зараженные образцы кукурузы с уровнями афлатоксина, превышающими нормативный предел, в этом исследовании использовались реальные образцы, которые попадали в применимый предел >10 мкг/кг. Используя аутентичные образцы, результаты Kim и соавт. (2022) дают ценную информацию и практические выводы для обнаружения афлатоксина в регулирующих лабораториях.

Проблема обнаружения микотоксинов заключается в том, что микотоксины производятся на уровнях, слишком низких для прямого обнаружения сенсорами формирования изображений, и более или менее связаны с ростом гриба в ткани (Levasseur-Garcia et al. 2015). Кроме того, связанные с этим ошибки прогнозирования слишком велики, чтобы достаточно точно предсказать содержание токсинов. В частности, интерсепт и стандартная ошибка приводят к более широким диапазонам токсинов, которые выше фактического законного предела (1,25 мг DON на кг сухого вещества) в Европейском Союзе (Beyer et al. 2010). Тем не менее, недавние исследования показали, что сенсоры формирования изображений могут использоваться для различения загрязненных токсинами и здоровых образцов кукурузы.

Системы дистанционного зондирования и сенсоры формирования изображений играют решающую роль в идентификации и дифференциации насекомых-вредителей в сельскохозяйственной практике. В частности, такие вредители, как кукурузная листовертка (Spodoptera frugiperda) и европейский кукурузный мотылек (Ostrinia nubilalis) (Рис. 5), имеют экономическое значение в производстве кукурузы, вызывая повреждения листьев, стеблей и початков (Dhillon et al. 2014). Технология цифровой визуализации предоставляет ценные данные, которые могут использоваться в системах поддержки принятия решений для мониторинга, обнаружения и прогнозирования повреждений, вызванных насекомыми-вредителями. Предоставляя прогнозы и ранние предупреждения, эти системы помогают в борьбе с насекомыми-вредителями и вспышками, обеспечивая более эффективные стратегии борьбы с вредителями. Тем не менее, мониторинг вредителей возможен только тогда, когда эти насекомые видны, а разрешение камеры позволяет их идентифицировать, что, в свою очередь, предъявляет требования к сенсорной платформе и платформе записи. Методы комплексной борьбы с вредителями (IPM) рекомендуют использование химических веществ на основе степени повреждения растений или количества насекомых на растение, которые визуально идентифицируются экспертами. Эти данные могут быть использованы для определения графиков применения или облегчения опрыскивания в реальном времени, тем самым снижая использование инсектицидов, минимизируя вред для окружающей среды, сохраняя популяции естественных хищников и снижая развитие устойчивости к вредителям (Abd El-Ghany et al. 2020). В области идентификации насекомых-вредителей используются два основных подхода: прямая идентификация на основе внешнего вида насекомых и косвенная идентификация на основе симптомов или повреждений, вызванных насекомыми (Bieganowski et al. 2021; Feng et al. 2022). Для оптимизации борьбы с вредителями крайне важно собирать полевую информацию о встречаемости, численности и распределении насекомых-вредителей. Однако традиционные методы мониторинга вредителей, такие как использование половых феромонов, световых ловушек для видовой специфичности и долгосрочных всасывающих ловушек для отслеживания моделей миграции насекомых-вредителей, отнимают много времени и труда (Laurent and Frérot 2007).

Существует растущий спрос на инновационные подходы, которые могут обеспечить быструю и точную полевую информацию для мониторинга насекомых-вредителей. Используя недорогие и высокоэффективные методы, становится возможным собрать необходимые данные для принятия решений по борьбе с вредителями, в конечном итоге минимизируя затраты и повышая эффективность стратегий борьбы с вредителями (Bock et al. 2010; Liu and Wang 2021; Manavalan 2020).

Европейский кукурузный мотылек, Ostrinia nubilalis (Hübner), является основным вредителем кукурузы во многих регионах выращивания кукурузы в Европе и Америке (Рис. 5A и B). Личинки этого насекомого наносят вред растениям кукурузы, проникая в стебель и стержень початка, что приводит к снижению роста растений и урожайности зерна (Godfrey et al. 1991; Yanni et al. 2011). Кроме того, присутствие личинок европейского кукурузного мотылька может привести к опаданию початков при механической уборке, а также к повреждению зерна при питании и полеганию растений (Melchinger et al. 1998; Lemic et al. 2019). Помимо прямых потерь урожая, поврежденные растения становятся более восприимчивыми к вторичным инфекциям, вызванным патогенами стеблевых и початковых гнилей, такими как виды Fusarium (Lew et al. 1991; Munkvold et al. 1997). В результате повреждения пораженные ткани растений желтеют из-за деградации хлорофилла в стрессированных или стареющих тканях листьев, обнажая вторичные пигменты, такие как каротиноиды и антоцианы. Эти обесцвечивания являются индикаторами реакции растения на стресс и повреждение, вызванные личинками европейского кукурузного мотылька (Lichtenthaler et al. 1998).

Carroll и соавт. (2008) использовали SVI для обнаружения инфекции ECB с помощью воздушной HSI. Они рассчитали одиннадцать SVI, которые выделяли листовые пигменты растений, а именно хлорофилл, антоциан и каротиноиды, для оценки их способности обнаруживать стресс-ингибиторы в кукурузе, инокулированной вручную личинками O. nubilalis. Повышенная пищевая активность и активность сверления стеблей в конце вегетационного периода привели к лучшей обнаруживаемости O. nubilalis, особенно с конца августа до середины сентября. Тем не менее, на этой стадии уже слишком поздно внедрять эффективную стратегию борьбы с помощью пестицидов или применения биологических средств борьбы, таких как Trichogramma sp. Стресс растения, вызванный активностью вредителя, измерялся с помощью SVI, нацеленных на хлорофилл, в то время как пигменты каротиноидов и антоцианов были не столь эффективны. Они приходят к выводу, что воздушная HIS полезна для обнаружения и мониторинга популяций O. nubilalis в кукурузных полях производственного размера (Carroll et al. 2008). Однако рассчитанный SVI для содержания хлорофилла не является специфичным для заражения ECB. Различные биотические и абиотические стрессы, такие как другие насекомые-вредители, болезни, дефицит питательных веществ, водный стресс и факторы окружающей среды, могут вызывать сходные визуальные симптомы на растениях кукурузы.

Кукурузная листовертка, Spodoptera frugiperda, является чешуекрылым вредителем, наносящим серьезный ущерб кукурузе и другим культурам (Рис. 5C и D) (Devi 2018). Вредитель родом из тропических и субтропических регионов Северной и Южной Америки, но распространился в различные регионы мира, вызывая значительные экономические потери в сельском хозяйстве (Day et al. 2017; Sharanabasappa et al. 2018; Ankush Chormule et al. 2019; Devi 2018). Пищевая активность личинок кукурузной листовертки может привести к серьезному повреждению растений кукурузы, такому как дефолиация, снижение фотосинтетической способности, остановка роста и даже гибель растений (Dhillon et al. 2014). Визуальный осмотр может быть трудоемким и отнимать много времени, особенно при работе с большими сельскохозяйственными площадями. В этом отношении методы цифровой визуализации предлагают несколько преимуществ с точки зрения эффективности, точности и масштабируемости (Prabha et al. 2021).

Sena и соавт. (2003) идентифицировали повреждения кукурузной листовертки на растениях кукурузы с использованием RGB-изображений в теплице при различных условиях освещения. Они смогли различить поврежденные и неповрежденные растения кукурузы на разных стадиях роста с точностью 94,7%. Хотя результаты будут плохо переносимы в поле из-за небольшого количества образцов растений и искусственного получения изображений (Sena et al. 2003). В отличие от этого, Prabha и соавт. (2021) исследовали модель распознавания на основе ИИ для идентификации заражения кукурузной листоверткой в поле. Они собрали более 11 000 изображений зараженных листьев, початков и метелок с разным уровнем заражения и условиями освещения на полях в Индии. Подход CNN использовался для распознавания заражения кукурузной листоверткой с точностью 87% (Prabha et al. 2021). В отличие от наземных сенсоров, БПЛА способны отслеживать, обнаруживать и идентифицировать вспышки вредителей на больших полях и территориях. Поэтому Ishengoma и соавт. (2021) объединили визуализацию на основе БПЛА и CNN для обнаружения инфекций кукурузной листовертки в большом полевом масштабе. Они предложили использовать модели на основе CNN для обнаружения небольших отверстий и полупрозрачных пятен, вызванных пищевой активностью личинок.

HSI позволяет анализировать определенные длины волн, связанные с биохимическими и физиологическими изменениями в растениях, вызванными нашествием вредителей. Zhang и соавт. (2016) использовали спутниковые мультиспектральные изображения для картографирования повреждений кукурузной листовертки на кукурузе в провинции Хэбэй, Китай. Они успешно применили метод картографирования для мониторинга нашествий совки на региональном уровне на основе одномерной модели и мультиспектральных спутниковых снимков. Среди многочисленных VI, исследованных на предмет их чувствительности к повреждениям насекомыми, модифицированный почвенно-скорректированный вегетационный индекс (SAVI) был идентифицирован как оптимальный SVI для обнаружения совки (Zhang et al. 2016).

Необходимы дальнейшие исследования для изучения и проверки эффективности методов цифровой визуализации для обнаружения как ECB, так и кукурузной листовертки в посевах кукурузы. Это включает проведение полевых испытаний, усовершенствование алгоритмов визуализации и оценку различных сенсоров и платформ визуализации в естественных условиях. Цифровое обнаружение болезней имеет потенциал, но необходимы исследования, чтобы доказать, что такие задачи, как идентификация вредителей, идентификация участков заражения вредителями, мониторинг повреждений насекомыми, могут быть успешно выполнены и что это помогает облегчить целевые стратегии борьбы с вредителями и сократить использование пестицидов. БПЛА и HSI показали большой потенциал в обеспечении всестороннего обзора полей и анализе определенных длин волн для связи с разными уровнями заражения вредителями (Tao et al. 2022). Это повышает точность алгоритмов обнаружения вредителей, обеспечивая раннюю идентификацию и картографирование зараженных территорий. Продолжение исследований необходимо для уточнения и проверки этих методов визуализации и подходов обнаружения CNN для различных вредителей, тестирования систем в разных регионах и на разных сортах культур, а также интеграции анализа данных в реальном времени для эффективной борьбы с вредителями.

Хотя цифровое обнаружение болезней имеет потенциал для улучшения способов обнаружения, мониторинга и борьбы с болезнями растений, существует несколько проблем и ограничений для процесса зондирования и анализа, которые необходимо решить для обеспечения его эффективности.

Проблема 1: сложность болезней растений. Проблемой для цифрового обнаружения болезней является представление и сегментация различных симптомов для конкретного заболевания растений. Фенологические изменения и симптомы на листьях растений возникают из различных источников, включая смешанные инфекции, недостаточное питание, вредителей, фитотоксичность, механические повреждения, холодовые и тепловые повреждения. Абиотические факторы, такие как температура, влажность и свет, могут влиять на физиологию растений, что затрудняет точное обнаружение болезней с использованием одной технологии зондирования (Gao et al. 2020). Поэтому действительно комплексная диагностическая система требует способности решать проблему многоклассовой классификации (Barbedo et al. 2016; Abd El-Ghany et al. 2020), поскольку естественное возникновение множественных болезней является обычным явлением. Хотя методы глубокого обучения обладают замечательной способностью классифицировать большое количество классов, требуемый аннотированный обучающий набор данных вместе с надежными доказательствами болезни представляет собой огромный объем ручной работы. Изображения обучающих наборов данных для моделей глубокого обучения обычно маркируются одним заболеванием. Однако дополнительные заболевания и расстройства, такие как дефицит питательных веществ и атаки вредителей, могут существовать одновременно (Chaerle and van der Straeten 2000). Это частое явление, поскольку иммунная система растения ослабляется инфекцией, что создает возможность для других болезней проникать более легко (Barbedo et al. 2016). Дальнейшей проблемой для распознавания болезней являются спектрально сходные симптомы болезней, полностью или частично сходные в другом состоянии (Bohnenkamp et al. 2021). Особенно на ранних стадиях инфекции могут возникать болезни со сходными симптомами, что затрудняет различение даже для экспертов. Кроме того, некоторые болезни или вредители могут не вызывать значительных изменений в физиологии или внешнем виде растений, которые можно было бы эффективно обнаружить с помощью дистанционного зондирования, например, европейский кукурузный мотылек (Del Fiore et al. 2010). Поэтому одних визуальных характеристик может быть недостаточно для разрешения потенциальной неопределенности классификации. Даже если изображение снято безупречно, характеристики симптомов могут быть слишком общими, чтобы позволить поставить окончательный диагноз. Это делает не все болезни растений и вредителей подходящими для дистанционного обнаружения, так как некоторые из них не имеют идентифицируемых характеристик (Zhang et al. 2019). Кроме того, точная идентификация болезней и вредителей растений обычно происходит, когда симптомы полностью проявились, что может быть слишком поздно для вмешательства и профилактики. Особенно RGB-камеры, которые фиксируют видимый свет, могут не обнаруживать болезни и вредителей точно до более поздних стадий развития болезни, когда растениям нанесен значительный ущерб. Мультиспектральные и гиперспектральные камеры способны обнаруживать тонкие изменения в здоровье растений до появления видимых симптомов. Это делает спектральные камеры решающими для эффективной борьбы с болезнями и вредителями на ранних стадиях (Terentev et al. 2022; Del Fiore et al. 2010). Это позволяет своевременно применять стратегии вмешательства, такие как целевое применение пестицидов, агротехнические мероприятия или биологические методы борьбы, которые могут помочь предотвратить распространение и тяжесть заражения.

Важно учитывать ограничения и особенности различных методов дистанционного зондирования и выбирать наиболее подходящий подход на основе специфических характеристик интересующей болезни или вредителя. Это подчеркивает важность объединения методов цифровой визуализации с дополнительной информацией и диагностическими инструментами для точной идентификации болезней и вредителей. Цифровая визуализация может предоставить ценные данные о визуальных симптомах, связанных с различными заражениями, но она должна дополняться другими методами, такими как полевые наблюдения, ловля насекомых или спор, чтобы подтвердить присутствие болезни и отличить ее от других потенциальных стрессов растений. Интеграция нескольких источников данных и диагностических подходов может повысить надежность и специфичность обнаружения. Это должно сочетать визуальную информацию, полученную с помощью цифровой визуализации, с контекстными данными о поведении вредителей, фенологической стадии культуры и исторической заболеваемости для разработки более надежных стратегий мониторинга и борьбы с вредителями.

Проблема 2: технические проблемы условий захвата изображений. На точность и эффективность обнаружения болезней сильно влияют различные факторы, такие как условия освещения, разрешение изображения, угол камеры, фон и качество изображения. Например, в условиях низкой освещенности снятые изображения могут иметь низкую контрастность, что затрудняет дифференциацию здоровой и больной ткани растений (Barbedo 2018). Угол камеры и расстояние до растения также могут влиять на качество снятых изображений и, следовательно, на точность обнаружения болезни. Поэтому важно учитывать влияние условий захвата изображений на точность обнаружения болезней при использовании сенсоров для цифрового обнаружения болезней растений (Mohanty et al. 2016; Mahlein et al. 2012a). Это требует правильного выбора и калибровки сенсоров (Singh et al. 2020). По этой причине большинство попыток используют наборы данных, сгенерированные в строго контролируемых лабораторных условиях, таких как PlantVillage, для идентификации болезней растений. Основные трудности использования изображений листьев из таких наборов данных, как PlantVillage, заключаются в том, что в них обычно отсутствуют сложности, присущие полю. Они опускают смешивающие факторы, такие как множественные болезни на одном листе, повреждения насекомыми, сливающиеся поражения одного и того же или разных заболеваний, разнообразные фоны, неоднородные условия освещения или посторонние объекты в кадре (Craze et al. 2022). Модели, обученные на этих контролируемых наборах данных, имеют тенденцию плохо работать в естественных условиях. Однако широкое разнообразие изображений, использованных в тестах, позволило провести углубленное исследование основных преимуществ и ограничений предложенного алгоритма.

Проблема 3: трудность обработки наборов данных разного размера и сложности. При использовании подходов машинного обучения возникают три аспекта: i) трудность сбора наборов данных соответствующего размера, неоднородности и сложности, ii) потребность в размеченных данных, требующая ручной работы экспертов по фитопатологии, и iii) проблема, заключающаяся в том, что наборы данных, которые приводят к высокой точности, скорее всего, станут более популярными, чем те, которые имеют низкую точность, хотя данные и метки верны (Shoaib et al. 2023; Fan et al. 2014). Одним из факторов, ограничивающих обобщаемость моделей, обученных на наборе данных PlantVillage, является присутствие смешивающих признаков. В частности, изображения серой листовой пятнистости (GLS) и северного гельминтоспориоза листьев (NCLB) имеют серый фон, в то время как изображения обычной ржавчины имеют черный фон. С другой стороны, изображения здоровых растений не имеют фона (Craze et al. 2022). В результате модели, обученные на этом наборе данных, могут полагаться на наличие или отсутствие фоновых пикселей для прогнозирования, а не на точное изучение отличительных характеристик самих болезней. Это может повлиять на надежность и применимость этих моделей при использовании в реальных сценариях (Craze et al. 2022; Zhang et al. 2019).

Решение этих проблем требует тщательного рассмотрения и улучшения методологий сбора данных, обеспечения разнообразных и репрезентативных наборов данных, а также разработки методов, которые уменьшают зависимость от смешивающих признаков. Кроме того, следует приложить усилия для поощрения использования наборов данных с более низкой точностью, чтобы избежать увековечения популярности. Решая эти аспекты, область фитопатологии может использовать весь потенциал подходов машинного обучения и продвигать разработку надежных и точных систем обнаружения и управления болезнями.

Проблема 4: обмен информацией и стандартизация. Цифровое обнаружение болезней на основе машинного обучения требует сбора и анализа больших объемов данных, но в настоящее время доступно ограниченное количество данных по многим болезням растений. Кроме того, отсутствует стандартизация методов сбора и анализа данных, что может затруднить сравнение результатов между исследованиями или регионами (Machwitz et al. 2021). Учитывая, что распространение и эпидемии болезней и вредителей растений являются транснациональными процессами, многонациональное сотрудничество и соглашения по стандартизированным рабочим процессам и конвейерам обработки важны как для исследований, так и для применения (Zhang et al. 2019). Библиотека наборов данных, включающая не только исходные данные сенсоров, но и калибровку сенсоров и рабочий процесс обработки данных, может помочь создать общую базу данных для всемирно организованного спектрального анализа болезней (Bohnenkamp et al. 2021). Многие рабочие процессы могут быть перенесены или адаптированы к новым болезням и настройкам сенсоров. Научное сообщество может быть поощрено к усилению работы над алгоритмическими решениями проблем обнаружения, описания и количественной оценки болезней путем публикации наборов данных для актуальных проблем в практической науке о растениях. Для надлежащей научной оценки рекомендуется использование принципа FAIR (Wilkinson et al. 2016) для публикации данных и интеграция «Минимальной информации об эксперименте по фенотипированию растений» (MIAPPE, Papoutsoglou et al. 2020). Обучение моделей на контролируемых наборах данных, таких как PlantVillage (Hughes and Salathe 2015), позволяет исследователям из разных дисциплин оценивать многообещающие алгоритмы и решать междисциплинарную проблему. Тем не менее, эти наборы данных имеют свои ограничения, поскольку им часто не хватает сложностей, присущих полевым условиям реального мира. Следовательно, модели, обученные на таких наборах данных, могут работать не так хорошо в естественных условиях (Gao et al. 2020; Craze et al. 2022). Общедоступные наборы данных по болезням кукурузы в настоящее время сосредоточены по крайней мере на одном или двух конкретных заболеваниях. Наборы данных доступны (см. Рис. 6 и 7) для NCLB (Wiesner-Hanks et al. 2018, Ahmad et al. 2021), обычной и южной ржавчины (Bansal & Bansal 2020), GLS (Hughes et al. 2015), феосфериозной листовой пятнистости (Craze et al. 2022), MSV (Babirye et al. 2022), фузариозной гнили початков (Bansal & Bansal 2020) и кукурузной листовертки (Abo-Zahhad et al. 2023). SCLB, MDMV и данные для обнаружения европейского кукурузного мотылька отсутствуют. Все доступные наборы данных показывают только использование RGB-данных. Опубликованные спектральные данные недоступны. Очень новым разработкой является использование генеративно-состязательных сетей (GAN). GAN генерируют искусственные изображения и использовались для увеличения наборов данных для обнаружения сельскохозяйственных культур и сорняков (Fawakheri et al. 2021) или для кукурузы для искусственной настройки фона (Shete et al. 2020).

Сенсоры формирования изображений имеют большие перспективы для обнаружения и дифференциации болезней кукурузы. Они предлагают быстрый и неразрушающий метод обнаружения болезней и потенциально могут использоваться для ранней диагностики и управления болезнями. Однако необходимы дополнительные исследования для дальнейшей разработки и оптимизации использования сенсоров формирования изображений для обнаружения и дифференциации болезней кукурузы, а также для решения проблем, связанных с их использованием. Текущее состояние неинвазивной визуализации болезней кукурузы выявляет несколько пробелов в исследованиях, которые в значительной степени или полностью не изучены в литературе. Эти пробелы указывают на области, где необходимы дальнейшие исследования для продвижения этой области путем решения этих неисследованных областей. Это потребует сотрудничества между исследователями, промышленностью и политиками для разработки эффективных и устойчивых решений, которые могут быть приняты в разных регионах и системах ведения сельского хозяйства.