Научный перевод-изложение обзорной публикации | Muhammad Hanif Tunio и соавт. | Sensors, 2026, 26, 3834 | DOI: 10.3390/s26123834

Основано на оригинальной обзорной статье (33 страницы). Оригинальные схемы воспроизведены без изменения их внутренних обозначений и снабжены русскоязычными подписями. Материал представляет собой научный перевод-изложение, а не построчное воспроизведение всего текста и библиографии.

Болезни растений ежегодно становятся причиной значительных потерь урожая. Традиционные методы их распознавания, включая визуальный осмотр и классификацию RGB-изображений, часто обнаруживают изменения лишь после появления внешних симптомов. Гиперспектральная визуализация (HSI) позволяет регистрировать изменения отражательной способности, обусловленные нарушениями пигментного состава, водного режима и клеточной структуры, потенциально ещё до появления видимых признаков поражения. В обзоре сопоставлены традиционное машинное обучение, сверточные нейронные сети (1D-, 2D- и 3D-CNN), гибридные спектрально-пространственные модели, механизмы внимания и трансформеры. Отдельное внимание уделено снижению качества моделей при переходе от лабораторных наборов к полевым условиям, отсутствию сопоставимых размеченных данных и перспективам мультимодального объединения сенсоров.

По оценке, приведённой авторами обзора, болезни приводят к потере около 20–40% мирового урожая ежегодно. RGB-диагностика опирается прежде всего на видимые признаки — некроз, хлороз, деформации и изменение окраски листьев. Поэтому её чувствительность на доклинических стадиях ограничена. Гиперспектральная съёмка собирает непрерывный массив узких каналов в VIS, NIR и SWIR и позволяет анализировать спектральные реакции тканей. Однако увеличение размерности не гарантирует успешного распознавания заболевания: для корректной диагностики необходимы репрезентативные эталонные данные и биологическая проверка интерпретаций.

Авторы описывают характерный разрыв между высокой точностью на лабораторных изображениях (примерно 95–99%) и существенно более низкой точностью в сложных полевых условиях (нередко 70–85%). Это обобщённые значения разных работ, а не результаты одного контролируемого эксперимента.

Значения приведены по таблице 5 оригинального обзора; они получены в разных исследованиях и не образуют единый независимый сравнительный тест.

Рисунок 1. Обобщённая схема сочетания гиперспектральной визуализации и глубокого обучения при обнаружении болезней растений: съёмка, предобработка, анализ и развёртывание.

Обзор охватывает публикации 2008–2026 гг. по диагностике болезней, RGB- и HSI-съёмке, глубокому обучению и мультимодальным моделям. Авторы описывают поиск по Google Scholar, Scopus и Web of Science, тематическую фильтрацию и оценку включаемых исследований. Работа является повествовательным обзором; агрегированные показатели следует интерпретировать с учётом неоднородности выборок и экспериментальных протоколов.

В библиометрической части для 2026 года используется прогноз на полный год на основе публикаций первого квартала: 1530 × 12 / 3 = 6120. Это расчётная экстраполяция, а не фактически подтверждённое число публикаций за 2026 год.

Рисунок 2. Распределение публикационной активности по времени и странам в анализируемом обзоре; данные за 2026 год являются прогнозом.

Исторически выявление заболеваний по изображениям опиралось на вручную выделяемые признаки цвета, формы и текстуры с последующей классификацией методом опорных векторов (SVM), случайным лесом (RF), k-ближайшими соседями (KNN) и другими алгоритмами. Сверточные сети автоматизировали извлечение пространственных признаков, но зависимость от качества и условий получения обучающих изображений сохранилась.

Для гиперспектрального куба применяются 1D-CNN (обработка спектра одного пикселя), 2D-CNN (пространственный анализ выбранных каналов или признаков), 3D-CNN (совместный пространственно-спектральный анализ). Гибридные модели комбинируют свёртки с механизмами внимания и трансформерами, чтобы учитывать дальние взаимосвязи между каналами и участками изображения. Преимущества сложных архитектур следует сопоставлять с потребностью в данных, вычислительной стоимостью и риском переобучения.

Рисунок 3. Классификация методов диагностики болезней растений по RGB- и гиперспектральным данным.

Рисунок 4. Эволюция от традиционного машинного обучения к глубоким архитектурам и роль гиперспектральных признаков.

HSI регистрирует гиперкуб с двумя пространственными осями (x, y) и спектральной осью λ. Для каждого пикселя формируется спектр отражения. Спектральные особенности могут быть связаны с концентрацией хлорофиллов и каротиноидов, состоянием межклеточного пространства, тургором и содержанием воды. При заражении эти параметры меняются, однако аналогичные спектральные сдвиги могут быть вызваны засухой, недостатком питания, особенностями сорта или освещения; поэтому один признак не равнозначен этиологической диагностике.

В видимом диапазоне особенно заметны изменения пигментов; красный край (около 700–750 нм) чувствителен к вариациям хлорофилла; NIR связан с внутренней структурой листа, SWIR — в том числе с водным состоянием и биохимическими составляющими. Обзор подчёркивает, что универсальной «лучшей» длины волны для всех культур и патогенов нет.

Рисунок 5. Принцип гиперспектрального куба, получение спектральных подписей и их использование для анализа состояния растений.

Основные способы получения HSI: точечное сканирование (whisk-broom), линейное сканирование (push-broom), моментальная съёмка куба (snapshot) и последовательная регистрация через перестраиваемые фильтры. Выбор зависит от скорости движения объекта, требуемой пространственной детализации, спектрального охвата, допустимой освещённости и стоимости комплекса.

Рисунок 6. Четыре принципиальные схемы регистрации гиперспектральных изображений.

В лаборатории получают высокодетализированные и контролируемые данные, однако поле требует устойчивости к бликам, теням, ветру и изменению ракурса. БПЛА обеспечивают мобильность и охват, но ограничены временем полёта, массой полезной нагрузки и стабильностью освещения. Авиационные и спутниковые системы расширяют масштаб, жертвуя детализацией отдельных растений.

Рисунок 7. Сравнение платформ получения спектральных данных: лабораторных, наземных, беспилотных, авиационных и спутниковых.

Разрушение фотосинтетических пигментов может увеличивать отражение в красной области; изменения структуры мезофилла влияют на NIR-отклик, а изменение водного режима проявляется в полосах поглощения воды. Наблюдаемые эффекты зависят от вида возбудителя и растения, стадии инфекции и совместного действия нескольких стрессовых факторов. В обзоре рассматриваются грибные, бактериальные и вирусные заболевания, в том числе фитофтороз картофеля, ржавчины злаков и болезни риса.

Обзору посвящена большая сравнительная часть по доступным RGB-наборам (PlantVillage, PlantDoc и др.) и гиперспектральным коллекциям. Дефицит разнообразных открытых HSI-данных особенно заметен для ранних стадий болезни, смешанных инфекций, разных сезонов и культур. Выборка с одинаковым фоном может позволить модели использовать случайные признаки условий съёмки вместо биологии заболевания. Переносимость следует оценивать по независимым полям, сезонам и сортам, а истинный класс подтверждать лабораторными методами, когда это необходимо.

Рисунок 8. Сводная сравнительная иллюстрация диагностических возможностей спектральных подходов.

Рисунок 9. Примеры типичных наборов изображений болезней растений из лабораторных и полевых коллекций.

Авторы рекомендуют объединять доступную RGB-съёмку для массового обследования с более дорогими спектральными измерениями, когда требуется исследование ранних физиологических отклонений. Дополнение флуоресцентными, тепловизионными и погодными данными может повысить устойчивость диагностики, но требует точного совмещения модальностей, согласованной разметки и контроля качества исходных сигналов.

В качестве направлений развития выделяются спектрально-пространственные нейросети, перенос обучения, самообучение на неразмеченных данных, адаптация между доменами, облегчённые модели для edge-устройств, интерпретируемые алгоритмы и большие визуально-языковые модели. Последние рассматриваются скорее как перспективная вспомогательная технология анализа и поддержки решений, чем как уже валидированный способ выявления патогенов.

Рисунок 10. Обобщение перспектив и рекомендаций по внедрению интеллектуальной диагностики болезней растений.

Высокая лабораторная точность не доказывает устойчивость в поле. Спектральные изменения, предшествующие появлению симптомов, не всегда специфичны к отдельному патогену. Полевая проверка должна включать независимые выборки, различные освещения, погодные условия, стадии заражения, сорта и сезоны. Помимо общей точности необходимо сообщать чувствительность, специфичность, матрицы ошибок, неопределённость и экономическую целесообразность диагностики.

Некоторые численные и технические сведения в обзорных таблицах следует рассматривать как сведения авторов и перепроверять по первичным публикациям и паспортам аппаратуры перед использованием в ТЗ: например, отдельные характеристики спектральных платформ приведены в неоднородных единицах и масштабе.

HSI в сочетании с глубоким обучением расширяет возможности раннего выявления физиологических изменений у растений по сравнению с обычной RGB-визуализацией. Для перехода от исследовательских стендов к надёжным сельскохозяйственным системам важны не только новые архитектуры, но и калибровка сенсоров, стандартизация измерений, межсезонные базы данных, независимая биологическая верификация, интерпретируемость и снижение стоимости развёртывания. Рациональная стратегия — применять RGB как масштабируемый базовый инструмент, а HSI и мультимодальные измерения как дополнительные средства для более чувствительного анализа в сложных диагностических задачах.

Tunio, M. H., Li, S., Ahmed, A., Lei, L., Liang, C. Beyond the Visual Spectrum: From RGB-Based Learning to Hyperspectral Intelligence for Plant Disease Detection—Challenges and Opportunities. Sensors. 2026;26:3834. https://doi.org/10.3390/s26123834

Для полного списка первичных исследований и точных ссылок [1–…] следует обращаться к оригинальной статье. Настоящий документ намеренно сокращает библиографические и повторяющиеся обзорные разделы.