Распознавание болезней листьев с помощью методов глубокого обучения

Цифровизация растениеводства выдвинула распознавание болезней по изображениям листьев в число приоритетных задач. В работе представлена компактная и воспроизводимая система, пригодная для быстрого развёртывания в облачной среде и последующей адаптации. Подход сочетает многозадачное обучение (одновременное предсказание вида растения и болезни), физиологически мотивированную обработку каналов и устойчивые к ошибкам процедуры подготовки данных. Эксперименты выполнены на наборе New Plant Diseases Dataset (Augmented). Для ускорения выбраны шесть наиболее представленных классов; по каждому использовано до 120 изображений. Данные масштабировались до 192×192 и дополнялись геометрическими и цветовыми преобразованиями, а также мягкими синтетическими пятнами поражения. Индекс зелени ExG внедрялся в зелёный канал входного изображения. Архитектурной основой служила EfficientNet-B0: предложенная HiP²-Net имела две классификационные головы для болезни и вида. Обучение проводилось в два коротких этапа с частичной разморозкой хвоста базовой сети на втором этапе. Оценивание включало стандартные метрики, матрицы ошибок, тестовую аугментацию при выводе и анализ карт интегрированных градиентов для объяснимости. На сформированном подмножестве многозадачная HiP²-Net стабильно превосходила замороженную базовую модель по доле верных ответов и сводным метрикам. Синтетические пятна снижали чувствительность к фону и помогали распознавать слабые поражения, а внедрение ExG улучшало выделение тканей листа при переменном освещении. Карты интегрированных градиентов показывали фокус на прожилках и очагах некроза, что укрепляло доверие к предсказаниям и облегчало экспертную интерпретацию. Предлагаемая схема соединяет практичность облачного запуска и простые приёмы, опирающиеся на физиологию листа. Рекомендуется использовать постановку «вид+болезнь», включать ExG в предобработку и добавлять мягкие синтетические пятна: эти шаги повышают устойчивость к освещению, фону и геометрическим вариациям и упрощают перенос на новые коллекции изображений.