זיהוי מוקדם של כימשון בתפוחי אדמה באמצעות צילומי רחפן ומודל המבוסס על למידה עמוקה

אלה לונה פלנס, ד"ר שירה צוקר, פרופ' יובל בן-אבו – המכללה האקדמית ספיר בשיתוף חברת AgroScout  (כרזה מכנס האגודה המדעית הישראלית לגידולי שדה וירקות, עריכה מהכרזה: ד"ר דרור הדר}

רקע ומטרת המחקר

מחלת הכימשון (Late Blight) המנוהלת על ידי הפתוגן ההרסני ביותר בגידולי תפוח אדמה, עלולה לגרום לאובדן יבול דרמטי בתוך זמן קצר .היכולת לאתר את מוקדי המחלה הראשוניים במרחב השדה היא תנאי קריטי לניהול יעיל, מניעת התפשטות ובלימת נזקים.

במסגרת מחקר חדש שהוצג בכנס, פותח כלי ניטור מתקדם המשלב צילומי רחפן (RGB) יחד עם מודל למידה עמוקה (Deep Learning) במטרה לאתר ולקטלג באופן אוטומטי מוקדי כימשון בשדה.

מתודולוגיה

המודל שפיתחו החוקרים מבוסס על סיווג צמחים לשלוש קבוצות עיקריות:

1. צמחים בריאים
2. צמחים נגועים בכימשון
3. צמחים הסובלים מעקה אחרת

בבחינת ארכיטקטורות שונות ללמידה עמוקה, נמצא כי המודל ConvNext-Small  הניב את הביצועים הטובים ביותר עד כה.

תוצאות מרכזיות

• דיוק כולל : המודל הגיע לאחוז דיוק כולל של  86.25% על קבוצת המבחן.
• ניתוח השגיאות:  מהמטריצה ונתוני הביצוע עולה כי עיקר השגיאות במודל נבעו מקושי להבחין בין צמחי כימשון לבין צמחים הסובלים מעקה אחרת. לעומת זאת, ההבחנה והסיווג בין צמחים בריאים לבין צמחים נגועים בכימשון התגלו כמדויקים מאוד.

מסקנות וכיוונים לעתיד

התוצאות הראשוניות מוכיחות כי השימוש בפוטנציאל הגלום בתמונות RGB ממרחף, בשילוב עם מודלים של למידה עמוקה, מהווה כלי מבטיח לניטור חקלאי מדויק .המערכת מספקת תמיכה קריטית בקבלת החלטות לניהול מדויק של המחלה בשדה.  

המשך המחקר צפוי להתמקד בשיפור ביצועי המודל, הרחבת מאגר הנתונים, ובחינת יכולת ההתמודדות של המערכת עם תנאי צילום וסביבה משתנים.