سود:
- توانایی ایجاد جریان تشخیص اولیه و منطق مدیریت یکپارچه آفات (IPM) با هوش مصنوعی از تصاویر برگ/میوه
- امکان تبدیل توضیحات علائم به یک دستور ساخت یافته و تهیه لیستی از عوامل احتمالی و تشخیص افتراقی
- امکان جلوگیری از سوء استفاده با تایید تشخیص هوش مصنوعی با نمونه میدانی، آزمایشگاه و برچسب دارویی دارای مجوز
زمانی که یک بیماری یا آفت در مزرعه مشاهده می شود، اغلب خیلی دیر شده است. تشخیص زودهنگام و دقیق تنها چیزی است که باعث صرفه جویی در کارایی می شود. اما تشخیص یکی از سختترین تصمیمها در کشاورزی است: زردی یکسان میتواند ناشی از بیست علت مختلف باشد، همان نقطه میتواند نشانهای از قارچ، باکتری یا کمبود مواد مغذی باشد. هوش مصنوعی ابزاری است که در سالهای اخیر توجه زیادی را در این زمینه به خود جلب کرده است: برنامههایی که میگویند «این میتواند کپک پودری باشد» از عکس یک برگ رواج یافته است. این واحد قدرت واقعی و - مهمتر از آن - محدودیت های خطرناک تشخیص هوش مصنوعی مبتنی بر تصویر را آموزش می دهد. به شما نشان می دهد که چگونه در چارچوب مدیریت یکپارچه آفات (IPM) هوش مصنوعی را به تصمیم درست و نه سمپاشی اشتباه متصل کنید. اجازه دهید از ابتدا به شما هشدار دهیم: انتخاب دارو و دوز از نظر ایمنی بسیار مهم است. هوش مصنوعی تشخیص اولیه را پیشنهاد می کند، مهندس مجاز تشخیص و تجویز را تأیید می کند.
چرا تشخیص تصویر مشکل است؟
حتی چشم انسان هم فریب خورده است. فریب یک مدل بسیار ساده تر است. اول، شباهت علائم: یک لکه قارچی برگی، یک لکه باکتریایی و کمبود روی همگی می توانند روی برگ بسیار شبیه به هم به نظر برسند. دوم، فقدان زمینه: مدل عکس را می بیند اما از منطقه، آب و هوا، تاریخچه محصول، وجود آفت در آن منطقه اطلاعی ندارد—بنابراین ممکن است نشان دهنده بیماری باشد که هرگز در آن منطقه یافت نشده است (توهم). سوم، کیفیت عکس: نور، زاویه، وضوح تشخیص را به طور اساسی تغییر می دهد. مرحله چهارم: علائم اولیه و علائم پیشرفته بسیار متفاوت به نظر می رسند. به همین دلیل است که هوش مصنوعی تصویر یک تشخیص نیست، بلکه شروعی برای تشخیص افتراقی است - دستیاری که علل احتمالی را فهرست میکند و به شما میگوید به کجا نگاه کنید.
چارچوب مدیریت یکپارچه آفات (IPM).
گیاهپزشکی مدرن با منطق "با آفتکشها میبینم" کار نمیکند، بلکه با منطق IPM (مدیریت یکپارچه آفات به زبان انگلیسی): ابتدا به درستی نظارت و تشخیص دهید، سپس آستانه آسیب اقتصادی را بررسی کنید (تراکم آفت در سطحی است که مداخله را توجیه کند)، اقدامات فرهنگی و بیولوژیکی را ارزیابی کنید، کنترل شیمیایی را بهعنوان آخرین و در زمان مناسب درمان کنید. هوش مصنوعی می تواند در هر پیوندی در این زنجیره کمک کند - فرضیه تشخیصی، یادآوری آستانه، فهرست اقدامات جایگزین - اما در هیچ پیوندی به تنهایی تصمیم نمی گیرد.
نکته: به جای اینکه از هوش مصنوعی بپرسید "کدام دارویی را باید تجویز کنم"، بپرسید "چه عواملی این علامت را نشان می دهد و چگونه می توانم هر کدام را در این زمینه تشخیص دهم؟" سوال اول شما را به سمت داروی اشتباه هدایت می کند، سوال دوم به تشخیص صحیح.
پیکربندی توضیحات علائم
حتی بدون تصاویر، یک توصیف خوب از علائم، تشخیص افتراقی قوی از هوش مصنوعی را به همراه دارد. یک توصیف خوب شامل: محصول و رقم، مرحله رشد، محل علامت (برگ بالایی/پایینی، میوه، ساقه، ریشه)، رنگ و شکل (لکه، هاله، زرد شدن، پژمردگی)، توزیع (لکهای، بین رگهای، کل مزرعه)، زمان (بعد از بارندگی) و شرایط محیطی (رطوبت، دما) است. این دستور العمل ساختار یافته حدس و گمان مدل را کاهش می دهد.
سه مورد کوچک: با اعداد
مورد 1 - راهنمایی صحیح. ظاهر لکه های زرد روغن روی برگ ها در یک تاکستان به هوش مصنوعی توصیف شد. هوش مصنوعی فرضیه سفیدک کرکی را ترویج کرد و کنترل خاکستر سفید را در سطح پایین برگ پیشنهاد کرد. این علامت در میدان تایید شد، نمونه به آزمایشگاه فرستاده شد و پس از تایید تشخیص، مداخله به موقع با محصول دارای مجوز انجام شد. گسترش محدود باقی ماند.
مورد 2 - گرفتن توهم. در یک گلخانه گوجه فرنگی، هوش مصنوعی "آسیب احتمالی ملخ صحرا" را از این علامت پیشنهاد کرد. با این حال، علامت در گلخانه الگوی آفت مکنده (سفیدک) بود و ملخ بیابانی در آن منطقه/شرایط مشکلی نداشت. فیلتر منطقی زراعی (محصول، محیط زیست، جغرافیا) پیشنهاد اشتباه را حذف کرد. عامل واقعی با تله چسبنده زرد تایید شد.
مورد 3 - غذا یا بیماری؟ مشاهده زردی بین ورید در مزرعه ذرت به عنوان "بیماری احتمالی" مطرح شد. مهندس می دانست که الگوی بین رگه ای یک الگوی کلاسیک کمبود منیزیم است. تجزیه و تحلیل برگ این را تایید کرد. مکمل های منیزیم، نه دارو، راه حل بودند. از کاربرد غیرضروری و مضر آفت کش جلوگیری شد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
روی برگ یک لکه زرد وجود دارد، از چه دارویی استفاده کنم؟
اعلان قدرتمند:
نقش شما: زراعت متخصص حفاظت از گیاهان (رویکرد IPM). یک تشخیص افتراقی با توجه به شرح علائم زیر انجام دهید. تشخیص ندهید، دارو را توصیه نکنید. علامت: محصول [..]، مرحله [..]، مکان [برگ بالایی/پایینی..]، رنگ/شکل [..]، توزیع [تکه/کل مزرعه]، زمان [بعد از بارندگی..]، شرایط [رطوبت/دما]. عوامل IB3POSS-5-وظیفه: (قارچی/باکتریایی/ویروسی/مضر/مغذی/غیر زیستی).- هر عامل آزمایشی را بنویسید که به من امکان می دهد در مزرعه/آزمایشگاه تمایز قائل شوم.- عواملی را که برای منطقه/محصول معقول نیستند حذف کنم و دلیل آن را بیان کنم.- در مورد آستانه آسیب اقتصادی و جایگزین های IPM چه چیزی را باید بررسی کنم؟
اعلان قدرتمند هوش مصنوعی را به تشخیص و تأیید افتراقی هدایت می کند، اختیار تشخیص و تجویز را حفظ می کند، فیلتر معقولیت و چارچوب IPM را اعمال می کند.
چهار قالب قابل کپی
1) لیست تشخیص افتراقی:
3-5 عامل احتمالی را برای توصیف این علامت به ترتیب احتمال بیان کنید. برای هر کدام: تفاوت علائم معمولی، روش تمایز در زمینه، آیا به سرعت رشد می کند. تشخیص نده
2) فیلتر معقولیت:
از این فهرست فاکتورها، عواملی را که برای منطقه/اقلیم/محصول/فصلی که داده ام معقول نیستند حذف کنید و دلیل هر حذف را بنویسید. بقیه را به عنوان "در فیلد تأیید کنید" علامت بزنید.
3) طرح نمونه برداری و تایید:
چگونه برای این بیماری مشکوک نمونه برداری کنیم (کدام بافت، چند گیاه، چگونه آن را نگهداری کنیم)، کدام آزمایش آزمایشگاهی درخواست می شود؟ قدم به قدم بنویس
4) چارچوب تصمیم گیری IPM:
با فرض عامل [تأیید شده]: (1) بررسی کنید آستانه خطر اقتصادی چقدر است، (2) جایگزین های فرهنگی/بیولوژیکی، (3) مواد شیمیایی در صورت لزوم مطابقت محصول و برچسب دارای مجوز، مدیریت مقاومت. دوز; مواردی که باید بررسی شوند را ارائه دهید.
نوع عامل
نکته معمولی
تبعیض قائل نشو
قارچی
لکه + خاکستر / کپک، با رطوبت افزایش می یابد
میکروسکوپ/فرهنگ
باکتریایی
لکه آبکی، هاله، بوی بد
تست آزمایشگاهی
ویروسی
موزاییک، تغییر شکل، وکتور
تست سرولوژیکی/PCR
مضر
سوراخ، مکنده، حشره زنده
تله، شمارش بصری
کمبود تغذیه ای
الگوی متقارن / بین دانه ای
تجزیه و تحلیل برگ
غیر زنده
یخ زدگی/آفتاب/آسیب دارویی
تاریخچه + توزیع
اشتباهات رایج
- با فرض قطعی تشخیص تصویر. عکاسی شروع کننده تشخیص افتراقی است نه تشخیص. نمونه و آزمایشگاه مورد نیاز است.
- دور زدن منطقی بودن منطقه مدل ممکن است آفتی را پیشنهاد کند که در منطقه وجود ندارد. از طریق جغرافیا/اقلیم فیلتر کنید.
- فراموش کردن علت تغذیه ای/غیرزیستی بسیاری از علائم "شبیه بیماری" به دلیل کمبود یا آسیب آفتاب / یخ زدگی / دارو است.
- سمپاشی بدون عبور از آستانه. هر چیزی که در IPM دیده می شود نیاز به مداخله مضر ندارد. آستانه خسارت اقتصادی را ببینید.
- نادیده گرفتن مجوز و برچسب. داروی بدون مجوز یا دوز نادرست در محصول، خطر باقی مانده و مقاومت را ایجاد می کند.
توجه: سمپاشی بر اساس تشخیص اشتباه یک آسیب سه جانبه است: بیماری متوقف نمی شود، موجودات مفید می میرند، باقی مانده ها و سویه های مقاوم در محصول ایجاد می شود. تا زمانی که تشخیص تایید نشود، هیچ تصمیم دارویی گرفته نمی شود.
به طور خلاصه
تشخیص هوش مصنوعی مبتنی بر تصویر یک ابزار اولیه قدرتمند است، اما به دلیل شباهت علائم، کمبود زمینه و توهم، یک تشخیص افتراقی است، نه یک تشخیص. رویکرد صحیح چارچوب IPM است: فهرست کردن عوامل احتمالی با شرح علائم ساختاری، فیلتر کردن آنها برای قابل قبول بودن، تأیید صحرایی و آزمایشگاهی، بررسی آستانه اقتصادی و مداخله تنها در صورت لزوم با یک داروی دارای مجوز و هدف. هوش مصنوعی تشخیص اولیه را پیشنهاد می کند. مسئولیت تشخیص و تجویز بر عهده مهندس کشاورزی مجاز می باشد.
وظیفه کاربردی
سناریوی علائم را بنویسید (به عنوان مثال "گوجه فرنگی، دوره گلدهی، زردی بین رگبرگی در برگهای پایینی، شدید در گوشه مزرعه با رطوبت کم"). آن را با الگوهای «فهرست تشخیص افتراقی» و «فیلتر معقولیت» از این واحد به هوش مصنوعی بدهید. در خروجی، ارزیابی کنید که هوش مصنوعی چند نوع عامل مختلف را پیشنهاد میکند، آیا علت تغذیهای/غیرزیستی را در نظر میگیرد و آیا توصیهای غیرمنطقی برای منطقه ارائه میکند یا خیر. برای هر عامل، یک آزمون متمایز را که در این زمینه بررسی می کنید، یادداشت کنید.
چک لیست
- [ ] من این علامت را ساختار یافته توصیف کردم (محصول، مرحله، مکان، رنگ، توزیع، شرایط).
- [ ] من خروجی هوش مصنوعی را به عنوان تشخیص افتراقی دریافت کردم، نه تشخیص.
- [ ] من فیلتر منطقی منطقه/اقلیم/محصول را اعمال کردم.
- [ ] من عامل را با نمونه میدانی و در صورت لزوم آزمایشگاه تایید کردم.
- [ ] من آستانه IPM را بررسی کردم و فقط مداخله دارای مجوز و مطابق با برچسب را با تأیید مهندس برنامه ریزی کردم.