Indische Forschende stellen ein KI-System vor, das Krankheiten in Weinblättern erkennt

Forschende in Indien haben ein neues System der künstlichen Intelligenz vorgestellt, das Krankheiten in Weinblättern anhand von Bildern erkennen soll – ein Werkzeug, das nach ihrer Darstellung Winzern helfen könnte, Probleme früher zu erkennen und zu reagieren, bevor sich Schäden im Weinberg ausbreiten.

Die Studie wurde am Montag in Scientific Reports veröffentlicht. Sie beschreibt ein Modell namens HASFT-Net, kurz für Deep High Attention Stage-by-Stage Forward Taylor Network, das entwickelt wurde, um Krankheiten an Weinblättern mithilfe von Bildanalyse und mehreren Ebenen der Computer-Vision-Verarbeitung zu klassifizieren.

Laut der Arbeit kann die Krankheit von Weinblättern durch verschiedene Erreger verursacht werden, die Verfärbungen oder Deformationen der Blätter hervorrufen. Die Autoren erklärten, dass viele bestehende Methoden Krankheiten erst erkennen, nachdem sichtbare Symptome aufgetreten sind, was die Behandlung verzögern und Erträge mindern kann. Ihr Ziel war es, die Klassifikationsleistung zu verbessern, indem sie Bildbereinigung, Segmentierung betroffener Bereiche und Merkmalsextraktion vor dem abschließenden Schritt der Krankheitsvorhersage kombinierten.

Zum Forschungsteam gehörten Lalitha R vom Rajalakshmi Institute of Technology in Chennai, Sivasangari Ayyappan vom GMR Institute of Technology in Andhra Pradesh, Saranya K vom Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology in Chennai sowie A. S. Malleswari von der Aditya University in Andhra Pradesh. Korrespondierende Autorin ist Malleswari. Die Arbeit erklärt, dass die Autoren keine Interessenkonflikte angegeben haben.

In dem von den Forschenden beschriebenen System wurden Bilder von Weinblättern aus einer bestehenden Datenbank entnommen, statt für diese Studie direkt in Weinbergen gesammelt zu werden. Die Bilder durchliefen zunächst eine Entrauschungsstufe mit einem Verfahren, das die Arbeit als Attention-Guided Convolutional Neural Network oder ADNet bezeichnet. Danach wurden krankhafte Bereiche mit einer Spatial Pyramid-oriented Encoder-Decoder Cascade Convolutional Neural Network, in der Arbeit als SPEDCCNN bezeichnet, unter Verwendung einer Tversky-Loss-Funktion segmentiert. Das segmentierte Ergebnis wurde anschließend mit einer Methode namens Siberian Tiger Optimization verfeinert.

Das Modell extrahierte außerdem mehrere visuelle Merkmale aus den Blattbildern, darunter Opponent Color Local Binary Pattern, Scale Invariant Feature Transform sowie Formmaße wie Rechteckigkeit, Exzentrizität und Rundheit. Diese Eingaben wurden dann von HASFT-Net für die Klassifizierung verwendet. Die Autoren erklärten, die Architektur sei so aufgebaut worden, dass sie Elemente aus NASNet, Taylor-Reihen-Methoden und einem Deep High-order Attention Neural Network kombiniert.

In den in der Arbeit berichteten Ergebnissen erreichte HASFT-Net eine Genauigkeit von 92,172 %, als das Modell mit 90 % der Lerndaten trainiert wurde. Die Studie meldete außerdem eine True-Positive-Rate von 92,883 %, eine True-Negative-Rate von 91,993 %, eine Präzision von 90,887 % und einen F1-Score von 91,874 %.

Diese Werte deuten darauf hin, dass das Modell unter den getesteten Bedingungen gut abschnitt, auch wenn die Arbeit nicht belegt, wie es sich in allen Weinbergumgebungen, Lichtverhältnissen oder Rebsorten im kommerziellen Einsatz verhalten würde. Da die Arbeit auf einer Bilddatenbank beruhte, wäre vor einer routinemäßigen Nutzung durch Winzer wahrscheinlich eine weitere Validierung unter Feldbedingungen erforderlich.

Das ist für den Getränkesektor relevant, weil Trauben der Rohstoff für die Weinproduktion sind und Krankheitsdruck sowohl Ertrag als auch Fruchtqualität beeinträchtigen kann. Sollten sich Systeme wie dieses außerhalb laborähnlicher Tests als zuverlässig erweisen, könnten sie ein präziseres Weinbergsmanagement unterstützen, Winzern helfen, früher einzugreifen, und möglicherweise Ernteverluste verringern. Eine frühere Erkennung könnte auch die Entscheidung verbessern, wann und wo Pflanzenschutzmaßnahmen eingesetzt werden sollten – ein Thema mit direkten Auswirkungen auf Kosten und Nachhaltigkeit im Weinbau.

Die Arbeit ging am 2. April ein, wurde am 6. Juli angenommen und am 27. Juli veröffentlicht. Sie erscheint als Open Access unter einer Creative-Commons-Lizenz Attribution-NonCommercial-NoDerivatives 4.0 International.

Die Studie erweitert eine wachsende Zahl von Arbeiten, die maschinelles Lernen in der Landwirtschaft einsetzen, insbesondere für die Überwachung der Pflanzengesundheit durch Bilderkennung. Im Weinbau hat dieser Trend Aufmerksamkeit erregt, weil sich Krankheitsausbrüche schnell ausbreiten können und die visuelle Kontrolle großer Rebflächen arbeitsintensiv ist. Ein System, das verdächtige Blätter anhand von Fotos markieren kann, könnte eines Tages zusammen mit Drohnen, Mobiltelefonen oder fest installierten Kameras eingesetzt werden, auch wenn diese Anwendungen in dieser Arbeit nicht getestet wurden.

Für Weinbergsbetreiber und Weinproduzenten ist die praktische Frage nicht nur, ob ein Algorithmus kranke Blätter in einem Forschungskontext klassifizieren kann, sondern ob er dies früh genug und zuverlässig genug tun kann, um Entscheidungen im Feld zu verändern. Diese Studie beantwortet diese weitergehende operative Frage für sich genommen nicht, bietet aber ein weiteres Beispiel dafür, wie KI-Tools rund um eine der hartnäckigsten Herausforderungen des Weinbaus entwickelt werden: Krankheiten zu erkennen, bevor sie Erntemenge oder Traubenqualität mindern.