AI wykrywa choroby drzew oliwnych dzięki generowaniu danych
Naukowcy łączą CutMix, MixUp i DCGAN, by poprawić klasyfikację chorób drzew oliwnych modelem EfficientNetV2B0 i wzbogacić rolnictwo precyzyjne.

Źródło zdjęcia: arXiv.org
Zespół badawczy z Maroka opublikował na arXiv pracę poświęconą poprawie skuteczności modeli głębokiego uczenia w diagnostyce chorób drzew oliwnych. Artykuł dostępny jest w oryginale na arXiv i opisuje kompleksową strategię generowania danych, mającą rozwiązać dwa klasyczne problemy uczenia maszynowego w rolnictwie precyzyjnym: zbyt małą liczbę danych treningowych oraz nierównowagę klas.
Autorami pracy są Hicham El Akhal, Abderrahim Waga, Aissa Ben Yahya oraz Abdelbaki El Belrhiti El Alaoui. Badanie zostało zgłoszone na arXiv 26 października 2026 roku pod sygnaturą arXiv:2610.35984 w kategorii Artificial Intelligence (cs.AI).
Kluczowe wnioski
- Autorzy łączą cztery techniki generowania danych: tradycyjną augmentację, CutMix, MixUp oraz syntetyczne generowanie obrazów za pomocą sieci DCGAN (Deep Convolutional Generative Adversarial Networks).
- Wygenerowane dane wykorzystano w trzech różnych scenariuszach dystrybucji: balansowanie klas w oryginalnym zbiorze (S1), zwiększanie liczby próbek w każdej klasie (S2) oraz rozszerzanie zbioru przy zachowaniu równowagi klas (S3).
- Do oceny wpływu tych strategii na skuteczność klasyfikacji zastosowano architekturę EfficientNetV2B0, testowaną zarówno z wagami wstępnie wytrenowanymi, jak i dostrojonymi (fine-tuned).
- Wyniki eksperymentów wykazały istotną poprawę dokładności klasyfikacji, co potwierdza kluczową rolę różnorodności danych i zbalansowania klas w uczeniu modeli diagnostycznych.
- Praca podkreśla praktyczną użyteczność proponowanej strategii dla wykrywania chorób roślin i rolnictwa precyzyjnego.
Problem niedoboru danych w diagnostyce chorób roślin
Modele głębokiego uczenia od lat uznawane są za skuteczne narzędzie w szerokim spektrum zastosowań, w tym w diagnozowaniu chorób roślin na podstawie zdjęć. Jak podkreślają autorzy pracy, ich realna skuteczność jest jednak często ograniczana przez dwa powiązane ze sobą czynniki: niewystarczającą ilość danych treningowych oraz nierównomierny rozkład klas w zbiorach danych. W praktyce oznacza to, że niektóre choroby lub stany zdrowotne roślin są znacznie rzadziej reprezentowane w dostępnych zbiorach obrazów niż inne, co utrudnia modelom nauczenie się ich rozpoznawania z wysoką pewnością.
Problem ten jest szczególnie dotkliwy w przypadku wąskospecjalistycznych zastosowań, takich jak klasyfikacja chorób drzew oliwnych, gdzie gromadzenie dużych, zrównoważonych zbiorów obrazów terenowych jest kosztowne i czasochłonne. Zamiast polegać wyłącznie na zbieraniu kolejnych rzeczywistych próbek, autorzy proponują systematyczne generowanie danych syntetycznych i pochodnych jako sposób na sztuczne zwiększenie i wyrównanie zbioru treningowego.
Cztery techniki generowania danych i trzy scenariusze dystrybucji
Rdzeniem proponowanej metody jest zestawienie czterech różnych podejść do tworzenia nowych próbek danych. Obok tradycyjnych metod augmentacji obrazów, badacze zastosowali CutMix i MixUp – techniki polegające na łączeniu fragmentów lub cech różnych obrazów treningowych w celu stworzenia nowych, hybrydowych przykładów. Czwartym elementem jest generowanie w pełni syntetycznych obrazów przy użyciu sieci DCGAN, czyli głębokich konwolucyjnych generatywnych sieci przeciwstawnych.
Tak wygenerowane dane posłużyły następnie do zbudowania trzech odrębnych scenariuszy dystrybucji danych, które autorzy testowali niezależnie:
- S1 – balansowanie rozkładu klas w oryginalnym zbiorze danych, bez jego powiększania.
- S2 – zwiększanie liczby próbek przypisanych do każdej klasy, niezależnie od wyjściowej równowagi.
- S3 – jednoczesne rozszerzanie całego zbioru danych przy zachowaniu zbalansowanej liczby próbek w poszczególnych klasach.
Takie zróżnicowane podejście pozwoliło badaczom osobno ocenić, czy większe znaczenie dla skuteczności modelu ma sama ilość danych, ich równowaga między klasami, czy też kombinacja obu tych czynników.
Ewaluacja na architekturze EfficientNetV2B0
Do oceny wpływu poszczególnych strategii dystrybucji danych na skuteczność klasyfikacji autorzy wykorzystali architekturę EfficientNetV2B0 – jeden z wariantów rodziny sieci EfficientNet zoptymalizowanych pod kątem efektywności obliczeniowej przy zachowaniu wysokiej dokładności. Model testowano w dwóch wariantach: z wagami wstępnie wytrenowanymi (pre-trained) oraz po dodatkowym dostrojeniu (fine-tuned) na docelowym zbiorze danych dotyczącym chorób drzew oliwnych.
Według autorów wyniki eksperymentów wykazały „istotną poprawę dokładności klasyfikacji”, co ich zdaniem potwierdza kluczową rolę różnorodności danych oraz zbalansowania klas dla ostatecznej jakości modelu. Wnioski te mają potwierdzać skuteczność i elastyczność zaproponowanej strategii generowania i dystrybucji danych jako sposobu na podniesienie jakości zbiorów treningowych wykorzystywanych w diagnostyce chorób roślin.
Znaczenie dla rolnictwa precyzyjnego
Autorzy pracy wskazują, że przedstawiona metodologia ma obiecujące zastosowania w szerszym kontekście wykrywania chorób roślin i rolnictwa precyzyjnego. W praktyce oznacza to, że podobne strategie łączenia tradycyjnej augmentacji, technik mieszania obrazów (CutMix, MixUp) oraz generatywnych sieci przeciwstawnych mogą być przenoszone na inne uprawy i inne choroby, w których badacze lub rolnicy dysponują ograniczonymi, niezrównoważonymi zbiorami danych obrazowych. Takie podejście może przyczynić się do szybszego i tańszego budowania skutecznych systemów wczesnego wykrywania chorób roślin, bez konieczności żmudnego gromadzenia tysięcy nowych zdjęć terenowych dla każdej rzadkiej kategorii.
Praca pokazuje więc, że problem jakości danych w specjalistycznych zastosowaniach rolniczych można częściowo rozwiązać nie poprzez zbieranie większej liczby rzeczywistych zdjęć, lecz poprzez inteligentne łączenie różnych technik generowania i dystrybucji danych syntetycznych.
Źródła
Podobne publikacje

LoRAWeaver: wybór adapterów LoRA bez trenowania routera
LoRAWeaver dobiera adaptery LoRA bez trenowania routera, porównując reprezentacje zapytań z prototypami zadań. Testy na LLaMA-2 i 48 zadaniach FLAN-v2.

MIT: „drugi pilot” AI pomaga inżynierom projektować konstrukcje
Drugi pilot AI z MIT pyta inżyniera o opinię w trakcie optymalizacji topologii. Efekt: lepsza wytwarzalność i nośność kosztem zaledwie 15 sekund więcej pracy.

CheMeleon z MIT przewiduje właściwości cząsteczek przy niewielu danych
CheMeleon, otwarty model bazowy z MIT, przewiduje właściwości cząsteczek na podstawie niewielu danych. Już korzystają z niego firmy farmaceutyczne. Jak działa?