| Abstract | Current climate change situation is putting increasing pressure on agricultural systems, particularly on pest phenology. The frequent spread of invasive species, unexpected pest outbreaks, and the development of additional generations are some of the current problems. Integrated Pest Management (IPM) strategies therefore need to be changed, as do current monitoring techniques, which are increasingly unreliable and outdated. The need for more sophisticated, accurate, and efficient monitoring techniques is particularly necessary for economically important crops grown on large areas, such as apples. Apple production is threatened by numerous pests, the most important of which are from the butterfly order (Lepidoptera). Recently, artificial neural networks (ANN) have been increasingly used as a tool to build analytical models for automatic pest monitoring.
In this dissertation, ANNs are used as a tool to build analytical models for monitoring the most important apple pests from the order Lepidoptera, codling moth (Cydia pomonella(Linnaeus, 1758)) and pear leaf blister moth (Leucoptera malifoliella(O. Costa, 1836)), as well as the damage caused by pear leaf blister moth on apple leaves.
To develop the analytical models, datasetsof adhesivepads from traps and vegetation photos were collected in three apple orchards. The photos were annotated, resulting in 8142 annotations of codling moths, 4700 annotations of pear leaf blister moths, and 1880 annotations of damage to apple leaf (mines) by pear leaf blister moth. The results were statistically analyzed using the confusion matrix (CM).
The main results of the dissertation are that the developed analytical models based on ANNs showed excellent detection results with 99.3% accuracy in detecting codling moth, 98.13% in detecting pear leaf blister moth and 94.6% in detecting damage to apple leaves caused by pear leaf blister moth. With an accuracy in detecting and counting individuals of codling moth, pear leaf blister moth and its damage higher than > 90% compared to an expert, the developed models proved to be effective and the established hypotheses were confirmed. These developed models contribute to the introduction of new technologies involving analytical models based on ANNs in the field of crop protection. The use of these models provides comprehensive insight into the orchard situation, reliable monitoring of pests and their damage in real time, leading to targeted pest control, reduction of pesticide residues, and a lower ecological footprint. |
| Abstract (english) | Klimatske promjene uzrokuju probleme u svim aspektima poljoprivredne proizvodnje, pa tako i u praćenju i suzbijanju štetnika. Fenologija kukaca pod velikim je utjecajem klimatskih promjena. Promjene u temperaturi zraka izravno utječu na njihovu biologiju i ekologiju, dovode do povećanja reprodukcije, što uzrokuje pojavu dodatnih generacija kod brojnih štetnika, a time i posljedično većih šteta na usjevima. Osim sve većeg širenja invazivnih vrsta na nova područja, klimatske promjene imaju izravan utjecaj i na širenje neinvazivnih vrsta štetnika. S obzirom da se uvjeti pojave štetnika stalno mijenjaju, potrebno je prilagoditi metode njihovog praćenja. Metode integrirane zaštite bilja razvijene su kako bi se smanjili negativni utjecaji poljoprivrede na okoliš, a povećali prinosi i ekonomska isplativost proizvodnje. Međutim, ovakav pristup u posljednje vrijeme postaje sve manje praktičan i pouzdan, stoga se razvijaju prilagođene strategije za praćenje i suzbijanje štetnika, kako bi se odgovorilo na promjene klimatskih uvjeta. U posljednje vrijeme, sve više se primjenjuju umjetne neuronske mreže (eng. artificial neural network, ANN) kao alati za izradu modela za automatsko praćenje štetnika. Danas se neuronske mreže primjenjuju u mnogim segmentima života poput medicine, strojarstva i poljoprivrede. Većina modela dubokog učenja temelji se na umjetnim neuronskim mrežama, a korištenje dubokog učenja za automatsku detekciju štetnika putem fotografija sve se više primjenjuje u svrhu pravovremenog otkrivanja napada.
Potreba za korištenjem automatskih sustava za praćenje štetnika osobito se ističe kod kultura koje se uzgajaju na velikim površinama, poput jabuke. Najznačajniji štetnici jabuke su kukci iz reda Lepidoptera - jabukov savijač (Cydia pomonella (Linnaeus, 1758)) čije se gusjenice razvijaju u plodu i moljac kružnih mina (Leucoptera maifoliella (O. Costa, 1836)) čije se gusjenice razvijaju u listu jabuke. Populacija navedenih vrsta kukaca prati se pomoću feromona te se temeljem njihove brojnosti i pogodnosti klimatskih uvjeta za razvoj donose odluke o suzbijanju. U suzbijanju se najčešće koriste kemijske mjere što je dovelo do pojave rezistentnosti, stoga postoji opravdanost za razvojem i implementacijom automatskih sustava za praćenje navedenih štetnika jabuke.
Uzevši u obzir važnost ovih štetnika u proizvodnji jabuke, do sada je razvijeno nekoliko modela za praćenje jabukova savijača, međutim za razvoj učinkovitog analitičkog modela za praćenje štetnika potrebno je fotografije prikupljati na terenu, kako bi one predstavljale što pouzdaniji materijal za učenje i izradu modela. Kod svakog od do sada razvijenih modela za praćenje jabukova savijača potrebna su značajna poboljšanja u vidu točnosti, preciznosti i osjetljivosti, kao i u vidu manje potrošnje energije. Razvijeno je također i nekoliko modela za detekciju šteta od moljca kružnih mina. Da bi navedeni model bio potpuno učinkovit u pravovremenom otkrivanju napada, ključno je da uz štete na listovima, model prati i brojnost populacije odraslih jedinki moljca kružnih mina, jer se na taj način može ranije intervenirati i spriječiti nastanak oštećenja. Takav sustav za praćenje moljca kružnih mina do sada nije razvijen i ne postoji na tržištu. Nadalje, prema podacima iz literature, do sada razvijeni modeli za detekciju štetnika razvili su točnost detekcije veću od 90 % u odnosu na vizualni pregled stručnjaka, stoga se takvi modeli smatraju učinkovitima.
S obzirom na navedeno, postavljene su sljedeće hipoteze istraživanja : 1. Analitički model na bazi umjetnih neuronskih mreža u odnosu na vizualni pregled stručnjaka ima točnost prepoznavanja i prebrojavanja jedinki jabukova savijača i moljca kružnih mina višu od 90 %. 2. Analitički model na bazi umjetnih neuronskih mreža u odnosu na vizualni pregled stručnjaka ima točnost prepoznavanja i prebrojavanja šteta na listu od moljca kružnih mina višu od 90 %.
Stoga su ciljevi istraživanja u sklopu disertacije bili: 1. Izraditi analitički model za prepoznavanje i prebrojavanje jedinki jabukova savijača i moljca kružnih mina te utvrditi njegovu učinkovitost. 2. Izraditi analitički model za prepoznavanje i prebrojavanje šteta od moljca kružnih mina te utvrditi njegovu učinkovitost
Tijekom istraživanja u svrhu razvoja analitičkih modela podaci su prikupljani u tri voćnjaka jabuke. Tijekom jedne vegetacijske sezone prikupljeno je 430 fotografija ljepljivih ploča jabukova savijača, 400 fotografija ljepljivih ploča moljca kružnih mina i 400 fotografija krošnje jabuke u svrhu detekcije šteta na listu. Prikupljene fotografije su zatim označavane (anotirane), što je rezultiralo s 8142 anotacija jabukova savijača, 4700 anotacija moljca kružnih mina i 1880 šteta na listu (mina).
Nakon prikupljanja svih potrebnih podataka pristupilo se izradi analitičkih modela. Izrada modela na bazi umjetnih neuronskih mreža započinje definiranjem seta ulaznih i izlaznih varijabli te prilagodbom podataka potrebama razvoja modela. Ulazne varijable su prikupljene i označene fotografije manjih dimenzija 640x640 piksela, od originalne fotografije dimenzija 4000 x 3900 piksela. Kako bi se povećao broj fotografija na ulazu u umjetnu neuronsku mrežu, koristile su se i transformacije ulazne fotografije. Arhitektura umjetne neuronske mreže korištena u istraživanju u sklopu ove disertacije je EfficientDet 4 koja pokazuje najbolju kvalitetu detekcije objekata u fotografiji. Za izradu modela korišten je programski jezik Python 3.6 i biblioteka za umjetne inteligencije Tensorflow.
Baza podataka, odnosno označenih fotografija podijeljena je na tri seta: set za trening, set za validaciju i set za test modela. Za trening modela koristilo se 80-95 % nasumično odabranih fotografija, preostalih 5-20 % fotografija koristilo se za validaciju (provjeru kvalitete modela tijekom same izrade), a za test modela koristilo se 30 novih fotografija, koje nisu korištene u prethodnim fazama razvoja. Validacija modela provodi se korištenjem različitih osnovnih statističkih elemenata koji definiraju preciznost detekcije objekata, kao i određenih statističkih indikatora. Testiranje modela, tj. provjera njegove kvalitete nakon ukupne izrade, provodi se zbog važnosti rada modela u praksi. Dobiveni rezultati testiranja modela statistički su se analizirali primjenom matrice zabune (eng. confusion matrix). Matrica se sastoji od 4 kategorije (TP - true positive, TN - true negative, FP - false positive i FN – false negative).
Glavni rezultati disertacije pokazali su da razvijeni analitički modeli pokazuju izvrsne rezultate detekcije s 99,3 % točnosti u detekciji jabukova savijača, 98,13 % točnosti u detekciji moljca kružnih mina i 94,6 % točnosti u detekciji oštećenja listova jabuke od moljca kružnih mina. Uzevši u obzir da je točnost prepoznavanja i prebrojavanja jedinki jabukova savijača, moljca kružnih mina i šteta na listu od moljca kružnih mina veća od 90 % u odnosu na vizualni pregled stručnjaka, razvijeni modeli pokazali su se učinkovitima, a postavljene hipoteze prihvaćene.
Primjenom ovih modela, omogućava će se detaljan i sveobuhvatan uvid u stanje voćnjaka jabuke. Model za praćenje odraslih oblika moljca kružnih mina, kao i modeli koji omogućuju kompletan uvid u situaciju u voćnjaku jabuke do sada ne postoje na tržištu i prvi put su predstavljeni u sklopu ove disertacije. Razvijeni modeli doprinose automatskom praćenju štetnika i održivoj proizvodnji jabuke. A znanstveni doprinos ove disertacije je u implementaciji novih tehnologija koje uključuju analitičke modele na bazi umjetnih neuronskih mreža u području zaštite bilja. Što se odnosi na razvoj sustava ranog uočavanja štetnika i primjenu analitičkih modela na bazi umjetnih neuronskih mreža u detekciji ekonomskih štetnika jabuke (jabukova savijača te moljca kružnih mina i njegovih šteta). Primjenom navedenih tehnologija unaprijedila bi se zaštita bilja, te smanjio ekološki otisak u voćarskoj proizvodnji. |
