ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА РАННЕГО ОПОВЕЩЕНИЯ И МОНИТОРИНГА РАСТЕНИЙ
Аннотация
Настоящее исследование направлено на систематизацию научных знаний о заболеваниях сель- скохозяйственных культур с последующей интеграцией полученных данных в системы автоматизиро- ванного управления агропроизводством. Актуальность работы обусловлена необходимостью миними- зации экономических потерь в растениеводстве за счёт ранней диагностики патологий и оптимизации фитосанитарного контроля. В рамках исследования проведена классификация заболеваний растений. В качестве модельного объекта выбрано растение базилик (Ocimum basilicum L.), характеризующееся высокой восприимчивостью к фитопатогенам в условиях интенсивного выращивания. Для создания инструмента автоматизированной диагностики осуществлён сбор специализированного датасета, включающего 214 изображений базилика на различных стадиях вегетации. Съёмка проводилась в кон- тролируемых условиях с использованием RGB-камеры. Каждый образец аннотирован с локализацией повреждения , площади поражения. Особое внимание уделено методологическим аспектам формиро- вания банков данных для биологических систем. Установлено, что ключевыми проблемами являются высокая вариабельность морфологических признаков у растений, влияние факторов окружающей сре- ды на визуальные проявления заболеваний. На основе анализа полученных данных предложена архитек- тура системы раннего оповещения, включающая три модуля: Сенсорный блок – малогабаритные каме- ры и датчики микроклимата. Алгоритмический блок – нейросетевая модель для семантической сег- ментации изображений и алгоритмы оценки динамики развития патологий. Интерфейс принятия решений и оповещения – рекомендации по корректировке режимов полива, внесения пестицидов и мик- роэлементов. Обучение свёрточной нейронной сети выполнено на основе фреймворка YOLOv11 с при- менением методов аугментации данных (гауссовский шум, аффинные преобразования) и трансферного обучения. Валидация модели на тестовой выборке показала точность детекции 74.7% (F1-score = 0.72). Для снижения ложноположительных срабатываний реализована постобработка предсказаний с учётом пространственно-временной корреляции данных. Разработанный прототип демонстрирует потенциал интеграции компьютерного зрения и агрономии для создания предиктивных систем управления. Дальнейшие исследования планируется направить на расширение датасета и уве- личение измеряемых параметров, а также внедрение алгоритмов обработки данных на edge- устройствах для уменьшения задержек в принятии решений. Полученные результаты могут быть адаптированы для других культур закрытого грунта, что способствует развитию точного земледелия и снижению антропогенной нагрузки на агроэкосистемы
Список литературы
1. Anantrasirichai N., Hannuna S., Canagarajah N. Towards automated mobile-phone-based plant pathology
management, arXiv preprint arXiv:1912.09239, 2019.
2. Abade A., Ferreira P. A., de Barros Vidal F. Plant diseases recognition on images using convolutional neural
networks: A systematic review, Computers and Electronics in Agriculture, 2021, Vol. 185, pp. 106125.
3. Kozarenko V.A. Metody raspoznavaniya meditsinskikh izobrazheniy v zadachakh komp'yuternoy
diagnostiki [Methods of medical image recognition in computer diagnostics tasks], Elektronnaya biblioteka
Gomel'skogo gosudarstvennogo universiteta [Electronic Library of Gomel State University]. Available at:
https://elib.gsu.by/bitstream/123456789/11756/1/Kozar_Recognition_methods_for_medical.pdf.
4. Smirnov A.V., Ivanova E.P. Effektivnost' svertochnykh neyronnykh setey razlichnoy arkhitektury dlya
zadachi diagnostiki depressii po dannym EEG [The effectiveness of convolutional neural networks of
various architectures for the task of diagnosing depression according to EEG data], Izvestiya
Saratovskogo universiteta [Proceedings of the Saratov University], 2023. Available at:
zadachi-diagnostiki.
5. Petrov K.S., Orlov A.D. Razrabotka avtomatizirovannykh algoritmov komp'yuternogo zreniya dlya
obrabotki meditsinskikh izobrazheniy [Development of automated computer vision algorithms for medical
image processing], KiberLeninka [CyberLeninka], 2022. Available at: https://cyberleninka.ru/article/
n/razrabotka-avtomatizirovannyh-algoritmov-kompyuternogo-zreniya-dlya-obrabotki-meditsinskihizobrazheniy.
6. Luo M. and Rhodes P. A study of digital camera colorimetric characterisation based on polynomial
modeling, Color Research and Application, 2001, 26, pp. 76-84.
7. Hannuna S., Kunkel T., Anantrasirichai N., Canagarajah N. Colour Correction for Assessing Plant
Pathology Using Low Quality Cameras, Proceedings of the International Conference on Bioinformatics
Models, Methods and Algorithms, 2011, pp. 326-331.
8. Wang Z., Chi Z. and Feng D. Shape based leaf image retrieval, IEE Proc of Vision, Image and Signal
Processing, 2003, 150, pp. 34-43.
9. Anantrasirichai N., Hannuna Sion, Canagarajah Nishan. Automatic Leaf Extraction from Outdoor
Images, arXiv:1709.06437.
10. Arkhipov A.G., Kosogor S.N., Motorin O.A., Gorbachev M.I., Suvorov G.A., Truflyak E.V. Tsifrovaya
transformatsiya sel'skogo khozyaystva Rossii [Digital transformation of agriculture in Russia]. Moscow:
FGBNU «Rosinformagrotekh», 2019, 80 p.
11. Zhukov A.O., Kulikov A.K., Kartsan I.N. Optimization of the control algorithm for heterogeneous robotic
agricultural monitoring tools, IOP Conference Series: Earth and Environmental Science.
Vol. 839, Innovative Development of Agrarian-and-Food Technologies, 2021. Sci. 839 032039. DOI:
10.1088/1755-1315/839/3/032039.
12. Zhukov A.O., Kulikov A.K., Surovtseva E.K. Razrabotka algoritma raspredeleniya zadach v gruppe
geterogennykh robototekhnicheskikh sredstv na osnove ekonomicheskikh mekhanizmov [Development
of an algorithm for distributing tasks in a group of heterogeneous robotic tools based on economic
mechanisms], Robototekhnika i tekhnicheskaya kibernetika [Robotics and Technical Cybernetics],
2018. Available at: https://doi.org/10.31776/RTCJ.6405.
13. Rumiantsev B., Dzhatdoeva S., Sadykhov E., Kochkarov A. A Model for the Determination of Potato
Tuber Mass by the Measurement of Carbon Dioxide Concentration, Plants, 2023, 12, 2962. Available
at: https://doi.org/10.3390/plants12162962в.
14. Rumiantsev B., Dzhatdoeva S., Zotov V., Kochkarov A. Analysis of the Potato Vegetation Stages Based
on the Dynamics of Water Consumption in the Closed Urban Vertical Farm with Automated Microclimate
Control, Agronomy, 2023, 13, 954. Available at: https://doi.org/10.3390/agronomy13040954.
15. Rumiantsev B.V., Kochkarov R.A., Kochkarov A.A. Graph-Clustering Method for Construction of the
Optimal Movement Trajectory under the Terrain Patrolling, Mathematics, 2023, 11, 223. Available at:
https://doi.org/10.3390/math11010223.
16. Kochkarov A.A., Kulikov A.K., Rumyantsev B.V. Opyt primeneniya i perspektivy ispol'zovaniya
iskusstvennogo intellekta v oblasti agrobiotekhnologiy [Experience of using state intelligence in industry.
Microbiological], Gorizonty matematicheskogo modelirovaniya i teoriya samoorganizatsii. K 95-
letiyu so dnya rozhdeniya S.P. Kurdyumova [Horizons of mathematical modeling and theory of selforganization.
On the 95th anniversary of S.P. Kurdyumov's birth]. Moscow: IPM im. M.V. Keldysha,
2024, pp. 144-153. Available at: https://doi.org/10.20948/k95-8.
17. Altieri M. Agroecology: The Science of Sustainable Agriculture. CRC Press, Endereço. 2nd ed. February
2018.
18. Sharada P. Mohanty, David P. Hughes, and Marcel Salathé. Using deep learning for image-based
plant disease detection, Frontiers in Plant Science, 2016, 7:1419.
19. Sally A. Miller, Fen D. Beed, and Carrie Lapaire Harmon. Plant Disease Diagnostic Capabilities and
Networks, Annual Review of Phytopathology, Sep 2009, 47 (1), pp. 15-38.
20. Anne-Katrin Mahlein. Plant disease detection by imaging sensors – parallels and specific demands for
precision agriculture and plant phenotyping, Plant Disease, 2016, 100 (2), pp. 241-251
