Мударисов Салават Гумерович - д-р техн. наук, профессор, член-корреспондент Академии наук Республики Башкортостан.
Уфа
Salavat G. Mudarisov - Dr.Sc.(Eng.), professor, corresponding Member of the Academy of Sciences of the Republic of Bashkortostan.
Ufa
Мифтахов Ильнур Ринатович – аспирант.
Уфа
Ilnur R. Miftakhov - graduate student.
Ufa
Отметили, что при использовании технологий дистанционного зондирования и алгоритмов глубокого обучения значительно улучшаются возможности диагностики заболеваний растений на основе аэрофотоснимков. Работа посвящена анализу методов глубокого обучения и беспилотных летательных аппаратов для идентификации заболеваний сельскохозяйственных культур. (Цель исследования) Обобщение научных материалов по применению беспилотных летательных аппаратов, технологий дистанционного зондирования и методов глубокого обучения для раннего выявления и прогнозирования заболеваний культурных растений. (Материалы и методы) Представлены различные технологии с применением беспилотных летательных аппаратов и сенсоров для мониторинга состояния растений. Рассмотрены современные средства компьютерного зрения, направленные на повышение точности идентификации патологий растений. (Результаты и обсуждение) Выполнен анализ научных работ с 2010 по 2023 год. Основное внимание уделено сравнению эффективности различных алгоритмов глубокого обучения, таких как свёрточные нейронные сети (CNN), с традиционными методами, включая метод опорных векторов (SVM), и классификаторы случайного леса. Показано, что алгоритмы глубокого обучения обеспечивают более точное и раннее выявление заболеваний, что делает их перспективными для применения в растениеводстве. Обозначили вызовы, связанные с применением беспилотных аппаратов, ограничения, обусловленные качеством данных, сложностью обработки больших объемов изображений и необходимостью разработки более совершенных моделей. Предложены пути преодоления этих проблем, в том числе оптимизация алгоритмов и улучшение методов предварительной обработки данных. (Выводы) Сочетание беспилотных летательных аппаратов и глубокого обучения открывает новые перспективы для повышения эффективности агропроизводства. Такие технологии позволяют точно диагностировать заболевания растений на ранних стадиях и прогнозировать их развитие, чтобы своевременно принимать меры по защите урожая. Интеграция интеллектуальных систем компьютерного зрения и беспилотной авиации является перспективным направлением, способным значительно улучшить методы мониторинга и управления здоровьем растений.
The paper underscores the significant advancements in plant disease diagnostics achieved through the integration of remote sensing technologies and deep learning algorithms, particularly in aerial imagery interpretation. It focuses on evaluating deep learning techniques and unmanned aerial vehicles for crop disease detection. (Research purpose) The study aims to review and systemize scientific literature on the application of unmanned aerial vehicles, remote sensing technologies and deep learning 24 methods for the early detection and prediction of crop diseases. (Materials and methods) The paper presents various technologies employing unmanned aerial vehicles and sensors for monitoring plant condition, with an emphasis on modern computer vision tools designed to improve the accuracy of plant pathology identification. (Results and discussion) The analysis encompasses scientific publications from 2010 to 2023, with a primary focus on comparing the effectiveness of deep learning algorithms, such as convolutional neural networks (CNN), against traditional methods, including support vector machines (SVMs) and random forest classifiers. The findings demonstrate that deep learning algorithms offer more accurate and earlier detection of diseases, highlighting their potential for application in plant growing. The paper also addresses challenges associated with the use of unmanned aerial vehicles, such as data quality limitations, the complexity of processing large volumes of images, and the need for the development of more advanced models. The paper proposes solutions to these issues, including algorithm optimization and improved data preprocessing techniques. (Conclusions) The integration of unmanned aerial vehicles and deep learning provides new prospects for enhancing the efficiency of agricultural production. These technologies enable precise early-stage diagnosis of plant diseases and facilitate the prediction of their progression, allowing for timely implementation of crop protection measures. The combination of intelligent computer vision systems with unmanned aerial vehicles presents significant opportunities for advancing monitoring methods and improving plant health management.
The authors declare that there are no conflicts of interest present.