Алексей Викторович Сибирёв, доктор технических наук, главный научный сотрудник, член-корреспондент Российской академии наук
Москва
Alexey V. Sibirev, Dr.Sc.(Eng.), chief researcher, corresponding member of the Russian Academy of Sciences
Moscow
Алексей Юрьевич Овчинников, младший научный сотрудник
Москва
Alexey Yu. Ovchinnikov, junior researcher
Moscow
Владимир Сергеевич Тетерин, кандидат технических наук, старший научный сотрудник
Москва
Vladimir S. Teterin, Ph.D.(Eng.), senior researcher
Moscow
Николай Сергеевич Панферов, кандидат технических наук, старший научный сотрудник
Москва
Nikolay S. Panferov, Ph.D.(Eng.), senior researcher
Moscow
Сергей Александрович Пехнов, старший научный сотрудник
Москва
Sergey A. Pekhnov, senior researcher
Moscow
Возможность своевременно отличать заболевшие сельскохозяйственные культуры от здоровых играет решающую роль в обеспечении продовольственной безопасности и минимизации экономических потерь. Машинное зрение в сочетании с алгоритмами глубокого обучения позволяет эффективно и точно отслеживать состояние посадок картофеля, выявляя симптомы заболеваний, что является более продуктивным подходом по сравнению с традиционными методами визуальной оценки. (Цель исследования) Сравнительный анализ одноэтапного и двухэтапного подходов к распознаванию заболевших и здоровых растений картофеля на основе алгоритмов глубокого обучения. (Материалы и методы) В исследовании использовали два подхода к процессу обучения нейронной сети с целью распознаванию заболевших и здоровых растений картофеля: одноэтапный и двухэтапный. В рамках одноэтапного подхода применялся один алгоритм глубокого обучения для одновременной классификации и локализации растений. Двухэтапный подход включал использование двух алгоритмов: первый определял границы растений, а второй классифицировал их как здоровые или заболевшие. С целью обучения алгоритмов использовались различные базы данных, включая снимки листьев и кустов картофеля. (Результаты и обсуждение) Проведен сравнительный анализ эффективности одноэтапного и двухэтапного подходов к распознаванию заболевших растений картофеля с использованием алгоритмов глубокого обучения. По каждому методу обучения было определено общее среднеквадратичное отклонение и среднеквадратичное отклонение для координат, построены матрицы запутанности. (Выводы) Двухэтапный подход продемонстрировал высокую эффективность в дифференциации больных и здоровых кустов картофеля, несмотря на небольшое снижение точности определения координат по сравнению с методом двухэтапного обучения, где использовались снимки как отдельных листьев, так и растений в целом. Данные методы имеют уникальные преимущества и могут быть интегрированы с современными технологиями для более эффективного выявления фитопатологий.
The timely identification of diseased agricultural crops is essential for maintaining food security and reducing economic losses. The integration of machine vision with deep learning algorithms offers a more efficient and accurate method for monitoring potato crops and detecting disease symptoms than conventional visual assessment techniques. (Research purpose) This study aims to conduct a comparative analysis of one-stage and two-stage deep learning approaches for recognizing diseased and healthy potato plants. (Materials and methods) Two approaches were employed to train neural networks for the identification of diseased and healthy potato plants: a one-stage and a two-stage approach. In the one-stage approach, a single deep learning algorithm was used to simultaneously perform plant classification and localization. The two-stage approach utilized two separate algorithms: the first was responsible for detecting plant boundaries, while the second classified the identified regions as healthy or diseased. The models were trained on diverse datasets comprising images of individual potato leaves as well as entire plants. (Results and discussion) A comparative analysis was performed to evaluate the effectiveness of the one-stage and two-stage deep learning approaches in detecting diseased potato plants. For each training method, both the overall mean squared error and the coordinate-specific mean squared error were computed. Additionally, confusion matrices were generated to assess classification performance. The analysis revealed differences in accuracy and precision between the two approaches, highlighting their respective strengths and limitations. (Conclusions) The two-stage approach proved to be highly effective in distinguishing between diseased and healthy potato plants. Although it exhibited a slight reduction in coordinate-prediction accuracy – particularly when trained on both individual leaf images and whole-plant images – it offered superior classification performance. Both approaches demonstrate distinct advantages and hold significant potential for integration with modern technologies aimed at enhancing the early detection of phytopathologies in agricultural crops.
The authors declare that there are no conflicts of interest present.