Обнаружение болезней земляники садовой с использованием мультиспектральной съемки с БПЛА

Точная, своевременная и неинвазивная диагностика болезней имеет важное значение в промышленном производстве земляники, так как позволяет минимизировать потери урожая и снизить затраты на обработку растений. Благодаря развитию беспилотных летательных аппаратов и сенсорных технологий дистанционное зондирование становится перспективным способом мониторинга болезней сельскохозяйственных культур. Оперативное выявление заболевания на ранних стадиях особенно важно для таких чувствительных культур, как земляника садовая. (Цель исследования) Анализ возможности обнаружения грибковых болезней земляники садовой в полевых условиях с применением мультиспектральных сенсоров и беспилотных летательных аппаратов. (Материалы и методы) В коллекционном питомнике СибФТИ СФНЦА РАН была выполнена аэрофотосъемка растений земляники, пораженных белой пятнистостью. Мультиспектральная камера была установлена на квадрокоптере DJI Phantom4 Multispectral. Полученные данные прошли предварительную обработку, включая построение ортофотоплана и извлечение спектральных и текстурных характеристик изображений. (Результаты и обсуждение) На основе анализа мультиспектральных данных выделены наборы информативных признаков для дифференциации здоровых и пораженных грибками растений. Методом случайного леса (Random Forest) построена модель для обнаружения болезней земляники с точностью классификации 77 процентов.  (Выводы) Для повышения точности классификации необходимы дополнительные исследования с применением сенсоров, обладающих более высоким пространственным разрешением. Также перспективным направлением является разработка классификационных моделей на основе сверточных нейронных сетей, которые могут улучшить результаты за счет более глубокого анализа изображений. Полученные результаты подтверждают потенциал использования БПЛА и мультиспектральных технологий для мониторинга заболеваний сельскохозяйственных культур.

1. Weiss M., Jacob F., Duveiller G. Remote sensing for agricultural applications: A meta-review. Remote Sensing of Environment. 2020. Vol. 236. N111402. DOI: 10.1016/ jrse.2019.111402.

2. Singh A., Jones S., Ganapathysubramanian B. et al. Challenges and opportunities in machine-augmented plant stress phenotyping. Trends in Plant Science. 2021. Vol. 26. N1. 53-69. DOI: 10.1016/j.rse.2019.111402.

3. Oerke E.-C. Remote Sensing of Diseases. Annu. Rev. Phytopathol. 2020. Vol. 58. 225–252. DOI: 10.1146/annurev-phyto-010820-012832.

4. Bock C.H., Barbedo J.G.A., Del Ponte E.M. et al. From visual estimates to fully automated sensor-based measurements of plant disease severity: status and challenges for improving accuracy. Phytopathology Research. 2020. Vol. 2. N9. DOI: 10.1186/s42483-020-00049-8.

5. Чешкова А.Ф. Обзор современных методов обнаружения и идентификации болезней растений на основе анализа гиперспектральных изображений // Вавиловский журнал генетики и селекции. 2022. Т. 26. N2. C. 202-213. DOI: 10.18699/VJGB-22-25.

6. Yang G., Liu J., Zhao C. et al. Unmanned aerial vehicle remote sensing for field-based crop phenotyping: current status and perspectives. Front. Plant Sci. 2017. Vol. 8. N1111. DOI: 10.3389/fpls.2017.01111.

7. Курбанов Р.К., Ценч Ю.С., Захарова Н.И. Основные тенденции в развитии технологии аэрофотосъемки сельскохозяйственных угодий // Сельскохозяйственные машины и технологии. 2025. Т. 19. N1. С. 86-96. DOI: 10.22314/2073-7599-2025-19-1-86-95.

8. Кутырёв А.И., Хорт Д.О., Филиппов Р.А., Ценч Ю.С. Магнитно-импульсная обработка семян земляники садовой // Сельскохозяйственные машины и технологии. 2017. N5. С. 9-15. DOI: 10.22314/2073-7599-2017-5-9-15.

9. Nagaraju M., Chawla P. Systematic review of deep learning techniques in plant disease detection. Int J Syst Assur Eng Manag. 2020. Vol. 11. N3. 547–560. DOI: 10.1007/s13198-020-00972-1.

10. Benos L., Tagarakis A., Dolias G. et al. Machine learning in agriculture: a comprehensive updated review. Sensors. 2021. Vol. 21. N3758. DOI: 10.3390/ s21113758.

11. Lan Y., Huang Z., Deng X. Comparison of machine learning methods for citrus greening detection on UAV multispectral images. Computers and Electronics in Agriculture. 2020. Vol. 171. N105234. DOI: 10.1016/j.compag.2020.105234.

12. Albetis J., Jacquin A., Goulard M. et al. On the potentiality of UAV multispectral imagery to detect Flaves cencedorée and grapevine trunk diseases. Remote Sens. 2019. Vol. 11. N23. DOI: 10.3390/rs11010023.

13. Ценч Ю.С., Курбанов Р.К., Захарова Н.И. Развитие систем управления полетом и средств аэрофотосъемки беспилотных воздушных судов сельскохозяйственного назначения // Сельскохозяйственные машины и технологии. 2024. Т. 18. N2. С.11-19. DOI: 10.22314/2073-7599-2024-18-2-11-19.

14. Li S., Yuan F., Ata-UI-Karim S.T. et al. Combining color indices and textures of UAV-based digital imagery for rice LAI estimation. Remote Sens. 2019. Vol. 11. N1763. DOI: 10.3390/rs11151763.

15. Guo A., Huang W., Dong Y. et al. Wheat yellow rust detection using UAV-based hyperspectral technology. Remote Sens. 2021. Vol. 13. N123. DOI: 10.3390/rs13010123.

16. Cockerton H.M., Li B., Vickerstaff R.J. et al. Identifying Verticillium dahlia resistance in strawberry through disease screening of multiple populations and image based pheno­typing. Front. Plant Sci. 2019. Vol. 10. N924. DOI: 10.3389/fpls.2019.00924.

17. Liao K., Yang F., Dang H. et al. Detection of eucalyptus leaf disease with UAV multispectral imagery. Forests. 2022. Vol. 13. N1322. DOI: 10.3390/f13081322.

18. Zhang S., Li X., Ba Y. et al. Banana Fusarium wilt disease detection by supervised and unsupervised methods from UAV-based multispectral imagery. Remote Sens. 2022. Vol. 14. N1231. DOI: 10.3390/rs14051231.

19. Sakamoto T., Ogawa D., Hiura S., Iwasaki N. Alternative procedure to improve the positioning accuracy of orthomosaic images acquired with agisoftmetashape and DJI p4 Multispectral for crop growth observation. Photogrammetric Engineering & Remote Sensing. 2022. Vol. 88. N5. 323–332. DOI: 10.14358/PERS.21-00064R2.

20. Belgiu M., Dragut L. Random forest in remote sensing: A review of applications and future directions. ISPRS J. Photogramm. Remote Sens. 2016. Vol. 114. N24–31. DOI: 10.1016/j.isprsjprs.2016.01.011.