Сравнение подходов глубокого обучения к распознаванию заболевших растений картофеля

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.

1. Борычев С.Н., Владимиров А.Ф., Колошеин Д.В. и др. К вопросу об исследованиях по хранению картофеля // Вестник Рязанского государственного агротехнологического университета им. П.А. Костычева. 2019. N2(42). С. 129-134. EDN: HYKQNU.

2. Тарханова З.Э. Продовольственная безопасность государства: содержание, значение, угрозы, продовольственной безопасности // Экономика и управление: проб лемы, решения. 2024. Т. 6. N10(151). С. 84-90. DOI: 10.36871/ek.up.p.r.2024.10.06.010.

3. Измайлов А.Ю., Лобачевский Я.П., Дорохов А.С. и др. Современные технологии и техника для сельского хозяйства – тенденции выставки AGRITECHNIKA 2019 // Тракторы и сельхозмашины. 2020. N6. С. 28-40. DOI: 10.31992/0321-4443-2020-6-28-40.

4. Дорохов А.С., Cибирев А.В., Пономарев А.Г., Сазонов Н.В. Аналитическое обоснование технологического процесса работы машины для удаления зараженных растений картофеля и овощных культур // Аграрный научный журнал. 2024. N5. С. 130-136. DOI: 10.28983/asj.y2024i5pp130-136.

5. Лобачевский Я.П., Ценч Ю.С. Принципы формирования систем машин и технологий для комплексной механизации и автоматизации технологических процессов в растениеводстве // Сельскохозяйственные машины и технологии. 2022. Т. 16. N4. С. 4-12. DOI: 10.22314/2073-7599-2022-16-4-4-12.

6. Алферьев Д.А. Практика реализации сверточных нейронных сетей в сельском хозяйстве и агропромышленном комплексе // АгроЗооТехника. 2020. Т. 3. N2. С. 4. DOI: 10.15838/alt.2020.3.2.4.

7. Аксенов А.Г., Тетерин В.С., Овчинников А.Ю. и др. Использование нейронной сети для выявления больных растений картофеля // Аграрная наука. 2022. N7-8. С. 167-171. DOI: 10.32634/0869-8155-2022-361-7-8-167-171.

8. Ценч Ю.С., Годлевская Е.В. Математическое моделирование как инструмент проектирования сельскохозяйственных машин и агрегатов (применительно к истории развития научной школы Южного Урала) // Сельскохозяйственные машины и технологии. 2023. Т. 17. N2. С. 4-12. DOI: 10.22314/2073-7599-2023-17-2-4-12.

9. Каличкин В.К. О необходимости трансформации парадигмы научных исследований по земледелию (сообщение второе) // Сибирский вестник сельскохозяйственной науки.2024. Т. 54. N9(310). С. 102-115. DOI: 10.26898/0370-8799-2024-9-11.

10. Arshaghi A., Ashourian M., Ghabeli L. Potato diseases detection and classification using deep learning methods. Multimed Tools Appl. 2023. 82. 5725-5742. DOI: 10.1007/s11042-022-13390-1.

11. Fuentes A., Yoon S., Kim S.C., Park D,S. A deep robustlearning-based detector forrealtime tomato plant diseases and pests recognition. Sensors. 2017. Vol. 17. N9. 2022. DOI: 10.3390/s17092022.

12. Barbedo J.G.A. Factors influencing the use of deep learning forplant disease recognition. Biosystems Engineering. 2018. Vol. 172. 84-91. DOI: 10.1016/J.BIOSYSTEMSENG. 2018.05.013.

13. Старовойтов С.И., Коротченя В.М. Концепция цифровизации почвообрабатывающих машин // Техника и оборудование для села. 2021. N8(290). С. 2-6. DOI: 10.33267/2072-9642-2021-8-2-6.

14. Лобачевский Я.П., Лачуга Ю.Ф., Измайлов А.Ю., Шогенов Ю.Х. Научно-технические достижения агроинженерных научных организаций в условиях цифровой трансформации сельского хозяйства // Техника и оборудование для села. 2023. N4(310). С. 2-5. DOI: 10.33267/2072-9642-2023-4-2-5.

15. Ивашова О.Н., Гавриловская Н.В., Щедрина Е.В. Внедрение цифровых технологий для обеспечения развития сельскохозяйственной отрасли // Международный журнал гуманитарных и естественных наук. 2022. N3-2(66). С. 137-139. DOI: 10.24412/2500-1000-2022-3-2-137-139.

16. Деревянных Е.А., Митрофанова Т.В., Сорокин С.С. и др. О применении искусственного интеллекта в сельском хозяйстве // Вестник Чувашского государственного аграрного университета. 2023. N4(27). С. 182-187. DOI: 10.48612/vchd2ut-5bhh-4dkk.

17. Овчинников А.Ю., Тетерин В.С., Панферов Н.С., Пехнов С.А.. Разработка системы оценки трехмерного положения зараженного растения картофеля // Аграрный научный журнал. 2025. N3. С. 136-142. DOI: 10.28983/asj.y2025i3pp136-142.

18. Amit Y., Felzenszwalb P., Girshick R. Object detection. Computer vision: A reference guide. Springer International Publishing. 875-883. DOI: 10.1007/978-3-030-63416-2.

19. Khanam R., Hussain M. YOLOv11: An overview of the key architectural enhancements. arXiv preprint arXiv. 2410.17725.2024. DOI: 10.48550/arXiv.2410.17725.

20. Jafar A., Bibi N., Naqvi R.A. et al. Revolutionizing agriculture with artificial intelligence: plant disease detection methods, applications, and their limitations. Frontiers in Plant Science. 2024. Vol. 15. 1356260. DOI: 10.3389/fpls.2024.1356260.