- Код статьи
- S3034582025060083-1
- DOI
- 10.7868/S3034582025060083
- Тип публикации
- Статья
- Статус публикации
- Опубликовано
- Авторы
- Том/ Выпуск
- Том / Номер выпуска 6
- Страницы
- 46-53
- Аннотация
- Актуальной научной проблемой является разработка методов автоматизированного мониторинга болезней кукурузы с использованием технологий компьютерного зрения и беспилотных воздушных судов (БВС). Традиционный визуальный контроль агрономами не позволяет эффективно выявлять ранние стадии инфекций, что ведет к значительным потерям урожая. Цель исследования – разработка и апробация метода детекции пятнистости листьев кукурузы по RGB-изображениям, полученным с БВС, с применением сверточной нейронной сети (CNN) ResNet-50. В качестве объекта исследования выбраны посевы кукурузы в Республике Башкортостан. Съемка выполнена промышленным дроном DJI Matrice 300, оснащенным камерой 20 МП. Всего собрано около 14 000 изображений, из которых 6000 – здоровые листья и 8000 – пораженные пятнистостью. Для классификации использовалась нейросеть ResNet-50 с дообучением на специализированном датасете. Качество модели оценивалось с помощью метрик Ascartacy, Precision, Recall и F1-score. Разработанная модель продемонстрировала Ascartacy ≈ 92 % и F1-score ≈ 0,91, обеспечив надежное разделение здоровых и пораженных листьев в реальных полевых условиях. На основе индекса поражения I, построены карты VRA (Variable Rate Application), позволяющие варьировать нормы внесения фунгицидов (120, 180 и 250 л/га) по выделенным зонам. В отличие от большинства исследований, ограничивающихся классификацией, предложенный подход интегрирован в агроинженерный контур точного земледелия, результаты CNN автоматически трансформируются в карты-задания ISOXML/Shape для ISOBUS/ RTK-опрыскивателей. Практическая значимость работы заключается в снижении затрат на СЗР и уменьшении химической нагрузки на агроценоз при сохранении эффективности защиты растений. Перспективы исследования связаны с расширением спектра детектируемых заболеваний и использования мультиспектральных данных.
- Ключевые слова
- кукуруза пятнистость листьев беспилотные воздушные суда (БВС) сверточные нейронные сети (CNN) ResNet-50 цифровое сельское хозяйство агроинженерная механизация сельского хозяйства карта VRA точное земледелие ISOBUS RTK-навигация средства защиты растений (СЗР)
- Дата публикации
- 11.11.2025
- Год выхода
- 2025
- Всего подписок
- 0
- Всего просмотров
- 65
Библиография
- 1. A Review on UAV-Based Applications for Plant Disease Detection and Monitoring / L.Kouadio, M.El Jarroudi, Z. Belabess, et al. // Remote Sensing. 2023. Vol. 15. Article 4273. URL: https://www.mdpi.com/2072-4292/15/17/4273 (дата обращения: 20.09.2025). doi: 10.3390/rs15174273.
- 2. DFCANet: A Novel Lightweight Convolutional Neural Network Model for Corn Disease Identification / Ya. Chen, X.Chen, J.Lin, et al. // Agriculture. 2022. Vol. 12. No. 12. P. 2047. doi: 10.3390/agriculture12122047.
- 3. Assessment of Map-Based Variable Rate Strategies for Copper Reduction in Hedge Vineyards / F.Garcia-Ruiz, Ja. Campos, J. Llop-Casamada, et al. // Computers and Electronics in Agriculture. 2023. Vol. 207. Article 107753. URL: https://www.sciencedirect.com/science/article/pii/S0168169923001412 (дата обращения: 20.09.2025). doi: 10.1016/j.compag.2023.107753.
- 4. ICS-ResNet: A Lightweight Network for Maize Leaf Disease Classification / Zh. Ji, Sh. Bao, M.Chen, et al. // Agronomy. 2024. Vol. 14. Article 1587. URL: https://www.mdpi.com/2073-4395/14/7/1587 (дата обращения: 20.09.2025). doi: 10.3390/agronomy14071587.
- 5. Kamilaris A., Prenafeta-Boldú F. X. Deep learning in agriculture: A survey // Computers and Electronics in Agriculture. 2018. Vol. 147. P. 70–90. doi: 10.1016/j.compag.2018.02.016.
- 6. Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification / S.Sladojevic, M. Arsenovic, A. Anderla, et al. // Computational Intelligence and Neuroscience. 2016. Vol. 2016. Article 3289801. URL: https://www.hindawi.com/journals/cin/2016/3289801 (дата обращения: 20.09.2025). doi: 10.1155/2016/3289801.
- 7. Quantitative Phenotyping of Northern Leaf Blight in UAV Images Using Deep Learning / E. L. Stewart, T. Wiesner-Hanks, N. Kaczmar, et al. // Remote Sensing. 2019. Vol. 11. Article 2209. URL: https://www.mdpi.com/2072–4292/11/19/2209 (дата обращения: 20.09.2025). doi: 10.3390/rs11192209.
- 8. Millimeter-Level Plant Disease Detection from Aerial Photographs via Deep Learning and Crowdsourced Data / T. Wiesner-Hanks, H. Wu, E. L. Stewart, et al. // Frontiers in Plant Science. 2019. Vol. 10. Article 1550. URL: https://www.frontiersin.org/articles/10.3389/fpls.2019.01550/full (дата обращения: 20.09.2025). doi: 10.3389/fpls.2019.01550.
- 9. Application of Conventional UAV-Based HighThroughput Object Detection to the Early Diagnosis of Pine Wilt Disease by Deep Learning / B.Wu, A.Liang, H.Zhang, et al. // Forest Ecology and Management. 2021. Vol. 486. Article 118986. URL: https://www.sciencedirect.com/science/article/abs/pii/S037811272100075X (дата обращения: 20.09.2025). doi: 10.1016/j.foreco.2021.118986.
- 10. Cucumber leaf disease identification with global pooling dilated convolutional neural network / S. Zhang, S.Zhang, C. Zhang, et al. // Computers and Electronics in Agriculture. 2019. Vol. 162. P. 422–430. doi: 10.1016/j.compag.2019.04.037.
- 11. Advanced Deep Learning Models for Corn Leaf Disease Classification: A Field Study in Bangladesh / S.N.Mohanty, H.Ghosh, I.S.Rahat, et al. // Engineering Proceedings. 2023. Vol. 59. Article 69. URL: https://www.mdpi.com/2673–4591/59/1/69 (дата обращения: 20.09.2025). doi: 10.3390/engproc2023059069.
- 12. Comparison of the Effectiveness of GIS-Based Interpolation Methods for Estimating the Spatial Distribution of Agrochemical Soil Properties / R. Abdulmanov, I. Miftakhov, M. Ishbulatov, et al. // Environmental Technology & Innovation. 2021. Vol. 23. Article 101137. URL: https://www.sciencedirect.com/science/article/abs/pii/S2352186421006180?via%3Dihub (дата обращения: 20.09.2025). doi: 10.1016/j.eti.2021.101137.
- 13. Hyperspectral image analysis techniques for the detection and classification of the early onset of plant disease and stress / A.Lowe, N.Harrison, A.P.French, et al. // Plant Methods. 2017. Vol. 13. Article 80. URL: https://plantmethods.biomedcentral.com/articles/10.1186/s13007-017-0233‑z (дата обращения: 20.09.2025). doi: 10.1186/s13007‑017‑0233‑z.
- 14. Ценч Ю. С., Курбанов Р. К., ЗахароваН.И.Развитие систем управления полетом и средств аэрофотосъемки беспилотных воздушных судов сельскохозяйственного назначения // Сельскохозяйственные машины и технологии. 2024. Т. 18. № 2. С. 11–19.
- 15. Ценч Ю. С., Захарова Н. И. Тенденции развития технических средств аэрофотосъемки сельскохозяйственных земель // Сельскохозяйственные машины и технологии. 2023. Т. 17. № 3. С. 16–26.
- 16. Технические системы цифрового контроля качества обработки почвы / С. И.Старовойтов, Ю. С. Ценч, В.М.Коротченя и др. // Сельскохозяйственные машины и технологии. 2020. Т. 14. № 1. С. 16–21.
- 17. Мударисов С. Г., Мифтахов И. Р. Автоматическое обнаружение и идентификация болезней пшеницы с использованием методов глубокого обучения и применением дронов в режиме реального времени // Вестник Казанского государственного аграрного университета. 2024. Т. 19. № 2(74). С. 90–104. doi:10.12737/2073‑0462‑2024‑90‑104.
- 18. Detection and classification of corn leaf diseases using ResNet‑18 / D. R. Oli, M. Dahal, S. Pokhrel, et al. // International Journal on Engineering Technology. 2025. Vol. 11. No. 1. P. 33–41. doi: 10.3126/injet.v11i1.78606.
- 19. ImageNet Large Scale Visual Recog nit ion Challenge / O. Russakovsky, J. Deng, H. Su, et al. // International Journal of Computer Vision. 2015. Vol. 115. P. 211–252. doi: 10.1007/s11263‑015‑0816‑y.
- 20. Development and evaluation of an affordable variable rate applicator controller for precision agriculture / A.Abdalla, A. M. Nafchi // AgriEngineering. 2024. Vol. 6. No. 4. P. 4639–4657. doi: 10.3390/agriengineering6040027.
- 21. Mapping the Variable-Rate Application (VRA) of Precision Fertilizing for Soybean / M. Mawardi, P. H. T. Nugraheni, L. Sutiarso, et al. // Journal of Advanced Research in Applied Mechanics. 2018. Vol. 51. No. 1. P. 1–9. URL: https://www.akademiabaru.com/submit/index.php/aram/article/view/1825 (дата обращения: 20.09.2025).
