Найти

Результаты поиска

• ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА РАННЕГО ОПОВЕЩЕНИЯ И МОНИТОРИНГА РАСТЕНИЙ

  А.А. Кочкаров , А. К. Куликов , В.А. Ольхова , А. С. Стахмич , А.Н. Рыбак

  2025-04-27

  Аннотация ▼

  Настоящее исследование направлено на систематизацию научных знаний о заболеваниях сель-
  скохозяйственных культур с последующей интеграцией полученных данных в системы автоматизиро-
  ванного управления агропроизводством. Актуальность работы обусловлена необходимостью миними-
  зации экономических потерь в растениеводстве за счёт ранней диагностики патологий и оптимизации
  фитосанитарного контроля. В рамках исследования проведена классификация заболеваний растений.
  В качестве модельного объекта выбрано растение базилик (Ocimum basilicum L.), характеризующееся
  высокой восприимчивостью к фитопатогенам в условиях интенсивного выращивания. Для создания
  инструмента автоматизированной диагностики осуществлён сбор специализированного датасета,
  включающего 214 изображений базилика на различных стадиях вегетации. Съёмка проводилась в кон-
  тролируемых условиях с использованием RGB-камеры. Каждый образец аннотирован с локализацией
  повреждения , площади поражения. Особое внимание уделено методологическим аспектам формиро-
  вания банков данных для биологических систем. Установлено, что ключевыми проблемами являются
  высокая вариабельность морфологических признаков у растений, влияние факторов окружающей сре-
  ды на визуальные проявления заболеваний. На основе анализа полученных данных предложена архитек-
  тура системы раннего оповещения, включающая три модуля: Сенсорный блок – малогабаритные каме-
  ры и датчики микроклимата. Алгоритмический блок – нейросетевая модель для семантической сег-
  ментации изображений и алгоритмы оценки динамики развития патологий. Интерфейс принятия
  решений и оповещения – рекомендации по корректировке режимов полива, внесения пестицидов и мик-
  роэлементов. Обучение свёрточной нейронной сети выполнено на основе фреймворка YOLOv11 с при-
  менением методов аугментации данных (гауссовский шум, аффинные преобразования) и трансферного
  обучения. Валидация модели на тестовой выборке показала точность детекции 74.7%
  (F1-score = 0.72). Для снижения ложноположительных срабатываний реализована постобработка
  предсказаний с учётом пространственно-временной корреляции данных. Разработанный прототип
  демонстрирует потенциал интеграции компьютерного зрения и агрономии для создания предиктивных
  систем управления. Дальнейшие исследования планируется направить на расширение датасета и уве-
  личение измеряемых параметров, а также внедрение алгоритмов обработки данных на edge-
  устройствах для уменьшения задержек в принятии решений. Полученные результаты могут быть
  адаптированы для других культур закрытого грунта, что способствует развитию точного земледелия
  и снижению антропогенной нагрузки на агроэкосистемы