Проблема своевременного выявления болезней сахарной свёклы остаётся актуальной для агропромышленного комплекса. Церкоспороз (Cercospora beticola Sacc.) способен снижать урожайность и сахаристость корнеплодов более чем на 30–40%. Целью исследования являлась разработка и апробация алгоритмов автоматизированной детекции церкоспороза на основе данных беспилотного мониторинга и методов машинного обучения.
Исследования проведены в 2024 г. на опытном поле сахарной свёклы площадью 25 га в Республике Башкортостан. Для сбора данных использовался беспилотное воздушное судно (БВС) DJI Phantom 4 Multispectral. Получены ортофотопланы и рассчитаны вегетационные индексы (NDVI и др.). Для анализа применялись алгоритмы Random Forest и нейросетевая модель U-Net с энкодером ResNet34. Классификация проводилась на основе размеченных выборок, включая здоровые и поражённые растения.
Регулярный БВС-мониторинг позволил выявить динамику развития болезни в течение вегетационного периода. Нейросетевая модель U-Net обеспечила точность распознавания очагов поражения до ~90%, что превысило результаты метода Random Forest (75–80%). Сформированы тематические карты распределения болезней, позволяющие количественно оценить степень поражённости растений. К началу сентября заражённость листьев церкоспорозом достигла ~52% площади листового аппарата.
Полученные результаты подтверждают высокую эффективность применения методов глубокого обучения для анализа данных БВС. Разработанные алгоритмы обеспечивают раннюю диагностику заболеваний, формирование оперативных карт фитосанитарного состояния и могут быть интегрированы в системы точного земледелия. Практическая значимость заключается в повышении эффективности защиты растений и обосновании дифференцированных обработок, что способствует снижению затрат на СЗР и сохранению урожайности.