Публикации автора

Отметили, что при использовании технологий дистанционного зондирования и алгоритмов глубокого обучения значительно улучшаются возможности диагностики заболеваний растений на основе аэрофотоснимков. Работа посвящена анализу методов глубокого обучения и беспилотных летательных аппаратов для идентификации заболеваний сельскохозяйственных культур. (Цель исследования) Обобщение научных материалов по применению беспилотных летательных аппаратов, технологий дистанционного зондирования и методов глубокого обучения для раннего выявления и прогнозирования заболеваний культурных растений. (Материалы и методы) Представлены различные технологии с применением беспилотных летательных аппаратов и сенсоров для мониторинга состояния растений. Рассмотрены современные средства компьютерного зрения, направленные на повышение точности идентификации патологий растений. (Результаты и обсуждение) Выполнен анализ научных работ с 2010 по 2023 год. Основное внимание уделено сравнению эффективности различных алгоритмов глубокого обучения, таких как свёрточные нейронные сети (CNN), с традиционными методами, включая метод опорных векторов (SVM), и классификаторы случайного леса. Показано, что алгоритмы глубокого обучения обеспечивают более точное и раннее выявление заболеваний, что делает их перспективными для применения в растениеводстве. Обозначили вызовы, связанные с применением беспилотных аппаратов, ограничения, обусловленные качеством данных, сложностью обработки больших объемов изображений и необходимостью разработки более совершенных моделей. Предложены пути преодоления этих проблем, в том числе оптимизация алгоритмов и улучшение методов предварительной обработки данных. (Выводы) Сочетание беспилотных летательных аппаратов и глубокого обучения открывает новые перспективы для повышения эффективности агропроизводства. Такие технологии позволяют точно диагностировать заболевания растений на ранних стадиях и прогнозировать их развитие, чтобы своевременно принимать меры по защите урожая. Интеграция интеллектуальных систем компьютерного зрения и беспилотной авиации является перспективным направлением, способным значительно улучшить методы мониторинга и управления здоровьем растений.

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.