Кутырев А. И. – кандидат технических наук, ведущий научный сотрудник, заведующий лабораторией интеллектуальных цифровых систем мониторинга, диагностики и управления процессами в сельскохозяйственном производстве,
Москва
Kutyrev A. I., PhD (Techn.), Leading Researcher, Head of the Laboratory of Intelligent Digital Systems for Monitoring, Diagnostics and Process Management in Agricultural Production
Moscow
Смирнов И. Г. – доктор технических наук, главный научный сотрудник, заведующий отделом технологий и машин для садоводства, виноградарства и питомниководства
Москва
Smirnov I. G., Dr. Sci. (Techn.), Chief Researcher, Head of the Department of Technologies and Machines for Horticulture, Viticulture and Nursery
Moscow
Пряхина Марина Сергеевна – кандидат сельскохозяйственных наук, научный сотрудник, заведующий лабораторией защиты растений
ул. Загорьевская, д. 4, г. Москва, 115598
Marina S. Pryakhina, PhD (Agric.), Researcher, Head of the Laboratory of Plant Protection
4, Zagorevskaya str., Moscow, 115598
Семёнов А. В. – кандидат экономических наук, старший научный сотрудник, сектор экономики и цифровизации отдела питомниководства и трансферта технологий
Москва
Semenov A. V., PhD (Econ.), Senior Researcher, Economics and Digitalization Sector of the Nursery and Technology Transfer Department
Moscow
Глушанков Р. Е. – кандидат сельскохозяйственных наук, старший научный сотрудник
Москва
Glushankov R. E., PhD (Agric.), Senior Researcher
Moscow
В статье представлены результаты разработки модели сверточной нейронной сети для распознавания и классификации болезней на изображениях листьев и плодов яблони. В ходе исследований применялся метод трансферного обучения модели YOLOv10-X (You Only Look Once, версия 10, Extra-large), предварительно обученной на общедоступном наборе данных COCO (Common Objects in Context), который включает более 200000 изображений и миллионы аннотированных объектов. Набор обучающих данных (изображений) собран в научно-производственном отделе ФГБНУ ФНЦ Садоводства. Искусственное увеличение объема обучающей выборки с помощью таких методов, как поворот изображений, добавление шумов и изменение оттенков, увеличило набор используемых данных до 2200 изображений. Для оценки качества модели использовались метрики Precision (точность) и Recall (полнота), а также метрика mean Average Precision (mAP). Исследования показали, что модель распознает поражения листьев паршой («scab»), мучнистой росой («powdery_mildew»), ржавчиной («rust») и различными видами пятнистостей («spot»), показывая среднюю точность (mAP) 0,6. Наиболее сложным для распознавания оказался класс «spot» (пятнистость) (mAP50=0,411; Recall=0,324), в то время как класс «rust» показал наименьшую сложность (mAP=0,868; Recall=0,803). В результате проведенных исследований оптимизированы параметры модели, включая порог уверенности (0,48), скорость обучения (learningrate) – 0,01, количество эпох – 313 и размер мини-пакета (batchsize) – 8. Проведенное тестирование роботизированной платформы с RGB-камерами показало, что автоматический сбор данных с высокой частотой позволит проводить мониторинг в реальном времени и эффективно отслеживать динамику признаков поражений.
The paper presents the results of developing a convolutional neural network model for detecting and classifying diseases based on images of apple tree leaves and fruits. The study involves transfer learning for the YOLOv10-X model (You Only Look Once, version 10, Extra-large), pre-trained on the public COCO dataset (Common Objects in Context), which includes over 200,000 images and millions of annotated objects. The training dataset was compiled in the Research and Production Department of the Federal Horticultural Center for Breeding, Agrotechnology and Nursery (Russia). Artificial augmentation of the training dataset by rotating images, adding noise, and changing tints and shades increased the dataset to 2200 images. The Precision and Recall metrics, as well as the mean Average Precision (mAP) metric, were used to evaluate the performance of the model. The study demonstrated that the model effectively recognizes leaf lesions caused by scab, powdery mildew, rust, and various types of spots, achieving a mean Average Precision (mAP) of 0.6. The “spot” class appeared to be the most difficult to recognize (mAP50=0.411; Recall=0.324), while the “rust” class revealed the least difficulty (mAP=0.868; Recall=0.803). The study contributed to optimizing the model parameters, including the confidence threshold (0.48), the learning rate (0.01), the number of epochs (313) and the batchsize (8). Testing of a robotic platform equipped with RGB cameras indicated that automatic data collection at high frequency enables effective real-time monitoring of lesion dynamics.
The authors declare that there are no conflicts of interest present.