Нейросети как вспомогательный элемент фитосанитарного мониторинга плодовых культур на примере яблони

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.

1. Пантия Г. Г., Михайлова Е. В. Влияние регулятора роста Зеребра Агро на интенсивность развития Venturia inaequalis (Cooke) Wint и урожайность яблони, Известия сельскохозяйственной науки Тавриды. 2023;35(198):62-68.

2. Козловская З. А., Гашенко Т. А., Кондратенок Ю. Г., Марцинкевич Т. Н. Полиморфизм популяции возбудителя парши яблони Venturia inaequalis (Cooke) Wint в Беларуси, Молекулярная и прикладная генетика. 2021;30:68-76.

3. Головин С. Е., Пряхина М. С. Ржавчина сливы – новая болезнь в условиях Московской области, Плодоводство и ягодоводство России. 2024;78:84-92. DOI: 10.31676/2073-4948-2024-78-84-92.

4. Рябчинская Т. А. Экологизированная стратегия защиты плодовых и ягодных культур, Защита и карантин растений. 2008;7:10-12.

5. Zhang Z., Yang Y., Xu X., Liu L., Yue J., Ding R., Lu Y., Liu J., QiaoH. GVC-YOLO: A Lightweight Real-Time Detection Method for Cotton Aphid-Damaged Leaves Based on Edge Computing, Remote Sensing. 2024;16(16):3046. DOI: 10.3390/rs16163046.

6. Shurygin B., Smirnov I. G., Chilikin A., Khort D. O., Kutyrev A. I., Zhukovskaya S., Solovchenko A. Mutual augmentation of spectral sensing and machine learning for non-invasive detection of apple fruit damages, Horticulturae. 2022;8(12):1111. DOI: 10.3390/horticulturae8121111.

7. Кутырев А. И. Распознавание и классификация болезней листьев яблони на основе анализа их изображений моделями сверточных нейронных сетей (CNN), Вестник Ульяновской государственной сельскохозяйственной академии. 2023;3(63):215-223.

8. Li Y., Sun S., Zhang C., Yang G., Ye Q. One-stage disease detection method for maize leaf based on multi-scale feature fusion, Appl. Sci. 2022;12(16):7960. DOI: 10.3390/app12167960.

9. Bolikulov F., Abdusalomov A., Nasimov R., Akhmedov F., Cho Y-I. Early Poplar (Populus) Leaf-Based Disease Detection through Computer Vision, YOLOv8, and Contrast Stretching Technique, Sensors. 2024;24(16):5200. DOI: 10.3390/s24165200.

10. Smirnov I., Kutyrev A., Kiktev N. Neural network for identifying apple fruits on the crown of a tree, E3S Web of Conferences, WFCES. 2021;01021. DOI: 10.1051/e3sconf/202127001021.

11. Li R., Li Y., Qin W., Abbas A., Li S., Ji R., Wu Y., He Y., Yang J. Lightweight Network for Corn Leaf Disease Identification Based on Improved YOLO v8s, Agriculture. 2024;14(2):220.

12. Terven J., Córdova-Esparza D-M., Romero-González J-A. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS, Machine Learning and Knowledge Extraction. 2023;5(4):1680-1716. DOI: 10.3390/make5040083.

13. Дьяков Ю. Т. Фитопатология: учебное пособие для среднего профессионального образования. М.: Издательство Юрайт, 2024, 238 с.

14. Трейвас Л. Ю., Каштанова О. А. Болезни и вредители плодовых растений: Атлас-определитель. М.: Фитон XXI, 2024, 352 с.

15. Maxwell A., Warner T., Guillén L. Accuracy Assessment in Convolutional Neural Network-Based Deep Learning Remote Sensing Studies. Part 1: Literature Review, Remote Sens. 2021;13(13):2450. DOI: 10.3390/rs13132450.

16. Kutyrev A., Kiktev N., Jewiarz M., Khort D., Smirnov I., Zubina V., Hutsol T. Tomasik M., Biliuk M. Robotic Platform for Horticulture: Assessment Methodology and Increasing the Level of Autonomy, Sensors. 2022;22(22):8901. DOI: 10.3390/s22228901.