Использование методов глубокого обучения для обнаружения и классификации сорняков в посевах Fagopyrum esculentum

В последние годы активно развивается технология картирования сорняков при помощи беспилотных летательных аппаратов. Определение местоположения сорной растительности дает возможность создавать карты заданий для гербицидных обработок. Это способствует сокращению объема применяемых гербицидов и снижению экологической нагрузки. Однако для выбора оптимальной стратегии борьбы необходимо идентифицировать видовой состав, количественное обилие и фазы роста сорняков на конкретном поле. Развитие методов глубокого обучения на базе сверточных нейронных сетей помогает в решении данной задачи. В частности, обученный алгоритм способен автоматически извлекать информацию из изображений, обнаруживать и классифицировать сорняки. В статье рассмотрено построение классификаторов изображений с использованием архитектуры ResNet-18, ResNet-34 и ResNet-50. В качестве исходной информации использованы результаты фитосанитарного мониторинга посевов гречихи (Fagopyrum esculentum Moench) и фотографии учетных площадок. В посевах преобладали следующие сорняки: овсюг обыкновенный (Avena fatua L.), просо куриное (Echinochloa crus-galli (L.) Beauv.) и вьюнок полевой (Convolvulus arvensis L.). Согласно количественной оценке сорняков на исследуемых площадках каждому виду был присвоен идентификатор: 0 – для засоренности, превышающей экономический порог вредоносности, 1 – для засоренности, не превышающей данный показатель. Задачи классификатора – распознать сорняки на фотографии и определить одну из двух градаций засоренности участка (низкая либо высокая). Эффективность предлагаемого подхода подтверждена достаточно высоким качеством предсказаний классификаторов (доля верных классификаций для исходного набора из 24 изображений составляет от 83 до 88%) и построением матрицы ошибок. 

1. Jones J.W., Antle J., Basso B., Boote K.J., Conant R.T., Foster I., Herrero M., Janssen S., Porter C.H., Wheeler T.R. Brief history of agricultural systems modeling // Agricultural systems. 2017. Vol. 155 (3). P. 240–254.

2. Walter A., Finger R., Huber R., Buchmann N. Smart farming is key to developing sustainable agriculture // Proceedings of the National Academy of Sciences. 2017. Vol. 114. N 24. P. 6148– 6150.

3. Caldera U., Breyer C. Assessing the potential for renewable energy powered desalination for the global irrigation sector // Science of the total environment. 2019. Vol. 694. P. 133598.

4. Дубенок Н.Н., Заяц О.А., Стрижакова Е.А. Формирование продукционного потенциала гречихи (Fagopyrum esculentum L.) в зависимости от уровня минерального питания и способа посева // Известия Тимирязевской сельскохозяйственной академии. 2017. № 6. С. 29–41. DOI: 10.26897/0021-342X-2017-6- 29-41.

5. Ahmad A., Saraswat D., Aggarwal V., Etienne A., Hancock B. Performance of deep learning models for classifying and detecting common weeds in corn and soybean production systems // Computers and electronics in agriculture. 2021. Vol. 184. P. 106081. DOI: 10.1016/j.compag.2021.106081.

6. Hasan A.M., Sohel F., Diepeveen D., Laga H., Jones M.G. A survey of deep learning techniques for weed detection from images // Computers and electronics in agriculture. 2021. Vol. 184. P. 106067. DOI: 10.1016/j.compag.2021.106067.

7. Lottes P., Behley J., Chebrolu N., Milioto A., Stachniss C. Robust joint stem detection and crop‐weed classification using image sequences for plant‐specific treatment in precision farming // Journal of field robotics. 2020. Vol. 37. N 1. P. 20–34. DOI: 10.1002/rob.21901.

8. Dian Bah M., Hafiane A., Canals R. Deep Learning with unsupervised data labeling for weeds detection on UAV images // arXiv. 2018. N 1805. P. 12395.

9. Priya S.J., Sundar G.N., Narmadha D., Ebenezer S. Identification of weeds using HSV color spaces and labelling with machine learning algorithms // International journal of recent technology and engineering. 2019. Vol. 8. N 1. P. 1781–1786.

10. Riksen V., Shpak V. Convolutional neural network for identification and classification of weeds in buckwheat crops // Machine intelligence for smart applications: opportunities and risks. Cham: Springer Nature Switzerland, 2023. P. 61–72. DOI: 10.1007/978-3-031-37454-8_3.

11. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Communications of the ACM. 2017. Vol. 60. N 6. P. 84–90. DOI: 10.1145/3065386.

12. Ховард Дж., Гуггер С. Глубокое обучение с fastai и PyTorch: минимум формул, минимум кода, максимум эффективности. СПб.: Питер, 2022. 624 с.