Рациональный метод оценки биотических стрессов растений с использованием машинного обучения

Одним из способов восполнения в организме антиоксидантов является добавление в рацион питания человека доли ягодных культур, богатых антиокислительными соединениями. Земляника садовая – самая выращиваемая и потребляемая ягодная культура в мире. Сдерживающие факторы увеличения ее производства – существенное поражение возделываемых сортов широким спектром болезней, основными возбудителями которых являются грибы. Доступных для производителей этой ягодной культуры технических средств диагностики болезней в Российской Федерации не производят. Цель данного исследования – разработать для широкого круга аграриев рациональный метод оценки нескольких биотических стрессов земляники садовой. Среди современных наземных методов диагностики предпочтение отдано методу компьютерного зрения, способному обнаруживать наличие у растения трех грибов – возбудителей белой пятнистости (Ramularia Tulasnei Sacc.), бурой пятнистости (Marssonina potentillae Desm.) и угловатой пятнистости (Dendrophoma obscurans). С применением глубокого обучения с помощью сверточных нейронных сетей (CNN) этот метод может быть реализован в виде приложения к смартфону или другим гаджетам, популярных среди большинства населения. Для глубокого обучения выбраны наиболее распространенные модели CNN. Из сети Интернет вещей (IoT) сформирован набор данных из 2671 изображения, которые были разделены на четыре класса: белая пятнистость (544 шт.), бурая пятнистость (1109), угловатая пятнистость (392), непораженные листья (626 шт.). Набор данных разделен на обучающую выборку (70%), валидационную (10%) и тестовую (20%). При проведении глубокого обучения и операций улучшения моделей нейронных сетей модель нейронной сети MobileNetV2 показала лучшие метрики: значения точности (Accuracy) классификации – 0,99; F-меры – от 0,94 до 1,00. 

1. Mukherjee E., Gantait S. Strawberry biotechnology: A review on progress over past 10 years // Scientia Horticulturae. 2024. Vol. 338. P. 113618. DOI: 10.1016/j.scienta.2024.113618.

2. Sahapoglu B., Erskine E., Subasi B.G., Capanoglu E. Recent studies on berry bioactives and their health-promoting roles // Molecules. 2022. Vol. 27. N 108. P. 2–24. DOI: 10.3390/molecules27010108.

3. Алейников А.Ф. Метод неинвазивного определения грибных болезней земляники садовой // Сибирский вестник сельскохозяйственной науки. 2018. Т. 48. № 3. С. 71–83 DOI: 10.26898/0370-8799-2018-3-10.

4. Fu H., Wang L., Gu J., Peng X., Zhao J. Effects of Litsea cubeba essential oil–chitosan/ corn starch composite films on the quality and shelf-life of strawberry (Fragaria × ananassa) // Foods. 2024. Vol. 13. N 4. P. 599. DOI: 10.3390/foods13040599.

5. Hernández-Martínez N.R., Blanchard C., Wells D.M. Salazar-Gutiérrez M. Current state and future perspectives of commercial strawberry production: A review // Scientia Horticulturae. 2023. Vol. 312 (10). P. 111893. DOI: 10.1016/j.scienta.2023.111893.

6. Wen T., Li J.H., Wang Q., Gao Y.Y., Hao G.F.,

7. SongB.A. Thermal imaging: The digital eye facilitates high-throughput phenotyping traits of plant growth and stress responses // Science of The Total Environment. 2023. Vol. 899. P. 165626. DOI: 10.1016/j.scitotenv.2023.165626.

8. Алейников А.Ф. Перспективный метод диагностики болезни растений и определения их фенотипа // Сибирский вестник сельскохозяйственной науки. 2025. T. 55. № 1 (314). C. 90–106. DOI: 10.26898/0370-8799-2025-1-11.

9. Chandel N.S., Rajwade Y.A., Dubey K., Chandel A.K., Subeesh A., Tiwari M.K. Water stress identification of winter wheat crop with state-of-the-art al techniques and high-resolution thermal-RGB imagery // Plants-Basel. 2022. Vol. 11 (2). P. 3344. DOI: 10.3390/plants11233344.

10. Wen D.M., Chen M.X., Zhao L., Ji T., Li M.,

11. Yang X.T. Use of thermal imaging and Fourier transform infrared spectroscopy for the pre-symptomatic detection of cucumber downy mildew // European Journal of Plant Pathology. 2019. Vol. 155. P. 405–416. DOI: 10.1007/s10658-019-01775-2.

12. Hatton N., Sharda A., Schapaugh W., Van Der Merwe D. Remote thermal infrared imaging for rapid screening of sudden death syndrome in soybean // Computers and Electronics in Agriculture. 2020. Vol. 178. P. 105738. DOI: 10.1016/j.compag.2020.105738.

13. Zheng C., Abdulrahman A., Whitaker V. Remote sensing and machine learning in crop phenotyping and management, with an emphasis on applications in strawberry farming // Remote Sensing. 2021. Vol. 13 (3). P. 531. DOI: 10.3390/rs1303053.

14. Batham S., Sharma A.K., Rathore A.S. A Research Paper on Crop Disease Detection Using Deep Learning Model // International Journal for Research in Applied Science and Engineering Technology. 2023. Vol. 11 (31). P. 399–406. DOI: 10.22214/ijraset.2023.56002.

15. Ezigbo L.I., Chibueze K.I. Optimized Machine Learning System for Identifying Plant Diseases // International Journal of Latest Technology in Engineering Management & Applied Science. 2025. Vol. 13 (12). P. 66–74. DOI: 10.51583/IJLTEMAS.2024.131207.

16. Miller C., Portlock T., Nyaga D.M. A review of model evaluation metrics for machine learning in genetics and genomics // Frontiers. 2024. Vol. 4. P. 1457619. DOI: 10.3389/fbinf.2024.1457619.