Применение ResNet для идентификации сорных растений в посевах зерновых

С развитием технологий искусственного интеллекта и машинного обучения сверточные нейронные сети (CNN) стали одним из ключевых инструментов в области компьютерного зрения. Они активно применяются для решения задач, связанных с идентификацией и классификацией объектов. В сельском хозяйстве, где точность и скорость обработки данных имеют критическое значение, CNN нашли широкое применение, в частности для автоматического распознавания сорных растений в посевах сельскохозяйственных культур. Целью данного исследования является разработка классификаторов изображений на основе сверточных моделей ResNet-18, ResNet-34 и ResNet-50 для идентификации сорняков и классификации степени их распространения на участках, занятых зерновыми культурами. В качестве исходной информации используются результаты фитосанитарного мониторинга посевов пшеницы (Triticum aestivum L.) и ячменя (Hordeum sativum L.) и фотографии учетных площадок. В ходе мониторинга выявлено 19 видов сорных растений, которые присутствовали на участках с разной степенью интенсивности. Для количественной оценки засоренности каждому виду присваивался идентификатор: 0 – если вид превышал экономический порог вредоносности (ЭПВ), 1 – если не превышал. Основная задача классификатора заключалась в распознавании сорняков на фотографиях и определении одной из двух градаций засоренности участка. Предложенный подход продемонстрировал высокую эффективность. Точность классификаций на тестовом наборе изображений составила в среднем 95%. Для оценки надежности метода была построена матрица ошибок, которая также подтвердила высокую точность предсказаний. Полученные результаты свидетельствуют о высокой эффективности использования архитектур ResNet для задач автоматического распознавания сорняков. Практическое применение разработанных классификаторов позволяет оперативно проводить фитосанитарную диагностику посевов, что способствует своевременному и точному подбору гербицидов для борьбы с сорными растениями. 

1. FAO. The State of Food and Agriculture 2020 // Overcoming water challenges in agriculture. Rome. 2020. P. 210. DOI: 10.4060/cb1447en.

2. Zimdahl R.L., Basinger N.T. Fundamentals of weed science // Elsevier. 2024. P. 560.

3. Kamilaris A., Prenafeta-Boldú F.X. Deep learning in agriculture: A survey // Computers and electronics in agriculture. 2018. Vol. 147. P. 70– 90. DOI: 10.1016/j.compag.2018.02.016.

4. Rejeb A., Abdollahi A., Rejeb K., Treiblmaier H. Drones in agriculture: A review and bibliometric analysis // Computers and electronics in agriculture. 2022. Vol. 198. P. 107017. DOI: 10.1016/j.compag.2022.107017.

5. Hu W.J., Fan J., Du Y.X., Li B.S., Xiong N., Bekkering E. MDFC–ResNet: An agricultural IoT system to accurately recognize crop diseases // IEEE Access. 2020. Vol. 8. P. 115287–115298. DOI: 10.1109/ACCESS.2020.3001237.

6. Yağ İ., Altan A. Artificial intelligence-based robust hybrid algorithm design and implementation for real-time detection of plant diseases in agricultural environments // Biology. 2022. Vol. 11 (12). P. 1732. DOI: 10.3390/biology11121732.

7. Kouadio L., El Jarroudi M., Belabess Z., Laasli S.-E., Roni M.Z.K., Amine I.D.I., Mokhtari N., Mokrini F., Junk J., Lahlali R. A review on UAVbased applications for plant disease detection and monitoring // Remote Sensing. 2023. Vol. 15 (17). P. 4273. DOI: 10.3390/rs15174273.

8. Peteinatos G.G., Reichel P., Karouta J., Andú- jar D., Gerhards R. Weed identification in maize, sunflower, and potatoes with the aid of convolutional neural networks // Remote Sensing. 2020. Vol. 12 (24). P. 4185. DOI: 10.3390/rs12244185.

9. Li D., Li Y., Zhang Z. Analysis of convolutional neural networks-based approaches in fruit disease detection for smart agriculture applications // Journal of Optics. 2024. Vol. 53. P. 4256– 4265. DOI: 10.1007/s12596-023-01592-1.

10. Weihs B.J., Tang Z., Tian Z., Heuschele D.J., Siddique A., Terrill T.H., Zhang Z., York L.M., Xu Z. Phenotyping alfalfa (Medicago sativa L.) root structure architecture via integrating confident machine learning with ResNet.18 // Plant Phenomics. 2024. Vol. 6. P. 0251. DOI: 10.34133/ plantphenomics.0251.

11. de Camargo T., Schirrmann M., Landwehr N., Dammer K.H., Pflanz M. Optimized deep learning model as a basis for fast UAV mapping of weed species in winter wheat crops // Remote Sensing. 2021. Vol. 13 (9). P. 1704. DOI: 10.3390/rs13091704.

12. Риксен В.С., Шпак В.А. Использование методов глубокого обучения для обнаружения и классификации сорняков в посевах Fagopyrum esculentum // Сибирский вестник сельскохозяйственной науки. 2024. Т. 54, № 12 (313). С. 5–14. DOI: 10.26898/0370-8799-2024-12-1.

13. Ховард Д., Гуггер С. Глубокое обучение с fastai и PyTorch: минимум формул, минимум кода, максимум эффективности: монография. Санкт-Петербург: Питер, 2023.