Диагностика болезней растений беспилотным летательным аппаратом с маломощными вычислительными модулями

Представлены исследования по решению актуальной задачи агроинженерии – разработки энергоэффективной onboard-системы автоматической детекции фитопатологических заболеваний растений с использованием методов компьютерного зрения и глубокого обучения. Исследование проведено в контексте растущей потребности в интеллектуальных технологиях агромониторинга, способных функционировать в полевых условиях с ограниченными вычислительными ресурсами. Объект исследования – посевы пшеницы, обследуемые в агроландшафтах Республики Башкортостан в различные фазы вегетации. Научная новизна заключается в построении модифицированной архитектуры нейросетевого детектора на основе облегченной версии YOLO, включающей малозатратные сверточные блоки GhostConv и MBConv, модули внимания SE и CBAM, а также многоуровневую структуру агрегации признаков BiFPN с дополнительным выходом P2 для повышения чувствительности к мелкомасштабным симптомам заболеваний. В отличие от базовой архитектуры YOLOv5s предложенное решение оптимизировано для работы на вычислительных модулях NavQ Plus, Jetson TX2 и Raspberry Pi 4. Обучение модели проведено на выборке из 7500 изображений, размеченных вручную специалистамиагрономами по признакам бурой и желтой ржавчины. Для валидации эффективности применены ключевые метрики: точность (Precision), полнота (Recall), F1-мера, средний IoU, FPS и энергоэффективность (FPS/Вт). Результаты экспериментов показали следующее достижение: F1-мера до 0,978, IoU до 0,82, скорость обработки до 16,8 FPS и энергоэффективность 2,7 FPS/Вт на платформе NavQ Plus. Проведен сравнительный анализ с базовой моделью YOLOv5s, подтвердивший превосходство предложенной архитектуры по всем ключевым параметрам. Разработанная модель может служить основой для построения интеллектуальных решений в области точного земледелия, обеспечивающих раннее выявление болезней и адаптивное применение средств защиты растений при минимальных энергетических и вычислительных затратах. 

1. Wang S., Xu D., Liang H., Bai Y., Li X., Zhou J., Su C., Wei W. Advances in deep learning applications for plant disease and pest detection: a review // Remote Sensing. 2025. Vol. 17. N 4. Art. 698. DOI: 10.3390/rs17040698.

2. Kouadio L., El Jarroudi M., Belabess Z., Boulif M., Blanke M.M., Bock C.H., Olatinwo R., Valdés-Gómez H., Boulard T. A review on UAVbased applications for plant disease detection and monitoring // Remote Sensing. 2023. Vol. 15. N 17. Art. 4273. DOI: 10.3390/rs15174273.

3. Duhan S., Sharma A., Kaur H., Kumar R. RTR_ Lite_MobileNetV2: A lightweight and efficient model for plant disease detection and classification // Current Plant Biology. 2025. Vol. 42. P. 100459. DOI: 10.1016/j.cpb.2025.100459.

4. Upadhyay A., Chandel N.S., Singh K.P., Chakraborty S.K., Nandede B.M., Mohit K., Subeesh A., Upendar K., Salem A., Elbeltagi A. Deep learning and computer vision in plant disease detection: a comprehensive review // Artificial Intelligence Review. 2025. Vol. 58. N 3. P. 92–115. DOI: 10.1007/s10462-024-10865-2.

5. Joseph D.S., Pawar P.M., Chakradeo K. Real-time plant disease dataset development and detection of plant disease using deep learning // IEEE Access. 2024. Vol. 12. P. 16310–16333. DOI: 10.1109/ACCESS.2024.3368172.

6. Sambana B., Nnadi H.S., Wajid M.A., Thomas R., Aluko O. An efficient plant disease detection using transfer learning approach // Scientific Reports. 2025. Vol. 15. P. 19082. DOI: 10.1038/ s41598-025-02271-w.

7. Shoaib M., Sadeghi-Niaraki A., Ali F., Hussain I., Khalid S. Leveraging deep learning for plant disease and pest detection: a comprehensive review and future directions // Frontiers in Plant Science. 2025. Vol. 16. Art. 1538163. DOI: 10.3389/fpls.2025.1538163.

8. Silva P.E.C., Almeida J. An edge computing-based solution for real-time leaf disease classification using thermal imaging // IEEE Geoscience and Remote Sensing Letters. 2024. Vol. 22. P. 1–5. DOI: 10.1109/LGRS.2024.3456637.

9. Shao R., Bi X.-J., Chen Z. Hybrid ViT-CNN network for fine-grained image classification // IEEE Signal Processing Letters. 2024. Vol. 31. P. 1109–1113. DOI: 10.1109/LSP.2024.3386112.

10. Mudarisov S.G., Miftakhov I.R. Deep learning methods and UAV technologies for crop disease detection // Agricultural Machinery and Technologies. 2024. Vol. 18. N 4. P. 24–33. DOI: 10.22314/2073-7599-2024-18-4-24-33.

11. Chen X., Li W., Zhang Z., Zhang H., Liu J., Yang Y. An improved algorithm based on YOLOv5 for detecting Ambrosia trifida in UAV imagery // Frontiers in Plant Science. 2024. Vol. 15. Art. 1360419. DOI: 10.3389/fpls.2024.1360419.

12. Jiang W., Song J., Chen Z., Qu S. Mobile-friendly under-sampling single-pixel imaging based on a lightweight hybrid CNN-ViT architecture // Optics Express. 2024. Vol. 32. N 27. P. 48672– 48685. DOI: 10.1364/OE.546375.

13. Буденный С.А., Лазарев В.Д., Захаренко Н.Н. Eco2AI: контроль углеродного следа моделей машинного обучения в качестве первого шага к устойчивому искусственному интеллекту // Доклады Российской академии наук. Математика, информатика, процессы управления. 2022. Т. 508. № 1. С. 134–145. DOI: 10.31857/ S2686954322070232.

14. Кузнецова А.А., Малева Т.В., Соловьев В.И. Сравнение алгоритмов YOLOV3 и Yolov5 в задаче обнаружения яблок // Математические методы в технике и технологиях. 2020. Т. 12-2. С. 95–97.

15. Li L., Zhao H., Liu N., Wang X., Zhang P. MCDYOLOv5: Accurate, real-time crop disease and pest identification approach using UAVs // Electronics. 2023. Vol. 12. N 20. P. 4365. DOI: 10.3390/electronics12204365.

16. Bhagat S., Kokare M.B., Haswani V., Hambarde P., Taori T., Ghante P.H., Patil D.K., Patil D. Advancing real-time plant disease detection: A lightweight deep learning approach and novel dataset for pigeon pea crop // Smart Agricultural Technology. 2024. Vol. 7. P. 100408. DOI: 10.1016/j.atech.2024.100408.

17. Quan S., Wang J., Jia Z., Yang M., Xu Q. MS-Net: a novel lightweight and precise model for plant disease identification // Frontiers in Plant Science. 2023. Vol. 14. Art. 1276728. DOI: 10.3389/fpls.2023.1276728.

18. Selvaraj K., Selvanarayanan R., Gopalsamy Venkatesan S.K., Rajendran S. Future-proof coffee plant disease detection based on counter-factual recommendation with a hybrid vision transformer and convolutional neural network model // Agrociencia. 2025. Vol. 59-4. DOI: 10.47163/ agrociencia.v59i4.3385.

19. Zhong Y, Teng Z., Tong M. LightMixer: A novel lightweight convolutional neural network for tomato disease detection // Frontiers in Plant Science. 2023. Vol. 14. P. 1166296. DOI: 10.3389/ fpls.2023.1166296.