Классификация засоренности посевов вьюнком полевым с использованием нейросетевых архитектур ResNet

Разработка эффективных методов автоматического мониторинга сорных растений – одна из ключевых задач для повышения устойчивости, продуктивности и рентабельности современного сельского хозяйства. Внедрение подобных технологий лежит в основе концепции точного земледелия, которое направлено на оптимизацию ресурсов и минимизацию антропогенного воздействия на агроэкосистемы. Ключевую роль в решении этой задачи играют технологии искусственного интеллекта, в частности методы глубокого обучения (Deep Learning). Настоящее исследование посвящено сравнительному анализу применимости сверточных нейронных сетей (CNN) архитектур ResNet-18, ResNet-34 и ResNet-50 для решения задачи классификации посевов пяти сельскохозяйственных культур (пшеницы, ячменя, гречихи, рапса и льна) по признаку засоренности вьюнком полевым. Все протестированные архитектуры продемонстрировали высокую эффективность, достигнув точности (accuracy) более 91% и F1-меры в диапазоне 0,85–0,90, что свидетельствует о хорошем балансе между точностью и полнотой предсказаний. Выявлено, что наилучшие результаты показала не самая глубокая модель – ResNet-18, которая, несмотря на меньшую вычислительную сложность, превзошла более мощные аналоги ResNet-34 и ResNet-50 по стабильности и общей точности прогноза. Данный факт подтвержден анализом матриц ошибок, которые показали минимальное количество ложных срабатываний и пропусков цели у данной архитектуры. Полученные данные свидетельствуют о перспективности использования рассмотренных архитектур для задач мониторинга засоренности, однако для практического внедрения в мобильные или стационарные системы точного земледелия требуется дальнейшее исследование, включая сравнение со специализированными легковесными нейросетевыми архитектурами и оценку на расширенных наборах данных.

1. Осовин М.Н. Анализ современных тенденций внедрения технологий искусственного интеллекта в сельское хозяйство // Островские чтения. 2024. № 1. С. 136–144.

2. Сайфетдинов А.Р., Максименко А.А. Применение машинного обучения и искусственного интеллекта для анализа данных сельского хозяйства и повышения урожайности // Контентус. 2023. T. 8. № 7S. С. 28–34.

3. Раевская Е.Г. Применение искусственного интеллекта в сельском хозяйстве Китая (обзор) // Аграрная наука Евро-Северо-Востока. 2024. Т. 25. № 5. С. 739–753. DOI: 10.30766/2072-9081.2024.25.5.739-7534.

4. Забалуева Д.В., Сатарина З.Е., Ерошенко Л.М., Семенова Е.Ю. Влияние климатических факторов на урожайность ярового ячменя в условиях Владимирской области // Владимирский земледелец. 2024. № 1. С. 56–61. DOI: 10.24412/2225-2584-2024-1107-56-61.

5. Митрофанов Д.В. Влияние погодных условий, продуктивной влаги, макроэлементов питания почвы и сорных растений на урожайность гороха // Известия Тимирязевской сельскохозяйственной академии. 2025. № 1. С. 22–42.

6. Гущина В.А., Лыкова А.С., Королев А.С. Засоренность агроценоза горчицы белой в зависимости от агротехнических приемов в условиях лесостепи Среднего Поволжья // Аграрный научный журнал. 2023. № 6. С. 12–17.

7. Хрящёв В.В., Ключников А.С., Котов Н.В., Ларионов Р.В. Идентификация основных типов кормовых культур и сорняков на изображениях с полей методами искусственного интеллекта // Вестник АПК Верхневолжья. 2023. Т. 3. С. 63. DOI: 10.35694/YARCX.2023.63.3.013.

8. Федосов А.Ю., Меньших А.М., Фартуков В.А., Зборовская М.И., Васильев Д.М. Применение искусственного интеллекта при оптимизации орошения и применении гербицидов // Экономика строительства. 2023. № 2. С. 42–51.

9. Пугачев Н.А., Гамбурцев С.Д., Фомин А.А., Сямина Е.И. Перспективы применения технологий искусственного интеллекта в сельском хозяйстве // Московский экономический журнал. 2024. № 1. С. 377–382. DOI: 10.55186/2413046X_2023_9_1_64.

10. Naheed R., Momin A. Smart Farming Technologies: AI-Driven Crop Monitoring and Precision Agronomy // Innovative Research in Applied, Biological and Chemical Sciences. 2025. Vol. 3. N 1. P. 6–14.

11. Urbina J.C.C. The Impact of Artificial Intelligence on Agronomy Students // Sinergia Académica. 2025. Vol. 8. N 1. P. 447–457.

12. Haq S.I.U., Tahir M.N., Lan Y. Weed detection in wheat crops using image analysis and artificial intelligence (AI) // Applied Sciences. 2023. Vol. 13. N 15. P. 8840.

13. Venkateswara S.M., Padmanabhan J. Deep learning based agricultural pest monitoring and classification // Scientific Reports. 2025. Vol. 15. N 1. P. 8684.

14. Upadhyay N., Sharma D.K., Bhargava A. 3swnet: A feature fusion network for semantic weed detection in precision agriculture // Food Analytical Methods. 2025. Vol. 18. N 10. P. 2241–2257.

15. Xiao F., Wang H., Li Ya., Ying C. Object detection and recognition techniques based on digital image processing and traditional machine learning for fruit and vegetable harvesting robots: An overview and review // Agronomy. 2023. Vol. 13. N 3. P. 639. DOI: 10.3390/agronomy13030639.

16. Gao X., Gao J., Qureshi W.A. Applications, trends, and challenges of precision weed control technologies based on deep learning and machine vision // Agronomy. 2025. Vol. 15. N 8. P. 1954. DOI: 10.3390/agronomy15081954.

17. Muchhadiya R.M., Kumawat P.D., Gohil B., Sakarvadia H. Precision weed management using artificial intelligence tools and techniques for sustainable agriculture // Agriculture & Food e-Newsletter. 2024. Vol. 6. N 1.

18. Wu W. Research into the application of ResNet in soil: A review // Agriculture. 2025. Т. 15. N 6. P. 661.

19. Ajayi O.G., Olufade O.O. Drone-based crop type identification with convolutional neural networks: an evaluation of the performance of RESNET architectures // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2023. Vol. 10. P. 991-998.

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