Раннее обнаружение комплекса стрессов у растений методом компьютерной визуализации

Раннее обнаружение комплекса стрессов в полевых условиях с помощью смартфона весьма востребовано и эффективно, так как позволяет предотвратить значительные экономические потери урожая культуры. Существующие методы обнаружения симптомов стресса у растений путем лабораторных анализов с выделением чистой культуры патогенов требуют больших трудозатрат и наличия высокой квалификации экспертов. Визуальные методы по обнаружению комплекса стрессов субъективны и недостоверны. В результате анализа источников выявлено, что поражение растения биотическими и абиотическими стрессами приводит к появлению цветовых включений, отличных от цвета здорового растения, поэтому предложено оценивать здоровье растения компьютерной визуализацией. Учитывая, что точность сегментации листа растения и областей поражений являются определяющим фактором при оценке стрессов растений, проведено машинное обучение моделей сегментации и областей поражения на основе открытых репрезентативных наборов изображений PlantVillage и PlantSeg. Они преобразованы в синтетические наборы с применением методики выделения области интереса (ROI) и композиционное наложение на реалистичные фоны и имитацией сложных условий съемки (разное освещение, текстуры фона, частичные перекрытия и др.). При моделировании применена сверточная нейронная сеть – U-Net с энкодером MobileNetV3Large. При сегментации листа растения степень перекрытия между предсказанной областью и реальной (истинной) областью объекта составила IoU = 0,8734. Такое значение этой степени перекрытия на реальных данных – значимый результат для задачи сегментации в неконтролируемых условиях (обычно в литературных источниках IoU = 0,80–0,85 при полевом эксперименте). При сегментации областей поражения IoU = 0,7923. Полученное значение является высоким показателем для задачи семантической сегментации объектов в условиях сильного дисбаланса классов. В современных исследованиях по выявлению болезней растений значения IoU для локальных поражений часто варьируют в диапазоне 0,65–0,75.

1. Zhang Y., Xu J., LiR., Ge Y., Li ., Li R. Plants’ response to abiotic stress: Mechanisms and Strate gies // International Journal of Molecular Scienc es. 2023. Vol. 24 (13). P. 10915. DOI: 10.3390/ijms241310915.

2. Алейников А.Ф., Фуст А.А. Рациональный метод оценки биотических стрессов растений, с использованием машинного обучения // Сибирский вестник сельскохозяйственной науки. 2025. T. 55. № 4 (317). C. 83–95. DOI: 10.26898/0370-8799-2025-4-9.

3. Zarbakhsh S., Fakhrzad F., Rajkovic D., Nied bała G., Piekutowska M. Approaches and chal lenges in machine learning for monitoring agricul tural products and predicting plant physiological responses to biotic and abiotic stresses // Current Plant Biology. 2025. Vol. 43. P. 1000535. DOI: 10.1016/j.cpb.2025.100535.

4. Смирнов А.В., Тищенко И.П. Определение здоровых и больных листьев растений при помощи нейронных сетей // Программные системы и приложения. 2025. Т. 16. № 3 (66). С. 69–97. DOI: 10.25209/2079-3316-2025-16-3 69-97.

5. 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.

6. Wang W., Kang Y.A. Review of computer vision technologies in precision agriculture: from crop disease detection to farm management // Theoreti cal and Natural Science. 2025. Vol. 101 (1). P. 34 39. DOI: 10.54254/2753-8818/2025.CH22224.

7. Howlader S., Ahamed. S., Mojumdar M.U., Hai der Noori S.R., Siddiquee T.S., Chakraborty N.R. A comprehensive image dataset for the identification of eggplant leaf diseases and computer vision applications // Data in Brief. 2025. Vol. 59. P. 111353. DOI: 10.1016/j.dib.2025.111353.

8. Kotwal J., Kashyap R., Pathan M.S. An India soy abean dataset for identification and classification of diseases using computer-vision algorithms // Data in Brief. 2024. Vol. 53. P. 110216. DOI: 10.1016/j.dib.2024.110216.

9. Masum B., Anisur R., Sagor S., Parvin S. Ud din M.S. Agrivision Bangladesh: A multi-crop augmented image dataset for automated disease diagnosis in Bottle Gourd, Zucchini, Papaya, and Tomato // Data in Brief. 2026. Vol. 65. P. 112528. DOI: 10.1016/j.dib.2026.112528.

10. Georgieva M., Vassileva V. Stress management in plants: examining provisional and unique dose-dependent responses // International Journal of Molecular Sciences. 2023. Vol. 24 (6). P. 5105. DOI: 10.3390/ijms24065105.

11. Paul N., Sunil G.C., Horvath D., Sun X. Deep learning for plant stress detection: A compre hensive review of technologies, challenges, and future directions // Computers and Electronics in Agriculture. 2025. Vol. 229. P. 109734. DOI: 10.1016/j.compag.2024.109734.

12. Naveed A., Naeem M., Ali H., Fahad K., Alabbosh H., Hussain I., Khan S.A., Siddiqui A., Khan A., Iqbal B. From challenges to solutions: The impact of melatonin on abiotic stress synergies in horticultural plants via redox regulation and epigenetic signaling // Scientia Horticulturae. 2023. Vol. 321. P. 112369. DOI: 10.1016/j.scienta.2023.112369.

13. Rahadiyan D., HartatiWahyono S., Prima Nugro ho A. An overview of identification and estimation nutrient on plant leaves image using machine learning // Journal of Theoretical and Applied Information Technology. 2022. Vol. 100 (6). P. 1836–1852.

14. Gallegos A., Gavito M.E., Ferreira-Medina H., Pat Е., Astier M., Tinoco-Martínez S., Mer lín-Uribe Y., González-Esquivel C.E. Show more development of a color-based, non-destructive method to determine leaf N levels of Hass avocado under field conditions // Smart Agricultural Technology. 2025. Vol. 11. P. 100895. DOI: 10.1016/j.atech.2025.100895.

15. Vollenweider P., Savchenko O.M. Diagnosis of abiotic and biotic stress factors using the visible symptoms in foliage // Siberian Journal of Life Sciences and Agriculture. 2023. Vol. 15 (5). P. 282–305. DOI: 10.1016/j.envpol.2005.01.032.

16. Prigigallo M-I., Bubici G., Batelli G. High-throughput plant phenotyping identifies and discriminates biotic and abiotic stress // Plant Phenomics. 2025. Vol. 7 (4). P. 100124. DOI: 10.1016/j.plaphe.2025.100124.

17. Wu L., Shao H., Li J., Chen C., Hu N., Yang D., Weng H., Xiang L, Ye D. Noninvasive abiotic stress phenotyping of vascular plant in each vegetative organ view // Plant Phenomics. 2024. Vol. 6 (6). P 1–16. DOI: 10.34133/plantphenomics.0180.

18. Щенникова А.В., Филюшин М.А., Кочиева Е.З. Стрессовая память растений: ключевые аспекты (обзор) // Сельскохозяйственная биология. 2025. Т. 60. № 3. С. 397–414. DOI: 10.15389/agrobiology.2025.3.397rus.

19. Dhar T., Parray R.A., Bashyal B., Sing A.K., Dhanger P., Khura T.K., Kumar R., Hasan M., Md Yeasin. Optimized convolutional neural networks for real-time detection and severity as sessment of early blight in tomato (Solanum ly copersicum L.) // Fungal Genetics and Biology. 2025. Vol. 178 (2). P. 103984. DOI: 10.1016/j.fgb.2025.103984.

20. 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.