МЕТОД НЕИНВАЗИВНОГО ОПРЕДЕЛЕНИЯ ГРИБНЫХ БОЛЕЗНЕЙ ЗЕМЛЯНИКИ САДОВОЙ

Обоснована актуальность ранней неповреждающей диагностики грибных, вирусных и бактериальных болезней земляники садовой. Приведены внешние признаки грибных болезней. На основе литературных данных проанализированы существующие оптические методы ранней диагностики культурных растений. Установлено, что методы подсчета пикселей изображения в пространстве цветовых каналов красного, зеленого и синего цвета предпочтительней других оптических методов обнаружения грибных болезней земляники. Это объясняется тем, что грибные болезни создают специфические цветные пятна. Их распределение на поверхности растения может быть идентифицировано в колориметрической системе CIE Lab. Представлена совокупность приемов нового метода ранней диагностики земляники садовой с использованием технических и программных средств к смартфону. Практическое осуществление метода не требует больших затрат, так как он может быть реализован в виде программного приложения в смартфоне на базе операционной системы Android. Данное приложение будет обеспечивать операции получения качественных изображений листа растения, сегментацию, расчет количества и удельной площади цветовых пятен на контуре листа, работу с базой данных образцовых изображений растений с грибными болезнями. Классификация грибных болезней и прогнозирование их развития будут осуществляться с помощью искусственной нейронной сети. Предлагаемый метод позволит определить болезни листьев растений земляники садовой, прогнозировать их развитие и установить возможные границы распространения на выбранной плантации.

судебная экспертиза, судебные расходы, судебные издержки, оплата экспертизы, предварительная оплата, предварительное внесение денежных средств, возмещение и распределение судебных расходов, финансовые гарантииземляника садовая, грибная болезнь, ранняя диагностика, смартфон, компьютерное зрение, искусственная нейронная сеть

1. Линник Т.А. Повышение эффективности способов размножения сортов земляники садовой (Fragaria × ananassa Duch.), характеризующихся низкой усообразующей способностью: дис. ... канд. с.-х. наук. – М., 2014. – 141 с.

2. Трейвас Л.Ю., Каштанова О.Ф. Болезни и вредители плодовых растений: атлас-определитель; изд. 3-е, исп. и доп. – М.: ООО «Фитон XXI», 2016. – 352 с.

3. Диагностика болезней растений. – [Электронный ресурс]: URL: http://www. activestudy.info/diagnostika-boleznej-rastenij/

4. Maas I.L. Compendium of strawberry diseases // Am. Phytopathol. Soc., St. Paul. 1984. – 138 p.

5. Петрук В.А., Боровикова Т.В., Аполинарьева И.К. Интродукция сортов земляники крупноплодной в условиях лесостепи Западной Сибири // Сиб. вестн. с.-х. науки. – 2016. – № 6. – С. 40–46.

6. Михайленко И.М., Воронков И.В. Методы обнаружения сорняков, болезней и вредителей растений по данным дистанционного зондирования // Современные проблемы дистанционного зондирования Земли из космоса. – 2016. – Т. 13, № 3. – С. 72–83.

7. Polder G., van der Heijden G.W., van Doorn J., Baltissen T.A. Automatic detection of tulip breaking virus (TBV) in tulip fields using machine vision // Biosyst. Eng. – 2014. – Т. 117. – Р. 35–42.

8. Moshou D., Bravo C., Oberti R., West J., Bodria L., McCartney A., Ramon H. Plant disease detection based on data fusion of hyper-spectral and multispectral fl uorescence imaging using Kohonen maps // Real-Time Imaging. – 2005. – N 11 (2). – Р. 75–83.

9. Rumpf T., Mahlein A.K., Steiner U., Oerke E.C., Dehne H.W., Plьmer L. Early detection and classification of plant diseases with support vector machines based on hyperspectral refl ectance // Comput. Electron. Agric. – 2010. – N 74 (1). – P. 91–99.

10. Mahlein A.K., Steiner U., Hillnhьtter C., Dehne H.W., Oerke E.C. Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases // Plant Methods. – 2012. – N 8 (1). – P. 3.

11. Rong Zhou, Shun ‘chi Kaneko, Fumio Tanaka et al. Disease detection of Cercospora Leaf Spot in sugar beet by robust template matching // Computers and Electronics in Agriculture. – 2014. – Vol. 108. – P. 58–70.

12. Polder G., van der Heijden G., Jalink H., Snel J.F.H. Correcting and matching time sequence images of plant leaves using penalized likelihood warping and robust point matching. // Comput. Electron. Agric. – 2007. – Vol. 55 (1). – P. 1–15.

13. Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера, 2012. – 1104 с.

14. Пальчикова И.Г., Алейников А.Ф., Чугуй Ю.В., Воробьев В.В., Ярушин Т.В., Сартаков В.Ю., Макашев Ю.Д., Швыдков А.Н. Портативный анализатор цвета поверхности образцов биологической ткани // Сиб. науч. вестн. – 2013. – № 17. – С. 171–175.

15. Пальчикова И.Г., Алейников А.Ф., Воробьев В.В., Ярушин Т.В., Сартаков В.Ю., Макашёв Ю.Д., Смирнов Е.С. Анализатор цветовых характеристик поверхностей // Судебная экспертиза: российский и международный опыт: материалы 2-й междунар. науч.-практ. конф. (Волгоград, 21–22 мая 2014 г.). – Волгоград: ВА МВД России, 2014. – С. 368–372.

16. Алейников А.Ф., Пальчикова И.Г., Обидин Ю.В., Смирнов Е.С., Гляненко В.С., Чугуй Ю.В. Цифровая видеосистема для определения и анализа цветовых характеристик мясного сырья // Сиб. вестн. с.-х. науки. – 2013. – № 1. – С. 78–88.

17. Пальчикова И.Г., Обидин Ю.В., Смирнов Е.С., Алейников А.Ф., Чугуй Ю.В. Программное обеспечение экспериментальной установки для измерения цветовых характеристик мяса // Система технологий и машин для инновационного развития АПК России: сб. науч. докл. Междунар. науч.-техн. конф., посвященной 145-летию со дня рождения основоположника земледельческой механики В.П. Горячкина. – 2013. – С. 343–346.

18. Пальчикова И.Г., Алейников А.Ф., Смирнов Е.С., Чугуй Ю.В., Швыдков А.Н., Нициевская К.Н., Сартаков В.Ю., Ярушин Т.В. Портативный цветовой анализатор качественных изменений мяса птицы // Достижения науки и техники в АПК. – 2015. – № 9. – С. 80–83.

19. Chaerle L., Van der Straeten D. Imaging techniques and the early detection of plant stress // Trends Plant Sci. – 2000. – Vol. 5 (11). – P. 595–601.

20. Camargo A., Smith J.S. An image-processing based algorithm to automatically identify plant disease visual symptoms // Biosyst. Eng. – 2009. – Vol. 102 – P. 9–21.

21. Arivazhagan S., NewlinShebiah R., Ananthi S., Vishnu Varthini S. Detection of unhealthy region of plant leaves and classification of plant leaf diseases using texture features // Agric. Eng. Int.: CIGRJ. – 2013. – Vol. 15 (1). – P. 211–217.

22. Camargo A., Smith J.S. An image processing based algorithm to automatically identify crop disease visual symptoms // Biosyst. Eng. – 2009. – Vol. 102 (1). – P. 9–21.

23. Chaudhary Piyush, Chaudhari Anand K., Cheeran A.N., Godara Sharda. Color transform based approach for disease spot detection on crop leaf // Int. JComput. Sci. Telecommun. – 2012. – Vol. 3 (6). – P. 65–70.

24. Tushar H. Jaware, Ravindra D. Badgujar, Prashant G. Patil. Crop disease detection using image segmentation, National Conference on Advances in Communication and Computing World (Dhulia, Maharashtra, India) // J. of Science and Technology. – 2012. – P. 190–194.

25. Sanjay B. Dhaygude, Nitin P. Kumbhar. Agricultural plant Leaf Disease Detection Using Image Processing // International J. of Advanced Research in Electrical, Electronics and Instrumentation Engineering, S & S Publication – 2013. – Vol. 2, Is. 1. – P. 599– 602.

26. Tian Y., Zhao C., Lu S., Guo X. SVM-based multiple classifier system for recognition of wheat leaf diseases. In: World Automation Congress (WAC 2012). Puerto Vallarta, Mexico. – 2012. – Р. 189–193.

27. Anand H. Kulkarni, Ashwin Patil R.K. Applying image processing technique to detect plant diseases // International J. of Modern Engineering Research. – 2012. – Vol. 2, Is. 5. – P. 3661–3664.

28. Argenti F., Alparone L., Benelli G. Fast algorithms for texture analysis using co-occurrence matrices // Radar and Signal Processing, IEE Proceedings. – 1990. – Vol. 137, N 6, Is. 6. – P. 443–448.

29. Al-Bashish D., Braik M., Bani-Ahmad S. Detection and classification of leaf diseases using K-means-based segmentation and neural networks based classification // Inform. Technol. J.P. – 2011. – Vol. 10.– P. 267–275.

30. Al-Hiary H., Bani-Ahmad S., Reyalat M., Braik M., ALRahamneh Z. Fast and accurate detection and classification of crop diseases // Int. J. Comput. – 2011. – Appl. 17. – P. 31–38.

31. Kiran R., Ujwalla G. An overview of the research on crop leaves disease detection using image processing techniques// IOSR J. Comput. Eng. (IOSR-JCE). – 2014. – Vol. 16 (1). – P. 10–16.

32. Revathi P., Hemalatha M. Classification of Cotton Leaf Spot Diseases Using Image Processing Edge Detection Techniques // IEEE International Conference on Emerging Trends in Science, Engineering and Technology (Tiruchirappalli, Tamilnadu, India). – 2012. – P. 169–173.

33. Yan-Cheng Zhang, Han-Ping Mao, Bo Hu, Ming-Xi Li. Feature Selection of Cotton Disease leaves Image Based on Fuzzy feature Selection Techniques // Proceedings of the 2007 International Conference on Wavelet Analysis and Pattern Recognition (Beijing, China, Nov.). – 2007. – P. 124–129.

34. Menukaewjinda A., Kumsawat P., Attakitmongcol K., Srikaew A. Grape leaf disease detection from color imagery using hybrid intelligent system // Proceedings of electrical Engineering/electronics, Computer, Telecommunications and Information technology (ECTI-CON). – 2008. – Vol. 1. – P. 513–516

35. Haiguang Wang, Guanlin Li, Zhanhong Ma, Xiaolong Li. Image Recognition of Plant Diseases Based on Principal Component Analysis and Neural // Networks, 8th International Conference on Natural Computation(Chongqing, China) . – 2012 – P. 246–251.

36. Mokhled S., Al-Tarawneh. An Empirical Investigation of Olive Leave Spot Disease Using Auto-Cropping Segmentation and Fuzzy CMeans Classification // World Applied Sciences Journal. – 2013. – Vol. 23, N. 9. – P. 1207– 1211.

37. Petrellis Nikos. A Smart Phone Image Processing Application for Plant Disease Diagnosis // 6th International Conference on Modern Circuits and Systems Technologies (MOCAST). – May 04–06. – 2017.

38. Алейников А.Ф., Барилло Д.В. Определение качества продуктов с помощью смартфона // Пища, экология, качество: тр. XIV междунар. науч.-практ. конф. (Новосибирск, 8–10 ноября 2017 г.). – Новосибирск: Золотой колос, 2017. – С. 36-40.

39. Логинов В. Обзор полезных приложений для смартфонов и планшетов. – [Электронный ресурс]: URL :https://www.dgl. ru/articles/obzor-poleznyh-prilojeniy-dlyasmartfonov-i-planshetov-vse-svoe-noshu-ssoboy_5632.html

40. Dashuai1 Gao, Jianhui1 Lin, Jiangbin Yu, Yurui Sunand Schulze P. Correction of leaf area measurement based on Android smartphone orientation sensor // International Agricultural Engineering J. – 2017. – Vol. 26 (1). – P. 186–192

41. Алейников А.Ф., Стёпочкин П.И., Гребенникова И.Г., Чанышев Д.И., Голышев Д.Н. Программно-алгоритмические средства и искусственные нейронные сети в селекции растений: науч.-метод. реком. – Новосибирск, 2008. –26 с.

42. Чанышев Д.И., Алейников А.Ф. Прогнозирование качества пищевого сырья на ранних стадиях его производства // Сиб. науч. вестн. – 2016. – № 20. – С. 124–127.

43. Stergiou C., Siganos D. Neural Networks [Electronic resource]: URL: http://www.doc. ic.ac.uk/~nd/surprise_96/journal/vol4/cs11/ report.html