Интеллектуальная система мониторинга состояния растений и раннего оповещения о заболеваниях для вертикальных теплиц

Настоящее исследование направлено на систематизацию научных знаний о заболеваниях сельскохозяйственных культур и их интеграцию в системы автоматизированного управления вертикальными теплицами. Актуальность работы обусловлена необходимостью снижения экономических потерь в растениеводстве путем разработки методов раннего выявления болезней и оптимизации фитосанитарных мероприятий. В качестве модельного объекта использован базилик душистый, характеризующийся высокой восприимчивостью к фитопатогенам при интенсивных технологиях выращивания. Для создания платформы сформирован специализированный набор данных: 254 изображений базилика, аннотированных с указанием локализации и площади патологических изменений. Набор данных дополнен методом аугментации для увеличения разнообразия выборки. На основе комплексного анализа предложена архитектура системы мониторинга из трех модулей: сенсорного (сбор данных изображений и микроклимата), аналитического (на базе сверточных нейронных сетей для оценки динамики болезней) и интерфейса поддержки решений (генерация агрономических рекомендаций). Обучение модели с использованием трансферного обучения показало точность детекции 74,7 %. Для минимизации ложных срабатываний предложенный алгоритм постобработки можно доработать для учета пространственно-временной корреляции данных. Разработанный прототип подтверждает перспективность интеграции компьютерного зрения и агрономических знаний для создания предиктивных систем. Результаты обладают потенциалом адаптации к другим культурам защищенного грунта, способствуя развитию точного земледелия и снижению антропогенной нагрузки на агроэкосистемы.

1. Васильев С.А., Лимонов С.Е., Мишин С.А. Интеллектуальная полевая сенсорная станция для мониторинга агрофизических параметров и фенотипирования в системе точного земледелия. Сельскохозяйственные машины и технологии. 2024;18(4):79–85. https://doi.org/10.22314/2073-7599-2024-18-4-79-85

2. Каличкин В.К., Максимович К.Ю., Алещенко О.А., Алещенко В.В. Прогнозирование урожайности сельскохозяйственных культур: структура данных и методы искусственного интеллекта. Сельскохозяйственные машины и технологии. 2025;19(2):33–44. https://doi.org/10.22314/2073-7599-2025-19-2-33-44

3. Mahlein A.-K. Plant Disease Detection by Imaging Sensors – Parallels and Specific Demands for Precision Agriculture and Plant Phenotyping. Plant Disease. 2016;100(2):241–251. https://doi.org/10.1094/PDIS-03-15-0340-FE

4. Solovchenko A., Dorokhov A., Shurygin B., et al. Linking Tissue Damage to Hyperspectral Reflectance for Non-Invasive Monitoring of Apple Fruit in Orchards. Plants. 2021;10(2). https://doi.org/10.3390/plants10020310

5. Anantrasirichai N., Hannuna S., Canagarajah N. Towards automated mobile-phone-based plant pathology management. arXiv. URL: https://arxiv.org/abs/1912.09239 [Accessed 1st January 2024].

6. Abade A., Ferreira P.A., de Barros Vidal F. Plant diseases recognition on images using convolutional neural networks: A systematic review. Computers and Electronics in Agriculture. 2021;185. https://doi.org/10.1016/j.compag.2021.106125

7. Miller S.A., Beed F.D., Harmon C.L. Plant Disease Diagnostic Capabilities and Networks. Annual Review of Phytopathology. 2009;47:15–38. https://doi.org/10.1146/annurev-phyto-080508-081743

8. Wang Z., Chi Zh., Feng D.D. Shape based leaf image retrieval. IEE Proceedings – Vision Image and Signal Processing. 2003;150(1):34–43.

9. Anantrasirichai N., Hannuna S., Canagarajah N. Automatic Leaf Extraction from Outdoor Images. arXiv. URL: https://arxiv.org/abs/1709.06437 [Accessed 1st January 2024].

10. Моторин О.А., Горбачев М.И., Петренко А.П., Суворов Г.А. О внедрении современных информационно-технологических решений в сельское хозяйство. Управление рисками в АПК. 2019;(4):105–122. https://doi.org/10.53988/24136573-2019-04-09

11. Кочкаров А.А., Куликов А.К., Румянцев Б.В. Опыт применения и перспективы использования искусственного интеллекта в области агробиотехнологий. В сборнике: Горизонты математического моделирования и теория самоорганизации. К 95-летию со дня рождения С.П. Курдюмова, 21 ноября 2023 года, Москва, Россия. Москва: ИПМ им. М.В. Келдыша; 2024. С. 144–153. https://doi.org/10.20948/k95-8

12. Mohanty Sh.P., Hughes D.P., Salathé M. Using Deep Learning for Image-Based Plant Disease Detection. Frontiers in Plant Science. 2016;7. https://doi.org/10.3389/fpls.2016.01419

13. Hong G., Luo M.R., Rhodes P.A. A study of digital camera colorimetric characterization based on polynomial modeling. Color Research and Application. 2001;26(1):76–84. https://doi.org/10.1002/1520-6378(200102)26:1<76::AID-COL8>3.0.CO;2-3

14. Hannuna S.L., Kunkel T., Anantrasirichai N., Canagarajah N. Colour Correction for Assessing Plant Pathology Using Low Quality Cameras. In: BIOINFORMATICS 2011: Proceedings of the International Conference on Bioinformatics Models, Methods and Algorithms, 26–29 January 2011, Rome, Italy. SciTePress; 2011. P. 326–331.

15. Altieri M.A. Agroecology: The Science of Sustainable Agriculture. Boca Raton: CRC Press; 2018. 448 p.