Научный журнал

«ИЗВЕСТИЯ КАБАРДИНО-БАЛКАРСКОГО

НАУЧНОГО ЦЕНТРА РАН»

Свидетельство о регистрации СМИ Эл № ФС 77-90616 от 29 декабря 2025 г. выдано Федеральной службой по надзору в сфере связи, информационных технологий и массовых коммуникаций.

Свидетельство о регистрации СМИ ПИ № 77-14936 от 20 марта 2003 г. выдано Министерством РФ по делам печати, телерадиовещания и средств массовых коммуникаций (2003-2025 гг.)

Журнал основан в 1998 г. Выходит 6 раз в год

ISSN 1991-6639 (печатная версия),

ISSN 2949-1940 (электронная версия)

Текущий выпуск

Перейти на предыдущую версию журнала

Реферативные базы

Прогнозирование урожайности зеленых культур на основе мониторинга морфометрических параметров посредством машинного зрения и нейронных сетей

М. А. Астапова, М. Ю. Уздяев, В. М. Кондратьев

Загрузить полный текст

PDF

Аннотация: Средства искусственного интеллекта и технического зрения играют важную роль в автоматическом определении стадий роста растений. Исследование направлено на изучение современных технологий для автоматического анализа и измерения характеристик растений, таких как высота, площадь листьев и другие морфометрические параметры. В данной статье рассматривается применение машинного зрения и нейронных сетей для мониторинга морфометрических параметров и прогнозирования урожайности зеленых культур. Разработан алгоритм определения стадий роста салата, который осуществляет сбор данных о растениях с помощью мультиспектральной камеры, а затем анализирует полученную информацию с использованием нейронных сетей. Обучение классификации стадий роста выполнялось на подвыборке исходного датасета, состоящей из 273 случайно отобранных изображений с соблюдением баланса классов (91 изображение  в  каждом  классе).  Размер обучающей выборки для каждого класса – 45 изображений и размер тестовой выборки – 46 изображений для каждого класса. Классификация стадий роста показала высокие результаты: более 95 % верно распознанных экземпляров; более 93 % верных распознаваний отдельных стадий роста. По отдельным метрикам (Precision, Recall, F1-score) лучше всего себя показала архитектура ResNet34.

Ключевые слова: техническое зрение, нейронные сети, прогнозирование урожайности, автоматизация производства

Для цитирования. Астапова М. А., Уздяев М. Ю., Кондратьев В. М. Прогнозирование урожайности зеленых культур на основе мониторинга морфометрических параметров посредством машинного зрения и нейронных сетей // Известия Кабардино-Балкарского научного центра РАН. 2024. Т. 26. № 3. С. 11–20. DOI: 10.35330/ 1991-6639-2024-26-3-11-20

Список литературы
  1. Щербина Т. А. Цифровая трансформация сельского хозяйства РФ: опыт и перспективы // Россия: тенденции и перспективы развития. 2019. № 14-1. С. 450–453. EDN: UGBYZT
  2. Zhao C., Zhang Y., Du J. et al. Crop phenomics: current status and perspectives. Frontiers in Plant Science. 2019. Vol. 10. P. 714. DOI: 10.3389/fpls.2019.00714
  3. Shukla R., Dubey G., Malik P. et al. Detecting crop health using machine learning techniques in smart agriculture system. Journal of Scientific & Industrial Research. 2021. Vol. 80. No. 08. Pp. 699–706.
  4. Varshney D., Babukhanwala B., Khan J. et al. Plant disease detection using machine learning techniques. 2022 3rd International Conference for Emerging Technology (INCET). IEEE, Pp. 1–5.
  5. Jiang Y., Li C. Convolutional neural networks for image-based high-throughput plant phenotyping: a review. Plant Phenomics. 2020. DOI: 10.34133/2020/4152816
  6. Adhikari N.D., Simko I., Mou B. Phenomic and physiological analysis of salinity effects on lettuce. Sensors. 2019. Vol. 19. No. 21. P. 4814. DOI: 10.3390/s19214814
  7. Simko I., Hayes R.J., Furbank R.T. Non-destructive phenotyping of lettuce plants in early stages of development with optical sensors. Frontiers in plant science. 2016. Vol. 7. P. 1985. DOI: 10.3389/fpls.2016.01985
  8. Grahn C.M., Benedict C., Thornton T., Miles C. Production of baby-leaf salad greens in the spring and fall seasons of northwest Washington. HortScience. 2015. Vol. 50. No. 10. Pp. 1467–1471. DOI: 10.21273/HORTSCI.50.10.1467
  9. Wen Y., Zha L., Liu W. Dynamic responses of ascorbate pool and metabolism in lettuce to light intensity at night time under continuous light provided by red and blue LEDs. Plants. 2021. Vol. 10. No. 2. P. 214. DOI: 10.3390/plants10020214
  10. Barbedo J.G.A. Detection of nutrition deficiencies in plants using proximal images and machine learning: A review. Computers and Electronics in Agriculture. 2019. Vol. 162. Pp. 482–492. DOI: 10.1016/j.compag.2019.04.035
  11. Jung D.H., Park S.H., Han X.Z., Kim H.J. Image processing methods for measurement of lettuce fresh weight. Journal of Biosystems Engineering. 2015. Vol. 40. No. 1. Pp. 89–93. DOI: 10.5307/JBE.2015.40.1.089
  12. Lin Z., Fu R., Ren G. et al. Automatic monitoring of lettuce fresh weight by multi-modal fusion based deep learning. Frontiers in Plant Science. 2022. Vol. 13. P. 980581. DOI: 10.3389/fpls.2022.980581
  13. Wang M., Guo X. Extracting the height of lettuce by using neural networks of image recognition in deep learning. ESS Open Archive. 2022. DOI: 10.1002/essoar.10510405.1
  14. Gang M.S., Kim H.J., Kim D.W. Estimation of greenhouse lettuce growth indices based on a two-stage CNN using RGB-D images. Sensors. 2022. Vol. 22. No. 15. P. 5499. DOI: 10.3390/s22155499
  15. Lu J.Y., Chang C.L., Kuo Y.F. Monitoring growth rate of lettuce using deep convolutional neural networks. 2019 ASABE Annual International Meeting. American Society of Agricultural and Biological Engineers. 2019. P. 1. DOI:10.13031/aim.201900341
  16. Mokhtar A., El-Ssawy W., He H. et al. Using machine learning models to predict hydroponically grown lettuce yield. Frontiers in Plant Science. 2022. Vol. 13. P. 706042. DOI: 10.3389/fpls.2022.706042
  17. Martinez-Nolasco C., Padilla-Medina J.A., Nolasco J.J.M. et al. Non-Invasive monitoring of the thermal and morphometric characteristics of lettuce grown in an aeroponic system through multispectral image system. Applied Sciences. 2022. Vol. 12. No. 13. P. 6540. DOI: 10.3390/app12136540
  18. Zhang Y., Wu M., Li J. et al. Automatic non-destructive multiple lettuce traits prediction based on DeepLabV3+. Journal of Food Measurement and Characterization. 2023. Vol. 17. No. 1. Pp. 636–652. DOI: 10.1007/s11694-022-01660-3
  19. Wada K. Labelme: Image polygonal annotation with Python. 2016. URL: https:// github.com/labelmeai/labelme
  20. Simonyan K., Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556. 2014. DOI: 10.48550/arXiv.1409.1556
  21. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. Pp. 770–778.
  22. Tan M., Le Q. Efficient net: Rethinking model scaling for convolutional neural networks. International conference on machine learning, PMLR, 2019. Pp. 6105–6114.
  23. Kumar V., Arora H., Sisodia J. Resnet-based approach for detection and classification of plant leaf diseases. 2020 International conference on electronics and sustainable communication systems (ICESC), IEEE, 2020. Pp. 495–502. DOI:10.1109/ICESC48915.2020.9155585
  24. Elwirehardja G.N., Prayoga J.S. Oil palm fresh fruit bunch ripeness classification on mobile devices using deep learning approaches. Computers and Electronics in Agriculture. 2021. Vol. 188. P. 106359. DOI:10.1016/j.compag.2021.106359
  25. Wang J., Zhang H., Zhou W. Apple automatic classification method based on improved VGG11. Third International Conference on Computer Vision and Pattern Analysis (ICCPA 2023). SPIE, 2023. Vol. 12754. Pp. 473–478.

Информация об авторах

Астапова Марина Алексеевна, мл. науч. сотр. лаборатории технологий больших данных социокиберфизических систем, Санкт-Петербургский Федеральный исследовательский центр Российской академии наук (СПб ФИЦ РАН);
199178, Россия, Санкт-Петербург, 14-я линия Васильевского острова, 39;
astapova.m@iias.spb.su, ORCID: https://orcid.org/0000-0002-9121-894X, SPIN-код: 3195-0770
Уздяев Михаил Юрьевич, мл. науч. сотр. лаборатории технологий больших данных социокиберфизических систем, Санкт-Петербургский федеральный исследовательский центр Российской академии наук (СПб ФИЦ РАН);
199178, Россия, Санкт-Петербург, 14-я линия Васильевского острова, 39;
uzdyaev.m@iias.spb.su, ORCID: https://orcid.org/0000-0002-7032-0291, SPIN-код: 7398-2273
Кондратьев Виталий Михайлович, канд. с.-х. наук, доцент кафедры технологий хранения и переработки сельскохозяйственной продукции, Санкт-Петербургский государственный аграрный университет (СПбГАУ);
196601, Россия, Санкт-Петербург, Пушкин, Петербургское шоссе, 2;
vitsevsk@mail.ru, ORCID: https://orcid.org/0000-0001-5822-4144, SPIN-код: 2148-2591

Правила для авторов

Редакционная коллегия

Рецензирование

Этика публикаций

Свидетельство СМИ

Новости

Контакты