магистрант 2-го года обучения направления «Информатика и вычислительная техника»
2nd-Year Student in the Field of Informatics and Computer Science
Candidate of Physical and Mathematical Sciences, Head of the Laboratory of Neurocognitive Autonomous Intelligent Systems
канд. физ.-мат. наук, зав. лабораторией «Нейрокогнитивные автономные интеллектуальные системы»
One of the important areas of agriculture is fruit gardening, in particular, intensive apple orchards make a significant contribution to the agricultural sector of the Kabardino-Balkarian Republic. At the same time, to preserve the harvest, it is necessary to ensure timely detection and elimination of threats associated with apple diseases and pests. Given the shortage of specialized specialists, the task of developing an automated system for recognizing diseases and pests of apple orchards becomes urgent. For this purpose, the study set the goal of developing and assessing the applicability of an intelligent recommendation system for the protection of apple orchards in the KBR. This article describes the concept and presents the results of the development of a system for monitoring the condition of apple orchards, designed to identify diseases and pests on trees, as well as select the most appropriate plant protection plan depending on the location of the orchard. The program is a web application created on the basis of the FastAPI, Vue.js frameworks and a neural network, responsible for recognizing pests and diseases of apple trees from a photograph and drawing up an optimal plan for their treatment. The results of training a neural network on a prepared sample of photographs of healthy and infected apples are presented. Various models were used as a basis for the neural network: Roboflow 3.0, RF-DETR, YOLO v11 and YOLO v12. The developed service will allow diagnosing apple tree diseases with minimal time delays, as well as ensuring the selection of protection methods, if necessary, which will reduce the risks of crop loss by gardeners. As a result of testing the model, the Roboflow 3.0 model achieved the best indicators: mAP was 91.0%, precision 97.5%, and recall 88.5%, which indicates the applicability of the approach. In order to expand the list of recognizable threats and improve accuracy, it is planned to collect additional photographic materials in the republic's orchards, including photographs of leaves and trunks of apple trees, and further testing with the participation of gardeners of the republic.
Одним из важных направлений сельского хозяйства является плодовое садоводство, в частности, интенсивные яблоневые сады вносят заметный вклад в сельскохозяйственную отрасль Кабардино-Балкарской Республики. При этом для сохранения урожая необходимо обеспечить своевременное выявление и устранение угроз, связанных с болезнями и вредителями яблок. Учитывая нехватку профильных специалистов, актуальной становится задача разработки автоматизированной системы распознавания болезней и вредителей яблоневых садов. Для этого в рамках исследования была поставлена цель – разработка и оценка применимости интеллектуальной рекомендательной системы для защиты яблоневых садов в КБР. В данной статье описана концепция и приведены результаты разработки системы контроля состояния яблоневых садов, предназначенной для выявления болезней и вредителей на деревьях, а также подбора наиболее подходящего плана защиты растений в зависимости от местоположения сада. Программа представляет собой веб-приложение, созданное на основе фреймворков FastAPI, Vue.js и нейронной сети, отвечающих за распознавание вредителей и болезней яблонь по фотографии и составление оптимального плана их обработки. Приведены результаты обучения нейронной сети на подготовленной выборке фотографий здоровых и зараженных яблок. В качестве основы для нейронной сети использовались различные модели: Roboflow 3.0, RF-DETR, YOLO v11 и YOLO v12. Разработанный сервис позволит диагностировать заболевания яблонь с минимальными задержками по времени, а также обеспечить подбор методов защиты в случае необходимости, что снизит риски потери урожая садоводами. В результате тестирования наилучших показателей достигла модель Roboflow 3.0: mAP составила 91,0 %, precision – 97,5 %, а recall – 88,5 %, что свидетельствует о применимости подхода, но этого недостаточно для внедрения. С целью повышения точности и расширения списка распознаваемых угроз планируется сбор дополнительных фотоматериалов в садах республики, в том числе фотографий листьев и стволов яблоневых деревьев, полученных в различных погодных условиях, и дальнейшее тестирование с участием садоводов республики.