Глубокое обучение для автоматизированного мониторинга сорняков в посевах зерновых

Снижение урожайности сельскохозяйственных культур под воздействием биотических стрессоров, таких как сорные растения, остается актуальной проблемой агроэкосистем. Традиционные методы мониторинга засоренности, основанные на визуальной оценке, трудоемки и субъективны. В данной работе предложен подход автоматизированной идентификации сорняков в посевах яровой пшеницы и ячменя с использованием сверточных нейронных сетей (СНС) ResNet. Цель исследования — разработка классификаторов на базе архитектур ResNet-18, ResNet-34 и ResNet-50 для обнаружения 16 видов сорных растений и определения необходимости гербицидной обработки. Датасет включал 138 изображений разрешением 1340×1790 пикселей, полученных с мобильной камеры, и данные фитосанитарного мониторинга с 66 учетных площадок (0,25 м²). Для компенсации малого объема данных применена аугментация (библиотека aug_transforms, PyTorch) с операциями: случайные повороты, масштабирование, коррекция яркости и контрастности. Это позволило расширить выборку – не менее пяти изображений на класс. Изображения предобрабатывались: масштабирование до 512×512 пикселей с последующим сжатием до 224×224 для совместимости с ResNet. Обучение моделей проводилось в течение ста эпох с оптимизатором Adam (batch size = 16), метриками качества служили accuracy_multi (доля верных классификаций) и F1-score. Все модели достигли высокой точности (accuracy_multi >95 %), однако F1-score варьировался от 0,60 до 0,74, что отражает сложности многоклассовой классификации. Наивысшие показатели F1 (0,74) продемонстрировала ResNet-18. Анализ матриц ошибок выявил проблемные классы: Convolvulusarvensis (6 ошибок), Sinapisarvensis (4 ошибки), что связано с недостаточной репрезентативностью данных. Классы 4, 7–10 и 14 распознавались с максимальной точностью. Также Confusion Matrix выявила неоднозначную эффективность глубоких архитектур ResNet.

1. Compound heat and moisture extreme impacts on global crop yields under climate change / C. Lesk, W. Anderson, A. Rigden [et al.] // Nature Reviews Earth & Environment. – 2022. – Vol. 3, No. 12. – P. 872–889. – DOI: 10.1038/s43017-022-00368-8.

2. Plant adaptations to the combination of drought and high temperatures / SI. Zandalinas, R. Mittler, D. Balfagón [et al.] // Physiologia plantarum. – 2018. – Vol. 162, No. 1. – P. 2–12. – DOI: 10.1111/ppl.12540.

3. Chilling and drought stresses in crop plants: implications, cross talk, and potential management opportunities / H.A. Hussain, S. Hussain, A. Khaliq [et al.] // Frontiers in plant science. – 2018. – Vol. 9. – Р. 393. – DOI: 10.3389/fpls.2018.00393.

4. Zimdahl R.L., Basinger N.T. Fundamentals of weed science // Elsevier. – 2024. – P. 560.

5. An ecological future for weed science to sustain crop production and the environment. A review / C. MacLaren, J. Storkey, A. Menegat [et al.] // Agronomy for Sustainable Development. – 2020. – Vol. 40. – P. 1–29. – DOI: 10.1007/s13593-020-00631-6.

6. Simard M.J., Laforest M. Early detection and management of herbicide-resistant weeds // Canadian Journal of Plant Science. – 2024. – Vol. 104, № 6. – P. 533–539. – DOI: 10.1139/cjps-2024-0021.

7. Geddes C.M., Page E.R., Bae J. Forging new paths to manage herbicide-resistant weeds // Canadian Journal of Plant Science. – 2024. – Vol. 105. – P. 1–5. – DOI: 10.1139/cjps-2024-0190.

8. Kamilaris A., Prenafeta-Boldú F.X. Deep learning in agriculture: A survey // Computers and electronics in agriculture. – 2018. – Vol. 147. – P. 70–90. – DOI: 10.1016/j.compag.2018.02.016.

9. Early detection of broad-leaved and grass weeds in wide row crops using artificial neural networks and UAV imagery / J. Torres-Sánchez, F.J. Mesas-Carrascosa, F.M. Jiménez-Brenes [et al.] // Agronomy. – 2021. – Vol. 11, № 4. – Р. 749. – DOI: 10.3390/agronomy11040749.

10. Boosting precision crop protection towards agriculture 5.0 via machine learning and emerging technologies: A contextual review / G.A. Mesías-Ruiz, M. Pérez-Ortiz, J. Dorado [et al.] // Frontiers in Plant Science. – 2023. – Vol. 14. – Р. 1143326. – DOI: 10.3389/fpls.2023.1143326.

11. Towards reducing chemical usage for weed control in agriculture using UAS imagery analysis and computer vision techniques / R. Sapkota, J. Stenger, M. Ostlie, P. Flores // Scientific reports. – 2023. – Vol. 13, № 1. – Р. 6548. – DOI: 10.1038/s41598-023-33042-0.

12. Deep residual learning for image recognition / K. He, X. Zhang, S. Ren, J. Sun // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2016. – Р. 770–778. – DOI: 10.1109/CVPR.2016.90.

13. Shufflenet: An extremely efficient convolutional neural network for mobile devices / X. Zhang, X. Zhou, M. Lin, J. Sun // Proceedings of the IEEE conference on computer vision and pattern recognition. – 2018. – Р. 6848–6856.

14. Mulla D.J. Twenty five years of remote sensing in precision agriculture: Key advances and remaining knowledge gaps // Biosystems engineering. – 2013. – Vol. 114, № 4. – P. 358–371. – DOI: 10.1016/j.biosystemseng.2012.08.009.

15. Drones in agriculture: A review and bibliometric analysis, Computers and electronics in agriculture / A. Rejeb, A. Abdollahi, K. Rejeb, H. Treiblmaier. – 2022. – Vol. 198. – P. 107017. – DOI: 10.1016/j.compag.2022.107017.

16. MDFC–ResNet: An agricultural IoT system to accurately recognize crop diseases / W.J. Hu, J. Fan, Y.X. Du [et al.] // IEEE Access. – 2020. – Vol. 8. – P. 115287–115298. – DOI: 10.1109/ACCESS.2020.3001237.

17. Yağ İ., Altan A. Artificial intelligence-based robust hybrid algorithm design and implementation for real-time detection of plant diseases in agricultural environments // Biology. – 2022. – Vol. 11, № 12. – P. 1732. – DOI: 10.3390/biology11121732.

18. A review on UAV-based applications for plant disease detection and monitoring / L. Kouadio, M. El Jarroudi, Z. Belabess [et al.] // Remote Sensing. – 2023. – Vol. 15, № 17. – P. 4273. – DOI: 10.3390/rs15174273.

19. Weed identification in maize, sunflower, and potatoes with the aid of convolutional neural networks / G.G. Peteinatos, P. Reichel, J. Karouta [et al.] // Remote Sensing. – 2020. – Vol. 12, № 24. – P. 4185. – DOI: 10.3390/rs12244185.

20. Li D., Li Y., Zhang Z. Analysis of convolutional neural networks-based approaches in fruit disease detection for smart agriculture applications // Journal of Optics. – 2024. – Vol. 53. – P. 4256–4265. – DOI: 10.1007/s12596-023-01592-1.

21. Phenotyping alfalfa (Medicago sativa L.) root structure architecture via integrating confident machine learning with ResNet-18 / B.J. Weihs, Z. Tang, Z. Tian [et al.] // Plant Phenomics. – 2024. – Vol. 6. – P. 0251. – DOI: 10.34133/plantphenomics.0251.

22. Optimized deep learning model as a basis for fast UAV mapping of weed species in winter wheat crops / T. de Camargo, M. Schirrmann, N. Landwehr [et al.] // Remote Sensing. – 2021. – Vol. 13, № 9. – P. 1704. – DOI: 10.3390/rs13091704.

23. Риксен В.С., Шпак В.А. Использование методов глубокого обучения для обнаружения и классификации сорняков в посевах Fagopyrum esculentum // Сибирский вестник сельскохозяйственной науки. – 2024. – Т. 54, № 12 (313). – С. 5–14. – DOI: 10.26898/0370-8799-2024-12-1.

24. Ховард Д., Гуггер С. Глубокое обучение с fastai и PyTorch: минимум формул, минимум кода, максимум эффективности. – СПб., 2023. – 624 с.