vetpressАграрная наукаAgrarian science0869-81552686-701XРедакция журнала "Аграрная наука"10.32634/0869-8155-2025-397-08-122-128vetpress-3797Research ArticleАГРОИНЖЕНЕРИЯ И ПИЩЕВЫЕ ТЕХНОЛОГИИAGROENGINEERING AND FOOD TECHNOLOGIESМониторинг посевов гороха с нейросетевой обработкой изображений полученных с использованием БПЛАMonitoring of pea crops with neural network processing of images obtained using UAVshttps://orcid.org/0000-0002-8641-0662ФёдоровД. Е.FedorovD. E.

Дмитрий Евгеньевич Фёдоров, кандидат технических наук 

ул. им. Марковцева, 5, Кемерово, 650056

Dmitry Evgenievich Fedorov, Candidate of Technical Sciences 

5 Markovtsev Str., Kemerovo, 650056

fedorov_de@inbox.ruБыковС. Н.BykovS. N.

Сергей Николаевич Быков, кандидат технических наук 

ул. им. Марковцева, 5, Кемерово, 650056

Sergey Nikolaevich Bykov, Candidate of Technical Sciences 

5 Markovtsev Str., Kemerovo, 650056

agro-kem@rambler.ruКузбасский государственный аграрный университет, им. В.Н. ПолецковаРоссияKuzbass State Agrarian University named after V.N.PoletskovRussian Federation20250209202508122128Copyright © Фёдоров Д.Е., Быков С.Н., 20252025Фёдоров Д.Е., Быков С.Н.Fedorov D.E., Bykov S.N.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vetpress.ru/jour/article/view/3797

Статья посвящена разработке и апробации технологии распознавания ростков гороха и оценки его биомассы на основе снимков с БПЛА с использованием нейронных сетей. Производили посев гороха сорта Рокет посевным комплексом «Кузбасс» в Топкинском районе Кемеровской области на площади 21,55 га. Тип почвы — слабовыщелоченный чернозем. Предшественник — яровая пшеница. Глубина заделки семян 6 см, норма высева 1,1 млн семян на 1 га. Аэрофотосъемку выполняли через три недели квадрокоптером с разрешением фотокамеры 20МП с высоты полета 3 м. Съемки выполняли в два этапа — ранним утром в условиях облачности для получения изображений ростков гороха без теней и в дневное время с тенями от ростков и сорной растительности. В результате для обучения нейросети были сформированы два комплекта исходных фотографий по 120 шт. На основе полученных датасетов проводили обучение модели нейросети Ultralytics YOLOv8. Тестирование полученных моделей выполняли в программе на языке Python для пакетной обработки изображений и подсчета количества растений на каждом снимке. Точность распознавания ростков по первому датасету составила 97,3%, по второму — 67,3%. Это обусловлено различными условиями съемки. Объединение двух датасетов позволило получить точность распознавания 94,7%. Это несколько ниже первого варианта, но значительно ближе к реальным условиям аэрофотосъемки. Результатом работы является программа, позволяющая производить пакетную обработку изображений для автоматического подсчета ростков гороха и расчета их площади на снимках.

The article is devoted to the development and testing of technology for recognizing pea sprouts and estimating its biomass based on images from UAVs using neural networks. Rocket peas were sown by the “Kuzbass” sowing complex in the Topkinsky district of the Kemerovo Region on an area of 21.55 hectares. The soil type is slightly leached chernozem. The predecessor is spring wheat. The seed depth is 6 cm, the seeding rate is 1.1 million seeds per 1 hectare. Aerial photography was performed three weeks later with a quadcopter with a 20MP camera resolution from a flight altitude of 3 m. The shooting was carried out in two stages — in the early morning in cloudy conditions to obtain images of pea shoots without shadows and in the daytime with shadows from sprouts and weeds. As a result, two sets of 120 source photos were generated to train the neural network. Based on the obtained datasets, the Ultralytics YOLOv8 neural network model was trained. Testing of the obtained models was performed in a Python program for batch image processing and counting the number of plants in each image. The accuracy of recognizing sprouts on the first dataset was 97.3%, on the second — 67.3%. This is due to the different shooting conditions. Combining the two datasets allowed for a recognition accuracy of 94.7%. This is slightly lower than the first option, but much closer to the actual conditions of aerial photography. The result of the work is a program that allows batch image processing for automatic counting of pea sprouts and calculating their area in the images.

БПЛАпрограммное обеспечениемашинное обучениенейросетьгорохпосевыUAVsoftwaremachine learningneural networkpeascropsReferencesРогачев А.Ф., Мелихова Е.В., Белоусов И.С. Исследование развития и продуктивности сельскохозяйственных культур с применением беспилотных летательных аппаратов. Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2019; (4): 329–339. https://www.elibrary.ru/vqavivRogachev A.F., Melikhova E.V., Belousov I.S. Research of development and productivity of agricultural crops using unmanned aerial vehicles. Proceedings of Nizhnevolzskiy agrouniversity complex: science and higher vocational education. 2019; (4): 329–339 (in Russian). https://www.elibrary.ru/vqavivЧешкова А.Ф. Обзор современных методов обнаружения и идентификации болезней растений на основе анализа гиперспектральных изображений. Вавиловский журнал генетики и селекции. 2022; 26(2): 202–213 (на англ. яз.). https://doi.org/10.18699/VJGB-22-25Cheshkova A.F. A review of hyperspectral image analysis techniques for plant disease detection and identification. Vavilov Journal of Genetics and Breeding. 2022; 26(2): 202–213. https://doi.org/10.18699/VJGB-22-25Рогачев А.Ф., Белоусов И.С. Нейросетевое выявление проблемных участков состояния посевов методами искусственного интеллекта. Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2022; (3): 459–466. https://www.elibrary.ru/bjmznyRogachev A.F., Belousov I.S. Neural network identification of problem areas of the state of crops by methods of artificial intelligence. Proceedings of Nizhnevolzskiy agrouniversity complex: science and higher vocational education. 2022; (3): 459–466 (in Russian). https://www.elibrary.ru/bjmznyМударисов С.Г., Мифтахов И.Р. Автоматическое обнаружение и идентификация болезней пшеницы с использованием методов глубокого обучения и применением дронов в режиме реального времени. Вестник Казанского государственного аграрного университета. 2024; 19(2): 90–104. https://doi.org/10.12737/2073-0462-2024-90-104Mudarisov S.G., Miftahov I.R. Automatic detection and identification of wheat diseases using deep learning and real-time drones. Vestnik of Kazan State Agrarian University. 2024; 19(2): 90–104 (in Russian). https://doi.org/10.12737/2073-0462-2024-90-104Кутырёв А.И., Филиппов Р.А. Распознавание генеративных частей земляники садовой с использованием сверточной нейронной сети (CNN). Таврический вестник аграрной науки. 2023; (2): 72–86. https://doi.org/10.5281/zenodo.8271986Kutyrev A.I., Filippov R.A. Recognition of generative parts of Fragaria × ananassa using convolutional neural network (CNN). Taurida Herald of the Agrarian Sciences. 2023; (2): 72–86 (in Russian). https://doi.org/10.5281/zenodo.8271986Демидчик В.В. и др. Феномика растений: фундаментальные основы, программно-аппаратные платформы и методы машинного обучения. Физиология растений. 2020; 67(3): 227–245. https://doi.org/10.31857/S0015330320030069Demidchik V.V. et al. Plant Phenomics: Fundamental Bases, Software and Hardware Platforms, and Machine Learning. Russian Journal of Plant Physiology. 2020; 67(3): 397–412. https://doi.org/10.1134/S1021443720030061Молин А.Е., Блеканов И.С., Митрофанов Е.П., Митрофанова О.А. Методы генерации синтетических данных для обучения нейросетей в задаче сегментации уровня азотного режима растений на снимках беспилотных летательных аппаратов на сельскохозяйственном поле. Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2024; 20(1): 20–33. https://doi.org/10.21638/11701/spbu10.2024.103Molin A.E., Blekanov I.S., Mitrofanov E.P., Mitrofanova O.A. Synthetic data generation methods for training neural networks in the task of segmenting the level of crop nitrogen status on UAV images of agricultural fields. Vestnik of Saint Petersburg University. Applied Mathematics. Computer Science. Control Processes. 2024; 20(1): 20–33 (in Russian). https://doi.org/10.21638/11701/spbu10.2024.103Семенюк В.С., Никитин Е.А. Разработка системы точечного внесения жидких средств химизации на основе моделей сверточной нейронной сети. Сельскохозяйственные машины и технологии. 2021; 15(2): 41–45. https://doi.org/10.22314/2073-7599-2021-15-1-41-45Semenyuk V.S., Nikitin E.A. System Development for Liquid Chemicals Point Injection Based on Convolutional Neural Network Models. Agricultural Machinery and Technologies. 2021; 15(2): 41–45 (in Russian). https://doi.org/10.22314/2073-7599-2021-15-1-41-45Cini E., Marzialetti F., Paterni M., Berton A., Acosta A.T.R., Ciccarelli D. Integrating UAV imagery and machine learning via Geographic Object Based Image Analysis (GEOBIA) for enhanced monitoring of Yucca gloriosa in Mediterranean coastal dunes. Ocean & Coastal Management. 2024; 258: 107377. https://doi.org/10.1016/j.ocecoaman.2024.107377Cini E., Marzialetti F., Paterni M., Berton A., Acosta A.T.R., Ciccarelli D. Integrating UAV imagery and machine learning via Geographic Object Based Image Analysis (GEOBIA) for enhanced monitoring of Yucca gloriosa in Mediterranean coastal dunes. Ocean & Coastal Management. 2024; 258: 107377. https://doi.org/10.1016/j.ocecoaman.2024.107377Marzialetti F., Frate L., De Simone W., Frattaroli A.R., Acosta A.T.R., Carranza M.L. Unmanned Aerial Vehicle (UAV)-Based Mapping of Acacia saligna Invasion in the Mediterranean Coast. Remote Sensing. 2021; 13(17): 3361. https://doi.org/10.3390/rs13173361Marzialetti F., Frate L., De Simone W., Frattaroli A.R., Acosta A.T.R., Carranza M.L. Unmanned Aerial Vehicle (UAV)-Based Mapping of Acacia saligna Invasion in the Mediterranean Coast. Remote Sensing. 2021; 13(17): 3361. https://doi.org/10.3390/rs13173361Costa L.S. et al. Woody Plant Encroachment in a Seasonal Tropical Savanna: Lessons about Classifiers and Accuracy from UAV Images. Remote Sensing. 2023; 15(9): 2342. https://doi.org/10.3390/rs15092342Costa L.S. et al. Woody Plant Encroachment in a Seasonal Tropical Savanna: Lessons about Classifiers and Accuracy from UAV Images. Remote Sensing. 2023; 15(9): 2342. https://doi.org/10.3390/rs15092342Prasad A., Mehta N., Horak M., Bae W.D. A Two-Step Machine Learning Approach for Crop Disease Detection Using GAN and UAV Technology. Remote Sensing. 2022; 14(19): 4765. https://doi.org/10.3390/rs14194765Prasad A., Mehta N., Horak M., Bae W.D. A Two-Step Machine Learning Approach for Crop Disease Detection Using GAN and UAV Technology. Remote Sensing. 2022; 14(19): 4765. https://doi.org/10.3390/rs14194765Zhang J. et al. Multispectral Drone Imagery and SRGAN for Rapid Phenotypic Mapping of Individual Chinese Cabbage Plants. Plant Phenomics. 2022; 2022: 0007. https://doi.org/10.34133/plantphenomics.0007Zhang J. et al. Multispectral Drone Imagery and SRGAN for Rapid Phenotypic Mapping of Individual Chinese Cabbage Plants. Plant Phenomics. 2022; 2022: 0007. https://doi.org/10.34133/plantphenomics.0007Парасич А.В., Парасич В.А., Парасич И.В. Формирование обучающей выборки в задачах машинного обучения. Обзор. Информационно-управляющие системы. 2021; (4): 61–70. https://doi.org/10.31799/1684-8853-2021-4-61-70Parasich A., Parasich V., Parasich I. Training set formation in machine learning problems. Survey. Information and Control Systems. 2021; (4): 61–70 (in Russian). https://doi.org/10.31799/1684-8853-2021-4-61-70Брагинский М.Я., Тараканов Д.В. Фенотипирование растений адаптивной системой обработки изображений на базе сверточ- ных нейронных сетей. Вестник кибернетики. 2021; (2): 6–16. https://doi.org/10.34822/1999-7604-2021-2-6-16Braginsky M.Ya., Tarakanov D.V. Plant phenotyping by an adaptive image processing system based on convolutional neural networks. Proceedings in Cybernetics. 2021; (2): 6–16 (in Russian). https://doi.org/10.34822/1999-7604-2021-2-6-16Рогачев А.Ф., Мелихова Е.В. Мультиклассовое распознавание аэрофотоснимков участков сельскохозяйственных полей. Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. 2020; (3): 142–152. https://doi.org/10.32786/2071-9485-2020-03-14Rogachev A.F., Melikhova E.V. Multi-class recognition of aerial images of agricultural fields. Proceedings of Nizhnevolzskiy agrouniversity complex: science and higher vocational education. 2020; (3): 142–152 (in Russian). https://doi.org/10.32786/2071-9485-2020-03-14

The authors declare that there are no conflicts of interest present.