Обоснование цифровой системы идентификации инфекционных заболеваний и удаления зараженных растений картофеля

Актуальность. Важную роль в селекции и семеноводстве картофеля играет предотвращение распространения инфекций на этапах производства семенного материала и выведении новых сортов. В настоящее время в селекции и семеноводстве используется ручной или механизированный способ проведения сортофитопрочисток, который обладает низким уровнем автоматизации и подразумевает наличие оператора выбраковывающего и удаляющего растения картофеля.

Цели исследования — теоретическое обоснование цифровой системы идентификации инфекционных заболеваний растений картофеля и разработка алгоритма работы по выявлению координат заболевших растений для их последующего удаления.

Методы. В процессе разработки системы распознавания зараженных растений картофеля и определения координат их клубневого гнезда использовали технологии машинного зрения и алгоритмы глубокого обучения, а также базу данных изображений зараженных растений. Для определения реального размера объекта на кадре, а также для минимизации искажений объектива и учета углов наклона камеры относительно объектов использовали фотограмметрические методы.

Результаты. Теоретически обоснована необходимость создания цифровой системы идентификации инфекционных заболеваний растений картофеля для их последующего эффективного выявления и удаления. Учтены возможные искажения изображений из-за дисторсии объектива и изменения углов внешнего ориентирования при движении машины, что позволяет корректировать координаты и повышать точность определения местоположения растений. Предложен алгоритм совместной работы системы распознавания зараженных растений картофеля, системы определения координат заболевших растений и исполнительного механизма извлечения растений из почвы.

1. King J.C., Slavin J.L. White Potatoes, Human Health, and Dietary Guidance. Advances in Nutrition. 2013; 4(3): 393S–401S. https://doi.org/10.3945/an.112.003525

2. Koch M., Naumann M., Pawelzik E., Gransee A., Thiel H. The Importance of Nutrient Management for Potato Production Part I: Plant Nutrition and Yield. Potato Research. 2020; 63(1): 97–119. https://doi.org/10.1007/s11540-019-09431-2

3. Naumann M., Koch M., Thiel H., Gransee A., Pawelzik E. The Importance of Nutrient Management for Potato Production Part II: Plant Nutrition and Tuber Quality. Potato Research. 2020; 63(1): 121–137. https://doi.org/10.1007/s11540-019-09430-3

4. Зейрук В.Н., Васильева С.В., Новикова И.И., Белякова Н.А., Деревягина М.К., Белов Г.Л. Перспективы развития экологических приемов защиты картофеля от болезней и вредителей. Аграрная наука. 2019; (S3): 54–59. https://doi.org/10.32634/0869-8155-2019-326-3-54-59

5. Сибирёв А.В. и др. Прогнозирование уровня биологических рисков возникновения и распространения инфекционных и паразитарных заболеваний картофеля. Вестник российской сельскохозяйственной науки. 2024; (2): 89–95. https://doi.org/10.31857/S2500208224020189

6. Дорохов А.С., Сибирёв А.В., Аксенов А.Г., Мосяков М.А. Аналитические исследования машинно-технологических комплексов для сортофитопрочистки посадок картофеля и овощных культур в селекции и семеноводстве. Аграрный научный журнал. 2022; (4): 76–82. https://doi.org/10.28983/asj.y2022i4pp76-82

7. Черноиванов В.И. Цифровые технологии в АПК. Техника и оборудование для села. 2018; (5): 2–4. https://www.elibrary.ru/xorbjr

8. Измайлов А.Ю. Интеллектуальные технологии и роботизированные средства в сельскохозяйственном производстве. Вестник Российской академии наук. 2019; 89(5): 536–538. https://doi.org/10.31857/S0869-5873895536-538

9. Лобачевский Я.П., Тетерин В.С., Панфёров Н.С., Пехнов С.A., Трунов М.С. Теоретические исследования рабочего органа машины для проведения сортофитопрочисток посадок картофеля. Аграрная наука. 2025; (3): 116–122. https://doi.org/10.32634/0869-8155-2025-392-03-116-122

10. Аксенов А.Г., Тетерин В.С., Овчинников А.Ю., Панферов Н.С., Пехнов С.А. Использование нейронной сети для выявления больных растений картофеля. Аграрная наука. 2022; (7–8): 167–171. https://doi.org/10.32634/0869-8155-2022-361-7-8-167-171

11. Воробьёв Н.И., Лысов А.К., Корнилов Т.В., Хютти А.В. Вычислительная нейросеть для обработки светоотражательных спектров растений и дистанционного фитосанитарного мониторинга картофеля. Аграрная наука Евро-Северо-Востока. 2024; 25(2): 283–292. https://doi.org/10.30766/2072-9081.2024.25.2.283-292

12. Sinshaw N.T., Assefa B.G., Mohapatra S.K., Beyene A.M. Applications of Computer Vision on Automatic Potato Plant Disease Detection: A Systematic Literature Review. Computational Intelligence and Neuroscience. 2022; 2022: 7186687. https://doi.org/10.1155/2022/7186687

13. Tiwari D., Ashish M., Gangwar N., Sharma A., Patel S., Bhardwaj S. Potato Leaf Diseases Detection Using Deep Learning. 2020 4th International Conference on Intelligent Computing and Control Systems (ICICCS). IEEE. 2020; 461–466. https://doi.org/10.1109/ICICCS48265.2020.9121067

14. Hou C. et al. Recognition of early blight and late blight diseases on potato leaves based on graph cut segmentation. Journal of Agriculture and Food Research. 2021; 5: 100154. https://doi.org/10.1016/j.jafr.2021.100154

15. Sert E. A deep learning based approach for the detection of diseases in pepper and potato leaves. Anadolu Tarım Bilimleri Dergisi. 2021; 36(2): 167–178. https://doi.org/10.7161/omuanajas.805152

16. Гермак О.В., Калачева Н.А., Гугуева О.А. Возможности неметрических цифровых камер в наземной фотограмметрии. Научное обозрение. 2014; (7–2): 654–656. https://www.elibrary.ru/sziucv

17. Пирниязова Б., Эсенова А., Гараджаев Б., Оразова А. Прикладная фотограмметрия. Символ науки. 2024; 3(1–1): 54–56. https://www.elibrary.ru/mxlfhk

18. Ермаков Д.М., Чернушич А.П., Бернштейн М. Применение фазовой дисторсии при цифровой обработке изображений в частотной области. Нелинейный мир. 2009; 7(11): 861–868. https://www.elibrary.ru/laanvt

19. Ежова К.В. Разложение фотограмметрической дисторсии по ортогональным полиномам Цернике. Оптический журнал. 2012; 79(5): 53–56. https://www.elibrary.ru/tpopor

20. Бондарев В.Г., Проценко В.В., Пикалов А.С. Сравнительный анализ влияния дисторсии объектива на параметры системы технического зрения. Состояние и перспективы развития современной науки по направлению «Техническое зрение и распознавание образов». Сборник тезисов докладов научнотехнической конференции. Анапа: Военный инновационный технополис «ЭРА». 2019; 66–73. https://www.elibrary.ru/igvcsy