Мультиклассовое распознавание посевов сельскохозяйственных культур рекуррентной нейронной сетью глубокого обучения со сверточными слоями по цветным аэрофотоснимкам высокого разрешения

Токарев Кирилл Евгеньевич; Лебедь Никита Игоревич

doi:10.55186/25876740_2024_67_2_192

ВАК 4.1.1 УДК 631.67 УДК 004.9

Ещё 3 Свернуть

МУЛЬТИКЛАССОВОЕ РАСПОЗНАВАНИЕ ПОСЕВОВ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР РЕКУРРЕНТНОЙ НЕЙРОННОЙ СЕТЬЮ ГЛУБОКОГО ОБУЧЕНИЯ СО СВЕРТОЧНЫМИ СЛОЯМИ ПО ЦВЕТНЫМ АЭРОФОТОСНИМКАМ ВЫСОКОГО РАЗРЕШЕНИЯ Мультиклассовое распознавание посевов сельскохозяйственных культур рекуррентной нейронной сетью глубокого обучения со сверточными слоями по цветным аэрофотоснимкам высокого разрешения

АА Аа

Опубликовано в МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ · Номер 2 · Страницы 192–195 · Рубрика: Научное обеспечение и управление агропромышленным комплексом

DOI: https://doi.org/10.55186/25876740_2024_67_2_192

Получено: 09.10.2023 Одобрено: 14.11.2023 Опубликовано: 14.04.2024

Авторы

ТО

Токарев Кирилл Евгеньевич

ORCID Scopus ResearcherID

ЛЕ

Лебедь Никита Игоревич

ORCID Scopus ResearcherID

ТО

Токарев Кирилл Евгеньевич

Ученая степень: кандидат экономических наук

Ученое звание: доцент

Волгоградский государственный аграрный университет доцент кафедры · кафедра математического моделирования и информатики · Россия · Волгоград

ORCID Scopus ResearcherID

ЛЕ

Лебедь Никита Игоревич

Ученая степень: доктор технических наук

Волгоградский государственный аграрный университет профессор кафедры · кафедра электроснабжения и энергетических систем · Россия · Волгоград

ORCID Scopus ResearcherID

АННОТАЦИЯ

Актуальность исследования обусловлена необходимостью создания интеллектуальной системы мониторинга состояния посевов сельскохозяйственных культур в период вегетации на значительных площадях. Научная проблема оперативного мониторинга состояния посевов сельскохозяйственных культур с последующим распознаванием их состояния по цветным изображениям, получаемым с беспилотных летательных аппаратов (БПЛА), может быть решена посредством нейросетевых алгоритмов глубокого обучения, обеспечивающих анализ и обработку графической информации. В рамках компьютерной реализации рекуррентой нейронной сети со сверточными слоями авторами сформирован датасет цветных изображений посевов сельскохозяйственных культур, полученных с использованием БПЛА. С целью решения проблемы классового дисбаланса полученного датасета, осуществлена его аугментация путем искусственного добавления новых изображений, полученных на основе уже существующих. Для обучения, реализованной на языке Python, рекуррентной нейронной сети, включающей сверточные слои, сформирована обучающая и тестовая выборки, с разметкой изображений по четырем классам: здоровая растительность («healthy»), пораженная растительность («affected»), почва, незасеянное поле («soil») и прочие объекты («other»). Полученные в ходе исследования результаты распознавания могут быть использованы для создания гибридных архитектур с последующей программной реализацией комплекса нейросетевых моделей, позволяющих выявлять закономерности роста и развития различных групп сельскохозяйственных культур.

КЛЮЧЕВЫЕ СЛОВА

мультиклассовое распознавание, искусственный интеллект, фитоагроценоз, продуктивность, сверточные нейронные сети

Финансирование

Исследование выполнено за счет гранта Российского научного фонда № 22-21-20041, https://rscf.ru/project/22-21-20041/ и Волгоградской области.

Текст

Текст (PDF)

Читать Скачать

1. Kamilaris, A., Prenafeta-Boldú, F.X. (2018). Deep Learning in Agriculture: A survey. Computers and Electronics in Agriculture. Available at: www.arxiv.org/pdf/1807.11809

2. Neetu and Ray, S.S. (2019). Exploring machine learning classification algorithms for crop classification using Sentinel 2 data. ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. XLII-3/W6. Available at: www.int-arch-photogramm-remote-sens-spatial-infsci.net/XLII-3-W6/573/2019/isprs-archives-XLII-3-W6-573-2019.pdf

3. Liakos, K.G., Busato, P., Moshou, D., Pearson, S., Bochits, D. (2018). Machine Learning in Agriculture: A Review. Sensors (Special Issue "Sensors in Agriculture 2018"). Available at: www.mdpi.com/1424- 8220/18/8/2674/pdf

4. Kitonsa, H., Kruglikov, S.V. (2018). Significance of drone technology for achievement of the united nations sustainable development goals. R-Economy, vol. 4, no. 3, pp. 115-120.

5. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: ДМК Пресс, 2018. 652 с.

6. Cheng, G., Wang, G., Han J. (2022). IS Net: Towards Improving Separability for Remote Sensing Image Change Detection. In IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1-11. Art no. 5623811. doi:https://doi.org/10.1109/TGRS.2022.3174276

7. Дубенок Н.Н., Бородычев В.В., Лытов М.Н. Алгоритм учета пространственной неоднородности исходных характеристик орошаемого участка на основе ГИС-технологий // Российская сельскохозяйственная наука. 2019. № 1. С. 66-70.

8. Михайленко И.М. и др. Управление агротехнологиями и роботизированные средства реализации // Инновации в сельском хозяйстве. 2019. № 1 (30). С. 242-258.

9. Рогачев А.Ф., Мелихова Е.В., Белоусов И.С. Исследование развития и продуктивности сельскохозяйственных культур с применением беспилотных летательных аппаратов // Известия Нижневолжского агроуниверситетского комплекса. 2020. № 3 (59). С. 397-406. doi:https://doi.org/10.32786/2071-9485-2019-04-49

10. Асадуллаев Р.Г., Кузьменко Н.И. Технология интеллектуального распознавания сельскохозяйственных культур нейронной сетью по мультиспектральным многовременным данным дистанционного зондирования Земли // Экономика. Информатика. 2022. № 49 (1). С. 159-168. doi:https://doi.org/10.52575/2687-0932-2022-49-1-159-168

11. Tokarev, K. et al. (2023). Monitoring and Intelligent Management of Agrophytocenosis Productivity Based on Deep Neural Network Algorithms. In: Vasant, P., Weber, GW., Marmolejo-Saucedo, J.A., Munapo, E., Thomas, J.J. (eds) Intelligent Computing & Optimization. ICO 2022. Lecture Notes in Networks and Systems, vol. 569. Springer, Cham. doi:https://doi.org/10.1007/978-3-031-19958-5_65

12. Токарев К.Е., Руденко А.Ю., Кузьмин В.А., Чернявский А.Н. Теория и цифровые технологии интеллектуальной поддержки принятия решений для увеличения биопродуктивности агроэкосистем на основе нейросетевых моделей // Известия Нижневолжского агроуниверситетского комплекса. 2021. № 4 (64). С. 421- 440. doi:https://doi.org/10.32786/2071-9485-2021-04-42

13. Токарев К.Е., Лебедь Н.И., Кузьмин В.А., Чернявский А.Н. Теория и технологии управления орошением сельскохозяйственных культур на основе информационных технологий поддержки принятия решений и математического моделирования // Известия Нижневолжского агроуниверситетского комплекса. 2020. № 4 (60). С. 433-448. doi:https://doi.org/10.32786/2071-9485-2020-04-41

14. Лебедь Н.И., Токарев К.Е. Повышение продуктивности агрофитоценозов в условиях точного земледелия с использованием нейросетевых алгоритмов глубокого обучения: обоснование применения и аспекты компьютерной реализации // Международный сельскохозяйственный журнал. 2022. № 6 (390). С. 662-664. doi:https://doi.org/10.55186/25876740_2022_65_6_662

ГОСТ

Токарев К. Е., Лебедь Н. И. Мультиклассовое распознавание посевов сельскохозяйственных культур рекуррентной нейронной сетью глубокого обучения со сверточными слоями по цветным аэрофотоснимкам высокого разрешения // МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ. 2026. № 2. С. 192-195. DOI: https://doi.org/10.55186/25876740_2024_67_2_192. (дата обращения: 31.10.2026).

MLA

Токарев Кирилл Евгеньевич, Лебедь Н. И.. "Мультиклассовое распознавание посевов сельскохозяйственных культур рекуррентной нейронной сетью глубокого обучения со сверточными слоями по цветным аэрофотоснимкам высокого разрешения." МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ.2 (2026): 192-195. DOI: https://doi.org/10.55186/25876740_2024_67_2_192.

APA

Токарев К. Е., Лебедь Н. И. (2026). Мультиклассовое распознавание посевов сельскохозяйственных культур рекуррентной нейронной сетью глубокого обучения со сверточными слоями по цветным аэрофотоснимкам высокого разрешения. МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ(2), 192-195. https://doi.org/10.55186/25876740_2024_67_2_192

Chicago

Токарев Кирилл Евгеньевич, Лебедь Н. И.. "Мультиклассовое распознавание посевов сельскохозяйственных культур рекуррентной нейронной сетью глубокого обучения со сверточными слоями по цветным аэрофотоснимкам высокого разрешения." МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ, no. 2 (2026): 192-195. https://doi.org/10.55186/25876740_2024_67_2_192.

WIKI

{{cite journal | author = Токарев К. Е., Лебедь Н. И. | title = Мультиклассовое распознавание посевов сельскохозяйственных культур рекуррентной нейронной сетью глубокого обучения со сверточными слоями по цветным аэрофотоснимкам высокого разрешения | journal = МЕЖДУНАРОДНЫЙ СЕЛЬСКОХОЗЯЙСТВЕННЫЙ ЖУРНАЛ | year = 2026 | issue = 2 | pages = 192-195 | doi = 10.55186/25876740_2024_67_2_192 }}

Скопировать

Экспорт: BibTeX EndNote RefMan RusMARC

Подтверждение