Определение посевов пшеницы и табака в задачах точного земледелия с использованием методов искусственного интеллекта и данных дистанционного зондирования

Актуальность:
Оперативное определение посевов сельскохозяйственных культур позволяет повысить эффективность управления сельскохозяйственными угодьями, решая такие задачи, как картирование сорняков или подсчет растений. Автоматизированное картирование сорняков и определение плотности культурных растений с помощью компьютерного зрения решает не только задачу защиты посевов, но и открывает возможности для прогнозирования урожайности. Анализ количества и распределения посевов на ранних стадиях вегетации позволяет строить точные прогнозы урожайности и оптимизировать агротехнические мероприятия (например, внесение агрохимикатов).

Цель работы:
Разработка и сравнительный анализ моделей машинного обучения для детекции сорняков и семантической сегментации посевов пшеницы и табака на изображениях высокого разрешения, полученных с наземной платформы и беспилотного летательного аппарата.

Описание данных:
Использовано два вида датасетов: 1) собственный датасет из 120 RGB-изображений (3072×2304 пикселей, формат JPG), полученных с помощью цифровой камеры Olympus в контролируемых условиях с фермы. Съёмка выполнена сверху под фиксированным углом, обеспечивая стабильность освещения и масштаба. Объекты: ростки пшеницы, сорняки, почва, а также маркеры-ограничители (палки с белой нитью). 2) открытый набор аэрофотоснимков полей табака, который содержит свыше 1500 изображений.

Подготовка данных и разметка:
Все изображения прошли ручную разметку по четырем классам: почва, ростки пшеницы, сорняки, табак. Для задач сегментации созданы аннотации в форматах масок (для U-Net).

Методология:
• Обучение архитектуры U-Net для семантической сегментации изображений на четыре класса: фон, пшеница, сорняк, табак.
• Оценка моделей по метрикам: mAP (для YOLO), IoU и точность классификации (для U-Net).

Результаты:
Модель U-Net продемонстрировала высокое качество сегментации (средний IoU > 0.85), позволив точно определять не только количество, но и площадь сорняков относительно общей биомассы. Это позволяет оценивать степень засорённости участка и обоснованно планировать применение гербицидов. Кроме того, определение плотности посевов может учитываться в качестве фактора для прогнозирования урожайности.

Практическая значимость:
Предложенный подход может быть интегрирован в системы точного земледелия для персонализированного внесения агрохимикатов и прогнозирования урожайности, что способствует снижению экологической нагрузки и экономии ресурсов.

Перспективы:
Планируется расширение датасетов и архитектур для обучения, адаптация моделей к различным условиям освещения и стадиям роста растений, а также внедрение в реальные аграрные процессы в сотрудничестве с фермерскими хозяйствами.

Благодарности:
исследование выполнено при поддержке гранта Российского научного фонда № 24-21-00231, https://rscf.ru/project/24-21-00231/.