ИССЛЕДОВАНИЕ МОБИЛЬНОГО СЕЛЬСКОХОЗЯЙСТВЕННОГО РОБОТА НА ОСНОВЕ КРАЕВОГО ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ВЫЯВЛЕНИЯ БОЛЕЗНЕЙ КЛУБНИКИ С ПОЛЕЙ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ
DOI:
https://doi.org/10.52167/1609-1817-2025-141-6-133-142Ключевые слова:
Edge-AI, YOLOv10n, MobileViT, робототехника, искусственный интеллект, компьютерное зрение, обнаружение объектов в реальном времениАннотация
Заболевания клубники приводят к заметному снижению урожайности и ухудшению качества ягод, при этом традиционный визуальный осмотр насаждений агрономом оказывается малоэффективным на больших площадях и при высокой плотности посадок. В данной работе предлагается подход к автоматическому выявлению болезней листьев клубники с использованием лёгкого детектора объектов YOLOv10n, предназначенного для развёртывания на периферийных (edge) устройствах и мобильных агророботах. Для обучения и оценки модели был сформирован специализированный набор данных, включающий 3863 изображения и 9386 размеченных объектов семи классов заболеваний, полученных в условиях открытого грунта и теплиц при естественном, нестационарном освещении и взаимном перекрытии листьев. Модель YOLOv10n обучалась с применением умеренных процедур увеличения данных, что позволило повысить устойчивость к дисбалансу классов. В качестве дополнительных базовых решений для сравнения использовались лёгкая трансформерная модель MobileViT-S и классический алгоритм «Random Forest». Эксперименты показали, что YOLOv10n достигает mAP@0.5 = 0,96 и F1-score = 0,93 при сохранении режима работы, близкого к реальному времени, что делает возможным её использование на встраиваемых платформах без привлечения облачных вычислений. Результаты исследования свидетельствуют о целесообразности интеграции детектора YOLOv10n в системы точного земледелия для реализации адресного опрыскивания, локального орошения и раннего оповещения о развитии болезней клубники.
Библиографические ссылки
[1] M. Dolatabadian, V. Nasrollahi, A. Ghahremani, and S. Mahmoudi, “Image-Based Crop Disease Detection Using Machine Learning: A Review of Recent Developments,” Plant Pathol, vol. 73, no. 1, pp. 121–135, 2024.
[2] X. Zhu, J. Fan, X. Yan, T. Mao, J. Huang, Y. Zhang, and H. Nie, “Strawberry Disease Detection Framework Based on Computer Vision Neural Networks,” in Proc. 2024 5th Int. Conf. Computer Vision, Image and Deep Learning (CVIDL), 2024.
[3] M. Khalid, M. M. Nawaz, Y. Irfan, et al., “Real-Time Plant Health Detection Using Deep Convolutional Neural Networks,” Agriculture, vol. 13, no. 2, p. 510, 2023.
[4] U. Ali, M. A. R. Alif, and M. Hussain, “YOLOv1 to YOLOv10: A Comprehensive Review of YOLO Variants and Their Application in the Agricultural Domain,” arXiv preprint arXiv: 2406.10139, 2024.
[5] K. Ketabforoosh, S. Nikan, G. Antonini, and J. M. Pearce, “Optimizing Strawberry Disease and Quality Detection with Vision Transformers and Attention-Based Convolutional Neural Networks,” Foods, vol. 13, p. 1869, 2024.
[6] J. Lu, L. Tan, and H. Jiang, “Review on Convolutional Neural Network (CNN) Applied to Plant Leaf Disease Classification,” Agriculture, vol. 11, no. 8, p. 707, 2021.
[7] A. T. Khan, M. S. Islam, M. A. Rahman, et al., “Plant Disease Detection Model for Edge Computing Devices,” Front. Plant Sci., vol. 13, p. 1308528, 2023.
[8] H. Yang, L. Yang, T. Wu, Y. Yuan, J. Li, and P. Li, “MFD YOLO: A Fast and Lightweight Model for Strawberry Growth Stage Detection,” Comput. Electron. Agric., vol. 234, Art. 110177, 2025.
[9] Y. Li, J. Wang, H. Wu, Y. Yu, H. Sun, and H. Zhang, “Detection of Powdery Mildew on Strawberry Leaves Based on DAC YOLOv4 Model,” Comput. Electron. Agric., vol. 202, Art. 107418, 2022.
[10] C. Shorten and T. M. Khoshgoftaar, “A Survey on Image Data Augmentation for Deep Learning,” J. Big Data, vol. 6, no. 1, p. 60, 2019.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Ерсайын Майлыбаев, Райхан Аманова
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
