КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕ СИСТЕМЫ МОНИТОРИНГА СОСТОЯНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР НА ОСНОВЕ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ И ТЕХНОЛОГИЙ МАШИННОГО ЗРЕНИЯ
DOI:
https://doi.org/10.52167/1609-1817-2026-144-3-167-178Ключевые слова:
беспилотный летательный аппарат, машинное зрение, компьютерное моделирование, цифровое сельское хозяйство, система мониторинга, искусственный интеллект, выявление болезней растений, точное земледелиеАннотация
В настоящее время цифровизация сельского хозяйства и внедрение технологий точного земледелия являются одними из ключевых направлений повышения эффективности агропромышленного комплекса. Оперативный контроль больших площадей посевов, оценка состояния растений и своевременное выявление первых признаков заболеваний традиционными методами требуют значительных затрат времени и трудовых ресурсов. В связи с этим использование беспилотных летательных аппаратов и технологий машинного зрения рассматривается как одно из перспективных решений автоматизации сельскохозяйственного производства.
В статье представлены результаты компьютерного моделирования интеллектуальной системы мониторинга состояния сельскохозяйственных культур. Предлагаемая система включает беспилотный летательный аппарат, RGB-камеру высокого разрешения, модуль обработки изображений и аналитическую подсистему, функционирующую на основе алгоритмов искусственного интеллекта. В процессе компьютерного моделирования были исследованы формирование траектории полета, сбор телеметрических данных, предварительная обработка изображений, выявление заболеваний растений и анализ вегетационных индексов.
Результаты исследования показали, что предложенная система обеспечивает возможность мониторинга состояния сельскохозяйственных культур в режиме, близком к реальному времени. Использование алгоритмов машинного зрения позволяет с высокой точностью определять поврежденные участки растений и повышать эффективность принятия агрономических решений. Полученные результаты могут быть использованы для дальнейшего развития цифровых технологий в сельском хозяйстве и их внедрения в производственную практику.
Библиографические ссылки
Mohanty S.P., Hughes D.P., Salathé M. Using Deep Learning for Image-Based Plant Disease Detection // Frontiers in Plant Science. – 2016. – Vol. 7. – Article 1419.
Ferentinos K.P. Deep learning models for plant disease detection and diagnosis // Computers and Electronics in Agriculture. – 2018. – Vol. 145. – P. 311–318.
Too E.C., Yujian L., Njuki S., Yingchun L. A comparative study of fine-tuning deep learning models for plant disease identification // Computers and Electronics in Agriculture. – 2019. – Vol. 161. – P. 272–279.
Redmon J., Farhadi A. YOLOv3: An Incremental Improvement // arXiv preprint arXiv:1804.02767. – 2018.
Tan M., Le Q.V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks // Proceedings of the 36th International Conference on Machine Learning. – 2019. – P. 6105–6114.
Karthik R., Hariharan M., Anand S. Attention Embedded Residual CNN for Disease Detection in Tomato Leaves // Applied Soft Computing. – 2020. – Vol. 86. – 105933.
Hasan M.J., Islam M.M., Alam M.G.R. Deep Learning-Based Plant Disease Detection Using UAV Images for Smart Agriculture // IEEE Access. – 2021. – Vol. 9. – P. 123–135.
PlantVillage Dataset. Open Access Repository of Images on Plant Health. – 2024.
DJI. DJI Mavic 3 Multispectral User Manual. – Shenzhen: DJI Technology Co., Ltd., 2024.
Goodfellow I., Bengio Y., Courville A. Deep Learning. – MIT Press. – 2016. – 775 p.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Назым Нургали, Нұржан Жұмахан , Айнур Орманбекова , Мұратқали Джаманбаев
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
