Пошук академічних текстів

Інформація × Реєстраційний номер 2126U000285, Матеріали видань та локальних репозитаріїв Категорія Опубліковано, Стаття Назва роботи МЕТОД ВИЯВЛЕННЯ ПОШКОДЖЕНЬ ТА ШКІДНИКІВ КАПУСТИ З ДАЛЕКОЇ ВІДСТАНІ НА ОСНОВІ YOLO11 Автор Хабарлак К. С.Лактіонов І. С.Горєв В. М.Дяченко Г. Г.Khabarlak K. S.Laktionov I. S.Gorev V. N.Diachenko G. G. Дата публікації 27-03-2026 Постачальник інформації Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") Першоджерело https://ric.zp.edu.ua/article/view/352450 Видання National University "Zaporizhzhia Polytechnic" Опис Актуальність. Для забезпечення стабільного врожаю необхідно постійно контролювати стан рослин і вчасно вживати заходів для запобігання поширенню захворювань. Традиційні підходи базуються на ручному огляді рослин, в той же час для навчання нейронних мереж потрібні великі обсяги анотованих даних. Як ручний огляд, так і анотування даних вимагають експертних знань і потребують багато часу. Для навчання часто використовуються фотографії листя з близької відстані, оскільки їх легше знайти в Інтернеті. Однак це ускладнює оцінку поширення хвороб на великих ділянках. Капуста є однією з рослин, що широко вирощуються в Україні, але існує недостатня кількість досліджень, присвячені моніторингу здоров’я капусти.Мета. Метою цієї роботи є створення системи виявлення хвороб і шкідників капусти на основі нейронної мережі, якуможна навчити на невеликій кількості навчальних зображень. При виведенні система повинна виявляти шкідників на зображеннях рослин на відстані цілої рослини.Метод. З огляду на те, що існуючі набори даних про хвороби рослин, такі як IP102 і PlantDoc, містять переважно знімкихворих рослин зблизька, мережі, навчені на таких наборах даних, страждають від відсутності узагальнення до зображень на відстані. Для вибору найкращої моделі виявлення об’єктів у роботі було проаналізовано найсучасніші архітектури виявлення об’єктів, а саме YOLO 8, 9, 10, 11 і RT-DETR. Для збільшення відстані виявлення запропоновано функцію втрат на декількох зображеннях для поліпшення пошуку гіперпараметрів на основі методу Tree-Structured Parzen Estimators (TPE). Крім того, для поліпшення якості виявлення було зібрано новий набір даних хвороб капусти в Дніпропетровській області України. Нові класи включають хрестоцвітну блішку (поширений шкідник у Дніпропетровській області) та пошкоджене листя. Коли шкідника не видно, але пошкодження листя є, визначити конкретного шкідника може бути неможливо. Тому ми вводимо додатковий клас пошкодженого листя, який фіксує загальне пошкодження рослин. Це також дозволяє відстежувати швидкість одужання рослин, коли вжито заходів для зупинення поширення шкідників. Ми поєднуємо зібрані зображення з більшим набором даних IP102, щоб збільшити кількість охоплених шкідників і сформувати новий набір даних Cabbage+IP102.Результати. 1) Пошук за допомогою TPE, використовуючи функцію втрат на кількох зображеннях, покращив YOLO 11 M з 0,3642 до 0,3892 mAP50–95 на зображеннях, зроблених на відстані. 2) Зібраний набір даних дозволив виявляти проблеми зі здоров’ям капустяних рослин на відстані, включаючи випадки, коли шкідника наразі не видно, але пошкодження є.Висновки. У цій роботі представлено систему виявлення шкідників капусти та пошкодженого листя на основі YOLO 11 M. Архітектура детектора була обрана як найкраща під час аналізу 2 наборів даних. Розроблена система вимагає лише 7 анотованих зображень капусти для навчання та виявлення шкідників і пошкодженого листя на зображеннях високої роздільної здатності (2016x2016) цілих рослин капусти. Кінцева модель може бути використана для моніторингу проблем зі здоров’ям капусти, пошкоджень та швидкості загоєння за допомогою зображень, зроблених на відстані. Додано в НРАТ 2026-04-20 Закрити