agroengineeringАгроинженерияAgricultural Engineering (Moscow)2687-11492687-1130РГАУ-МСХА10.26897/2687-1149-2026-1-4-15agroengineering-1187Research ArticleТЕХНИКА И ТЕХНОЛОГИИ АПКFARM MACHINERY AND TECHNOLOGIESКоличественная оценка поражения сахарной свеклы церкоспорозом на основе мультиспектральной съемки с БПЛА и сегментации методом U-NetQuantitative assessment of sugar beet Cercospora infection based on UAV multispectral imaging and U-Net segmentationhttps://orcid.org/0000-0001-9344-2606МударисовС. Г.MudarisovS. G.

Мударисов Салават Гумерович, д-р техн. наук, профессор, кафедра мехатронных систем и машин аграрного производства

450001, Республика Башкортостан, г. Уфа, ул. 50 лет Октября, 34

Salavat G. Mudarisov, DSc (Eng), Professor, Department of Mechatronic Systems and Machines for Agricultural Production

St. 50 years of October, 34, Ufa, 450001, Republic of Bashkortostan

salavam@gmail.comhttps://orcid.org/0000-0002-3125-3532МифтаховИ. Р.MiftakhovI. R.

Мифтахов Ильнур Ринатович, канд. техн. наук, кафедра мехатронных систем и машин аграрногопроизводства

450001, Республика Башкортостан, г. Уфа, ул. 50 лет Октября, 34

Ilnur R. Miftakhov, CSc (Eng), Department of Mechatronic Systems and Machines for Agricultural Production

St. 50 years of October, 34, Ufa, 450001, Republic of Bashkortostan

 

info323@bk.ruhttps://orcid.org/0000-0002-6443-8584ФархутдиновИ. М.FarkhutdinovI. M.

Фархутдинов Ильдар Мавлиярович, д-р техн. наук, доцент, кафедра мехатронных систем и машин аграрного производства 

450001, Республика Башкортостан, г. Уфа, ул. 50 лет Октября, 34

Ildar M. Farkhutdinov, DSc (Eng), Associate Professor, Department of Mechatronic Systems and Machines for Agricultural Production

St. 50 years of October, 34, Ufa, 450001, Republic of Bashkortostan

ildar1702@mail.ruБашкирский государственный аграрный университетРоссияBashkir State Agrarian UniversityRussian Federation202615022026281415Copyright © Мударисов С.Г., Мифтахов И.Р., Фархутдинов И.М., 20262026Мударисов С.Г., Мифтахов И.Р., Фархутдинов И.М.Mudarisov S.G., Miftakhov I.R., Farkhutdinov I.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://agroengineering.timacad.ru/jour/article/view/1187

Церкоспороз сахарной свеклы (Cercospora beticola Sacc.) является одной из наиболее вредоносных фитопатологий, снижает урожайность до 40% и ухудшает качество корнеплодов. Цель исследований – разработка и верификация метода количественной оценки поражения на основе мультиспектральной аэрофотосъемки и семантической сегментации. Испытания проводились на производственных посевах ООО «Агрофирма ˮСтартˮ» (Буздякский район, Республика Башкортостан) в 2023-2024 гг., на делянках 20 × 6 рядов (≈21,6 м²) с контрольными и инокулированными вариантами. Съемка выполнялась БПЛА Geoscan Gemini с камерой Pollux (Blue, Green, Red, Red-edge, NIR) при высоте ~30 м. Модель U-Net обучена на 420 размеченных фрагментах (512 × 512 px; 6:2:2), дополнительно использованы индексы NDVI, NDRE, MCARI, NSVDI и геометрические признаки нормалей ЦМП. Интегративный алгоритм обеспечил точность мультиклассовой классификации 88,6%. Для класса «Пораженные растения» получена F1-метрика 46,0%, что на 18,6 п.п. выше PLS-DA. Значения F1 составили 92,5% для растений «Здоровые» и 68,7% – для категории «Почва/фон». Методика подтверждает применимость U-Net для диагностической сегментации очагов церкоспороза и повышает объективность мониторинга посевов. Интеграция спектральных и геометрических признаков улучшает выявление слабовыраженных симптомов.

Cercospora leaf spot (CLS) of sugar beet, caused by Cercospora beticola Sacc., is a highly destructive plant disease that can reduce yields by up to 40% and significantly impair root crop quality. This study aimed to develop and validate a quantitative disease assessment method utilizing UAV-based multispectral imaging and semantic segmentation. Field trials were conducted in 2023-2024 on commercial sugar beet crops (Agrofirma Start OOO, Buzdyak District, Republic of Bashkortostan). Plots, measuring 20 × 6 rows (≈21.6 m²), included both control and artificially inoculated treatments. UAV imagery was acquired using a Geoscan ChatGPT equipped with a Pollux multispectral camera (Blue, Green, Red, Red-edge, NIR) at an altitude of approximately 30 m. A U-Net model was trained on 420 annotated image tiles (512 × 512 px), using a 6:2:2 split for training, validation, and testing. The model incorporated spectral indices (NDVI, NDRE, MCARI, NSVDI) in addition to geometric features derived from the normal vectors of a Digital Surface Model (DSM). The developed integrative algorithm achieved an overall multiclass classification accuracy of 88.6%. Specifically, an F1-score of 46.0% was obtained for the ‘infected plants’ class, outperforming Partial Least Squares Discriminant Analysis (PLS-DA) by 18.6 percentage points. F1-scores reached 92.5% for ‘Healthy vegetation’ and 68.7% for ‘Soil/Background.’ This methodology confirms the strong applicability of U-Net for the diagnostic segmentation of Cercospora outbreaks, significantly enhancing the objectivity of crop monitoring. The integration of spectral and geometric features proved crucial in improving the detection of weakly expressed disease symptoms.

церкоспорозсахарная свекламультиспектральная съемкаБПЛАсегментацияU-Netточное земледелиефитопатологияиндекс NDVIмашинное обучениеCercosporasugar beetmultispectral imagingUAVsegmentationU-Netprecision agriculturephytopathologyNDVI indexmachine learningМатериалы, представленные в статье, получены в рамках реализации программы стратегического академического лидерства «Приоритет-2030», реализуемой ФГБОУ ВО Башкирский ГАУ.The research reported in this article was implemented as part of the strategic academic leadership program “Priority-2030,” carried out by Bashkir State Agrarian University.ReferencesGörlich F., Marks E., Mahlein A.-K. et al. UAV-based classification of cercospora leaf spot using RGB images. Drones. 2021;5(2):34. https://doi.org/10.3390/drones5020034Görlich F., Marks E., Mahlein A.-K. et al. UAV-based classification of cercospora leaf spot using RGB images. Drones. 2021;5(2):34. https://doi.org/10.3390/drones5020034Tuğrul K.M., Kaya R., Özkan K. et al. Early detection of Cercospora beticola and powdery mildew diseases in sugar beet using uncrewed aerial vehicle-based remote sensing and machine learning. PeerJ. 2025;13: e19530. https://doi.org/10.7717/peerj.19530Tuğrul K.M., Kaya R., Özkan K. et al. Early detection of Cercospora beticola and powdery mildew diseases in sugar beet using uncrewed aerial vehicle-based remote sensing and machine learning. PeerJ. 2025;13: e19530. https://doi.org/10.7717/peerj.19530Кочкаров А.А., Куликов А.К., Ольхова В.А. и др. Интеллектуальная система раннего оповещения и мониторинга растений // Известия ЮФУ. Технические науки. 2025. № 2. С. 61-68. https://doi.org/10.18522/2311-3103-2025-2-61-68Kochkarov A.A., Kulikov A.K., Olkhova V.A., Rybak А.N., Stacmich А.S. An intelligent plant monitoring and early warning system based. Izvestiya SFedU. Engineering Sciences. 2025;2:61-68. (In Russ.) https://doi.org/10.18522/2311-3103-2025-2-61-68Глухих И.Н., Прохошин А.С., Глухих Д.И., Филатова Т.А. Нейросети компьютерного зрения в системах поддержки принятия решений на умной ферме // Вестник российской сельскохозяйственной науки. 2024. № 1 С. 53-57. https://doi.org/10.31857/S2500208224010121Glukhikh I.N., Prokhoshin A.S., Glukhikh D.I., Filatova T.A. Computer vision neural networks in support systems for making decision on a smart farm. Vestnik of the Russian Agricultural Science. 2024;1:53-57. (In Russ.) https://doi.org/10.31857/S2500208224010121Дворниченко А.С., Сосновский И.А., Гапон Н.В., Жданова М.М. Метод распознавания заболеваний виноградных кустов по изображениям с использованием нейронных сетей // Актуальные проблемы науки и техники-2024: Материалы Всероссийской (национальной) научно-практической конференции, Ростов-на-Дону, 19-21 марта 2024 г. Ростов-на-Дону: Донской государственный технический университет, 2024. С. 426-427. EDN: SSIWQSDvornichenko A.S., Sosnovskiy I.A., Gapon N.V., Zhdanova M.M. Method for recognizing grapevine diseases from images using neural networks. Current Problems of Science and Technology 2024: Proceedings of the All-Russian (National) scientific and practical conference, Rostov-on-Don, March 19-21, 2024. Rostov-on-Don: Don State Technical University. 2024:426-427. (In Russ.)Мударисов С.Г., Мифтахов И.Р. Методы глубокого обучения и технологии БПЛА для идентификации заболеваний сельскохозяйственных растений // Сельскохозяйственные машины и технологии. 2024. Т. 18, № 4. С. 24-33. https://doi.org/10.22314/2073-7599-2024-18-4-24-33Mudarisov S.G., Miftakhov I.R. Deep learning methods and UAV technologies for crop disease detection. Agricultural Machinery and Technologies. 2024;18(4):24-33. (In Russ.) https://doi.org/10.22314/2073-7599-2024-18-4-24-33Шаповалов Д.А., Ведешин Л.А., Евстратова Л.Г., Антошкин А.А. Методы использования мультиспектральных снимков при экологическом мониторинге мелиорированных земель // Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20, № 4. С. 187-201. https://doi.org/10.21046/2070-7401-2023-20-4-187-201Shapovalov D.A., Vedeshin L.A., Evstratova L.G., Antoshkin A.A. Methods of using multispectral images in ecological monitoring of reclaimed lands. Sovremennye problemy distantsionnogo zondirovaniya Zemli iz kosmosa = Current Problems in Remote Sensing of the Earth from Space. 2023;20;4:187-201. (In Russ.) https://doi.org/10.21046/2070-7401-2023-20-4-187-201Торкунова Ю.В., Иванов Д.Э. Мобильное приложение по автоматизированной диагностике болезней агрокультур и подбору рекомендаций их лечения // International Journal of Advanced Studies. 2024. Т. 14, № 1. С. 168-183. https://doi.org/10.12731/2227-930X-2024-14-1-276Torkunova Ju.V., Ivanov D.Ye. A mobile application for the automated diagnosis of diseases of agricultural crops and the selection of recommendations for their treatment. International Journal of Advanced Studies. 2024;14;1:168-183. (In Russ.) https://doi.org/10.12731/2227-930X-2024-14-1-276Barreto A., Yamati F.R.I., Varrelmann M. et al. Disease incidence and severity of cercospora leaf spot in sugar beet assessed by multispectral unmanned aerial images and machine learning. Plant Disease. 2023;107(1):188-200. https://doi.org/10.1094/PDIS-12-21-2734-REBarreto A., Yamati F.R.I., Varrelmann M. et al. Disease incidence and severity of cercospora leaf spot in sugar beet assessed by multispectral unmanned aerial images and machine learning. Plant Disease. 2023;107(1):188-200. https://doi.org/10.1094/PDIS-12-21-2734-RELeite D.V., de Brito A.V., Faccioli G.G., Vieira G.H.S. Deep learning models for detection and severity assessment of Cercospora leaf spot (Cercospora capsici) in chili peppers under natural conditions. Plants. 2025;14(13):2011. https://doi.org/10.3390/plants14132011Leite D.V., de Brito A.V., Faccioli G.G., Vieira G.H.S. Deep learning models for detection and severity assessment of Cercospora leaf spot (Cercospora capsici) in chili peppers under natural conditions. Plants. 2025;14(13):2011. https://doi.org/10.3390/plants14132011Neupane K., Baysal-Gure F. Automatic identification and monitoring of plant diseases using unmanned aerial vehicles: A review. Remote Sensing. 2021;13(19):3841. https://doi.org/10.3390/rs13193841Neupane K., Baysal-Gure F. Automatic identification and monitoring of plant diseases using unmanned aerial vehicles: A review. Remote Sensing. 2021;13(19):3841. https://doi.org/10.3390/rs13193841Kamilaris A., Prenafeta-Boldú F.X. Deep learning in agriculture: A survey. Computers and Electronics in Agriculture. 2018;147:70-90. https://doi.org/10.1016/j.compag.2018.02.016Kamilaris A., Prenafeta-Boldú F.X. Deep learning in agriculture: A survey. Computers and Electronics in Agriculture. 2018;147:70-90. https://doi.org/10.1016/j.compag.2018.02.016Mohanty S.P., Hughes D.P., Salathé M. Using deep learning for image-based plant disease detection. Frontiers in Plant Science. 2016;7:1419. https://doi.org/10.3389/fpls.2016.01419Mohanty S.P., Hughes D.P., Salathé M. Using deep learning for image-based plant disease detection. Frontiers in Plant Science. 2016;7:1419. https://doi.org/10.3389/fpls.2016.01419Barbedo J.G.A. Plant disease identification from individual lesions and spots using deep learning. Biosystems Engineering. 2019:180;96-107. https://doi.org/10.1016/j.biosystemseng.2019.02.002Barbedo J.G.A. Plant disease identification from individual lesions and spots using deep learning. Biosystems Engineering. 2019:180;96-107. https://doi.org/10.1016/j.biosystemseng.2019.02.002Jay S., Comar A., Bénicio R. et al. Scoring Cercospora leaf spot on sugar beet: Comparison of UGV and UAV phenotyping systems. Plant Phenomics. 2020;2020:9452123. https://doi.org/10.34133/2020/9452123Jay S., Comar A., Bénicio R. et al. Scoring Cercospora leaf spot on sugar beet: Comparison of UGV and UAV phenotyping systems. Plant Phenomics. 2020;2020:9452123. https://doi.org/10.34133/2020/9452123Bauriegel E., Giebel A., Geyer M. et al. Early detection of fusarium infection in wheat using hyper-spectral imaging. Computers and Electronics in Agriculture. 2010;75(2):304-312. https://doi.org/10.1016/j.compag.2010.12.006Bauriegel E., Giebel A., Geyer M. et al. Early detection of fusarium infection in wheat using hyper-spectral imaging. Computers and Electronics in Agriculture. 2010;75(2):304-312. https://doi.org/10.1016/j.compag.2010.12.006Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation. Lecture Notes in Computer Science. 2015;9351:234-241. https://doi.org/10.1007/978-3-319-24574-4_28Ronneberger O., Fischer P., Brox T. U-Net: Convolutional networks for biomedical image segmentation. Lecture Notes in Computer Science. 2015;9351:234-241. https://doi.org/10.1007/978-3-319-24574-4_28

The authors declare that there are no conflicts of interest present.