Интеллектуальная система учета и картографирования всходов сахарной свеклы по данным RGB-аэрофотосъемки с применением методов глубокого обучения

Современное растениеводство требует высокоточной и оперативной оценки густоты стояния сельскохозяйственных культур. Для сахарной свеклы данный показатель напрямую влияет на урожайность и рентабельность производства. Целью исследований является разработка и апробация методики автоматизированного учета всходов сахарной свеклы с использованием беспилотных летательных аппаратов (БПЛА) и алгоритмов глубокого обучения, обеспечивающей высокую точность и скорость обработки данных. Полевые исследования проведены в 2025 г. в Буздякском районе Республики Башкортостан на посевах промышленного гибрида сахарной свеклы. Съемка выполнялась БПЛА DJI Phantom 4 Pro с RGB-камерой на высоте 20 м. Первичная сегментация растительности проводилась по индексу Excess Green (ExG) с последующей бинаризацией и морфологической фильтрацией. Для детекции и классификации проростков применены архитектуры YOLOv8n и YOLOv5m, обученные на размеченной выборке аэрофотоснимков. Точность алгоритмов оценивалась сравнением с результатами визуального подсчета на контрольных участках. Модель YOLOv8n продемонстрировала наилучшие показатели (Precision – 0,80; Recall – 0,70; AP50-0,75; R² – 0,99) при минимальной относительной ошибке 1,11% и RMSE3,0. YOLOv5m показала сопоставимую корреляцию (R² – 0,98), но уступила по полноте и точности. Разработанный алгоритм позволил сформировать карту пространственного распределения всходов, пригодную для интеграции в системы точного земледелия. Предложенная технология обеспечивает сокращение трудозатрат на учет всходов в десятки раз по сравнению с ручными методами и исключает субъективные ошибки. Полученные результаты подтверждают возможность промышленного внедрения метода для оперативной оценки состояния посевов, принятия решений о пересеве и дифференцированного внесения агротехнологических мероприятий. Перспективы дальнейших исследований связаны с расширением функционала алгоритма для одновременного картографирования сорной растительности и адаптации метода к другим культурам.

1. Альт В.В., Пестунов И.А., Мельников П.В., Ёлкин О.В. Автоматизированное обнаружение сорняков и оценка качества всходов сельскохозяйственных культур по RGB-изображениям // Сибирский вестник сельскохозяйственной науки. 2018. Т. 48, № 5. С. 52-60. https://doi.org/10.26898/0370-8799-2018-5-7

2. Бастаубаева Н.Л., Бекбатыров М.Б., Табынбаева Л.К., Бураходжа А.М. Формирование запрограммированного урожая сахарной свеклы путем воздействия основных элементов регулирования // Сахар. 2021. № 10. С. 32-38. EDN: XTUBQI

3. Василенко В.В., Василенко С.В. Инверсия семян и ее влияние на качество пунктирного посева // Вестник Воронежского государственного аграрного университета. 2019. Т. 12, № 2. С. 102-108. EDN: WMRPRL

4. Barreto A.A., Lottes P., Yamati F.R.I. еt al. Automatic UAV-based counting of seedlings in sugar beet fields and extension to maize and strawberry. Computers and Electronics in Agriculture. 2021;191:106493. https://doi.org/10.1016/j.compag.2021.106493

5. Гольтяпин В.Я., Голубев И.Г. Направления и опыт использования беспилотных летательных аппаратов для обследования земель сельскохозяйственного назначения // Актуальные вопросы развития аграрного сектора экономики Байкальского региона: Материалы Всероссийской (национальной) научно-практической конференции, посвященной Дню российской науки, Улан-Удэ, 4-10 февраля 2021 г. Улан-Удэ: Бурятская государственная сельскохозяйственная академия имени В.Р. Филиппова, 2021. С. 81-85. EDN: OWFSMS

6. Zhang S., Yang Y., Tu L. et al. Comparison of YOLO-based sorghum spike identification detection models and monitoring at the flowering stage. Plant Methods. 2025;21(20). https://doi.org/10.1186/s13007-025-01338-z

7. Casado-García A., Heras J., Milella A., Marani R. Semi-supervised deep learning and low-cost cameras for the semantic segmentation of natural images in viticulture. Precision Agriculture. 2022;23(6):2001-2026. https://doi.org/10.1007/s11119-022-09929-9

8. 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/10.22314/2073-7599-2024-18-4-24-33

9. Lottes P., Behley J., Milioto A., Stachniss C. Fully convolutional networks with sequential information for robust crop and weed detection in precision farming. IEEE Robotics and Automation Letters. 2018;3(4):2870-2877. https://doi.org/10.48550/arXiv.1806.03412

10. Logeshwaran J., Srivastava D., Kumar K.S. et al. Improving crop production using an agro-deep learning framework in precision agriculture. BMC Bioinformatics. 2024;25:341. https://doi.org/10.1186/s12859-024-05970-9

11. Oh S., Chang A., Ashapure A. et al. Plant counting of cotton from UAS imagery using deep learning-based object detection framework. Remote Sensing. 2020;12(18):2981. https://doi.org/10.3390/rs12182981

12. Минниахметов И.С., Мурзабулатов Б.С., Шафеева Э.И., Лыкасов О.Н. Развитие сельского хозяйства Буздякского района Республики Башкортостан // Вестник Башкирского государственного аграрного университета. 2021. № 1 (57). С. 27-34. EDN: XLXCGQ

13. Бушнев А.С., Орехов Г.И., Котлярова И.А. и др. Эффективность технологических приемов возделывания материнской линии подсолнечника // Аграрная наука Евро-Северо-Востока. 2025. Т. 26, № 1. С. 115-128. https://doi.org/10.30766/2072-9081.2025.26.1.115-128

14. Сычёва И.В., Сычёв С.М., Осипов А.А. Оценка распространенности болезней на гибридах сахарной свеклы // Вестник Брянской государственной сельскохозяйственной академии. 2024. № 2 (102). С. 31-36. EDN: VCIEZH

15. Han X., Wang H., Yuan T. et al. A rapid segmentation method for weed based on CDM and ExG index. Crop Protection. 2023;172;106321. https://doi.org/10.1016/j.cropro.2023.106321

16. Vaghefi S.A., Ibrahim M.F., Mohd M.H. et al. Optimized weed image classification via parallel convolutional neural networks integrating an excess green index channel. International journal of electrical and computer engineering systems. 2025;16(3):205-216. https://doi.org/10.32985/ijeces.16.3.2

17. Ueno T., Nagano Sh., Moriyuki Sh. et al. Optimized excess-green image binarization for accurate estimation of lettuce seedling leaf-area in a plant factory. Environmental Control in Biology. 2022;60(3):153-159. https://doi.org/10.2525/ecb.60.153

18. Сухобок Ю.А., Тен Е.Е., Пономарчук Ю.В., Шоберг К.А. Автоматический поиск рельсовых стыков с использованием методов обработки // Актуальные теоретико-методологические и прикладные проблемы виртуальной реальности и искусственного интеллекта: Материалы Международной научной конференции. Хабаровск: Дальневосточный государственный университет путей сообщения, 2021. С. 56-63. EDN: AEKRDH

19. Кутырёв А.И. Сверточная нейронная сеть для сегментации цветков яблони на изображениях // Аграрная наука Евро-Северо-Востока. 2024. Т. 25, № 5. С. 949-961. https://doi.org/10.30766/2072-9081.2024.25.5.949-961

20. Ронкин М.В., Акимова Е.Н., Мисилов В.Е., Решетников К.И. Обзор применения глубоких нейронных сетей и параллельных архитектур в задачах фрагментации горных пород // Вестник Южно-Уральского государственного университета. Серия «Вычислительная математика и информатика». 2023. Т. 12, № 4. С. 5-54. https://doi.org/10.14529/cmse230401