Количественная оценка поражения сахарной свеклы церкоспорозом на основе мультиспектральной съемки с БПЛА и сегментации методом U-Net

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.

1. Görlich 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/drones5020034

2. Tuğrul 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.19530

3. Кочкаров 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/10.18522/2311-3103-2025-2-61-68

4. Глухих 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/S2500208224010121

5. Дворниченко 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: SSIWQS

6. 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

7. Шаповалов 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/10.21046/2070-7401-2023-20-4-187-201

8. Торкунова 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-2024-14-1-276

9. Barreto 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-RE

10. Leite 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/plants14132011

11. Neupane 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/rs13193841

12. Kamilaris 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.2018.02.016

13. Mohanty 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.2016.01419

14. Barbedo 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.2019.02.002

15. Jay 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/10.34133/2020/9452123

16. Bauriegel 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.2010.12.006

17. Ronneberger 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