А. В. Степанов, И. П. Елисеев, А. В. Андреев, Н. Н. Белова, О. В. Васильева

Чувашский государственный аграрный университет

428003, Чебоксары, Российская Федерация

регрессионный анализ, машинное зрение, листовая поверхность, свекла, управления ростом растений, определение потенциального урожая.

Исследование, описанное в статье, имеет практическое значение для сельскохозяйственной индустрии, поскольку площадь листовой поверхности является важным показателем для оценки роста и развития растений, а также для определения необходимых объемов удобрений и органических средств защиты растений. Внедрение алгоритмов машинного обучения в агрономию и практику проведения сельскохозяйственных работ позволяет решить нехватку специалистов в отрасли, увеличивает уровень автоматизации объектов сельского хозяйства. Так, в отрасли возможна замена времязатратных методик ручных измерений. В работе сравниваются методы определения площади листовой поверхности свеклы. Сопоставляется метод на основе регрессионной модели с заданным постоянным коэффициентом регрессии и метод на основе машинного зрения. Метод машинного зрения реализован на языке Python 3 с использованием библиотек OpenCV 4.6 и numpy. В работе сравнивается работа обоих методов на наборе снимков листьев свеклы. Вычисления площади с помощью метода машинного зрения использовали вычислительную систему с CPU IntelCore i7, графический ускоритель не применялся, скорость расчета одного снимка составлял в среднем около 1 с. Для сбора данных использовались цифровые изображения листьев свеклы, полученные с помощью цифровой камеры высокого разрешения. Затем эти изображения были обработаны с использованием методов компьютерного зрения. В результате экспериментов было установлено, что метод машинного зрения обеспечивает более высокую точность определения площади листовой поверхности свеклы, чем регрессионная модель с заданным коэффициентом регрессии. Более того, метод машинного зрения обладает более широким спектром применения, поскольку он может быть использован для определения площади листьев других растений, а также для других задач в области компьютерного зрения. Таким образом, результаты исследования могут быть полезными для разработки новых методов определения площади листовой поверхности в сельскохозяйственной индустрии, а также для более широкого применения методов машинного зрения в других областях.

The study described in the article is of practical importance for the agricultural industry, since the leaf area is an important indicator for assessing the growth and development of plants, as well as for determining the required volumes of fertilizers and organic plant protection products. The introduction of machine learning algorithms in agronomy and the practice of agricultural work allows to solve the shortage of specialists in the industry, increases the level of automation of agricultural facilities. So, in the industry, it is possible to replace time-consuming methods of manual measurements. The paper compares methods for determining the leaf surface area of beets. A method based on a regression model with a given constant regression coefficient and a method based on machine vision are compared. The machine vision method is implemented in Python 3 using the OpenCV 4.6 and numpy libraries. The paper compares the performance of both methods on a set of images of beet leaves. Area calculations using the machine vision method used a computer system with an Intel Core i7 CPU, no graphics accelerator was used, the calculation speed for one image was on average about 1 s. For data collection, digital images of beet leaves obtained with a high-resolution digital camera were used. These images were then processed using computer vision techniques. As a result of the experiments, it was found that the machine vision method provides a higher accuracy in determining the area of the beet leaf surface than the regression model with a given regression coefficient. Moreover, the machine vision method has a wider range of applications, since it can be used to determine the leaf area of other plants, as well as for other tasks in the field of computer vision. Thus, the results of the study can be useful for the development of new methods for determining the leaf area in the agricultural industry, as well as for the wider application of machine vision methods in other areas.

1. Белов, Е. Л. Исследование влияния монохромного освещения на рост и развитие редиса / Е. Л. Белов, В. В. Белов, С. В. Ларкин // Вестник Чувашского государственного аграрного университета. – 2023. – № 1(24). – С. 95-101.


2. Близнов, В. А. Регулирование продуктивности у сахарной свеклы агрохимическими методами / В. А. Близнов, С. М. Надежкин // Вести Российской академии сельскохозяйственных наук. – 2008. – № 6. – С. 30-31.


3. Даскин, В. Ю. Эффективность листовых подкормок сахарной свеклы интермагами на разных фонах удобренности и применения гербицидов: диссертация кандидата сельскохозяйственных наук: 06.01.04: защищена / Даскин Василий Юрьевич. – Барнаул, 2014. – 145 с.


4. Елисеев, И. П. Применение рого-копытной крошки и цеолитсодержащего трепела в пропашном звене полевого севооборота в условиях Чувашской Республики : диссертация кандидата сельскохозяйственных наук: 06.01.01: защищена 26.10.2018 : утв.26.03.2019 / Елисеев Иван Петрович. – Чебоксары, 2018. – 208 с.


5. К выбору модели машинного обучения для детектирования форменных элементов крови сельскохозяйственных животных / А. И. Димитриева, А. П. Попов, А. В. Коваленко [и др.] // Вестник Чувашского государственного аграрного университета. – 2023. – № 1(24). – С. 55-62.


6. Свидетельство о регистрации программы для ЭВМ 2022684021, 09.12.2022. Программа для определения площади листовой поверхности кормовой свеклы : заявка № 2022683072 от 21.11.2022 / И. П. Елисеев, Л. В. Елисеева, А. В. Степанов.


7. Gao Y. et al. Comparative Analysis of Modeling Algorithms for Forest Aboveground Biomass Estimation in a Subtropical Region // Remote Sensing. MDPI AG, 2018. Vol. 10, № 4. P. 627.


8. Deep learning. / Goodfellow I., Bengio Y., Courville A.: MIT Press, 2016. - 800 p.


9. Liu, J., Wang, X. Plant diseases and pests detection based on deep learning: a review. Plant Methods 17, 22 (2021).


10. Paszke A., Gross S., Massa F., Lerer A., Bradbury J., Chanan G., Chintala S. PyTorch: An Imperative Style, High-Performance Deep Learning Library // Advances in Neural Information Processing Systems. - 2019. - Vol. 32. – P. 8024–8035.