ІНТЕГРОВАНА СИСТЕМА МОНІТОРИНГУ ЗАХВОРЮВАНЬ РОСЛИН ІЗ ВИКОРИСТАННЯМ БПЛА, РОБОТИЗОВАНИХ ПЛАТФОРМ І НЕЙРОМЕРЕЖ
DOI:
https://doi.org/10.20535/1970.71(1).2026.361916Ключові слова:
БПЛА, комп’ютерний зір, згорткова нейронна мережа, склеротиніоз, автоматизований моніторинг, точне землеробствоАнотація
У статті розглянуто проблему автоматизованого моніторингу захворювань сільськогосподарських культур у польових умовах із використанням безпілотних літальних апаратів. Показано, що більшість існуючих рішень орієнтована насамперед на виявлення захворювання за окремими зображеннями, тоді як питання подальшого уточнення діагнозу, повторного огляду проблемної ділянки та визначення подальших дій після виявлення хвороби розглядаються значно рідше. Окрему складність становлять захворювання стеблового типу, зокрема склеротиніоз, для яких зйомка лише з верхнього ракурсу не завжди дозволяє своєчасно зафіксувати ранні ознаки ураження. На основі цього запропоновано структуру автоматизованої системи, що поєднує БПЛА для первинного огляду, з подальшою геоприв’язкою точки інтересу, наземний модуль для додаткового дообстеження у разі захворювань стеблового типу та центральний обчислювальний модуль для обробки даних і прийняття рішень щодо обробки уражених зон. Такий підхід дає змогу поєднати швидкий огляд великих площ із повітря та більш точне дообстеження рослин із бічного ракурсу, що особливо важливо для діагностики уражень, які погано візуалізуються зверху. У межах експериментального дослідження реалізовано прототип класифікатора на основі згорткової нейронної мережі EfficientNetV2S із використанням підходу transfer learning. Для підвищення якості навчання застосовано аугментацію зображень та метод генерації псевдонегативних прикладів. Отримані результати підтвердили перспективність використання згорткових нейронних мереж для автоматизованої класифікації стану рослин, а також доцільність поєднання аерозйомки та наземного дообстеження в межах єдиної системи моніторингу. Запропонований підхід може бути використаний як основа для подальшого створення інтелектуальної системи виявлення та локальної обробки осередків захворювань у польових умовах у межах задач точного землеробства.
Посилання
A. Jafar, N. Bibi, R. A. Naqvi, A. Sadeghi-Niaraki, and D. Jeong, “Revolutionizing agriculture with artificial intelligence: Plant disease detection methods, applications, and their limitations,” Frontiers in Plant Science, vol. 15, Art. no. 1356260, 2024. DOI: 10.3389/fpls.2024.1356260.
S. M. Demi and S. R. Sicchia, “Agrochemicals use practices and health challenges of smallholder farmers in Ghana,” Environmental Health Insights, 2021. DOI: 10.1177/11786302211043033.
R. Samanta, B. Saha, and S. K. Ghosh, “Leaf-Sense: A portable, low-cost, low-power plant dis-ease diagnostic device using TinyML,” in Proc. of the 4th International Conference on AI-ML Systems, Art. no. 26, pp. 1–3, 2025. DOI: 10.1145/3703412.3703438.
I. Pacal, I. Kunduracioglu, M. H. Alma, M. Deveci, S. Kadry, and J. Nedoma, “A systematic review of deep learning techniques for plant diseases,” Artificial Intelligence Review, vol. 57, Art. no. 304, 2024. DOI: 10.1007/s10462-024-10944-7.
S. Zhang, W. Huang, and C. Zhang, “Three-channel convolutional neural networks for vegetable leaf disease recognition,” Cognitive Systems Research, vol. 53, pp. 31–41, 2019. DOI: 10.1016/j.cogsys.2018.04.006.
D. Munjal, L. Singh, M. Pandey, and S. Lakra, “A systematic review on the detection and classification of plant diseases using machine learning,” International Journal of Software Innovation, vol. 11, no. 1, pp. 1–25, 2023. DOI: 10.4018/IJSI.315657.
A. Dolatabadian, T. X. Neik, M. F. Danilevicz, S. R. Upadhyaya, J. Batley, and D. Edwards, “Image-based crop disease detection using machine learning,” Plant Pathology, vol. 74, pp. 18–38, 2025. DOI: 10.1111/ppa.14006.
A. Upadhyay, N. S. Chandel, K. P. Singh, N. K. Dhaka, S. S. K. V. Kurella, A. P. Singh, V. Sharma, A. Yadav, and V. R. Sagar, “Deep learning and computer vision in plant disease detection: A comprehensive review of techniques, models, and trends in precision agriculture,” Artificial Intelligence Review, vol. 58, Art. no. 92, 2025. DOI: 10.1007/s10462-024-11100-x.
I. Anam, N. Arafat, M. S. Hafiz, J. R. Jim, M. M. Kabir, and M. F. Mridha, “A systematic review of UAV and AI integration for targeted disease detec-tion, weed management, and pest control in precision agriculture,” Smart Agricultural Technology, vol. 9, Art. no. 100647, 2024. DOI: 10.1016/j.atech.2024.100647.
P. Tokekar, J. Hook, D. Mulla, and V. Isler, “Sen-sor planning for a symbiotic UAV and UGV system for precision agriculture,” IEEE Transactions on Robotics, vol. 32, pp. 1498–1511, 2016.
L. W. Kuswidiyanto, H.-H. Noh, and X. Han, “Plant disease diagnosis using deep learning based on aerial hyperspectral images: A review,” Remote Sensing, vol. 14, no. 23, Art. no. 6031, 2022. DOI: 10.3390/rs14236031.
J. Su, D. Yi, B. Su, Z. Mi, C. Liu, X. Hu, X. Xu, L. Guo, and W. H. Chen, “Aerial visual perception in smart farming: Field study of wheat yellow rust monitoring,” IEEE Transactions on Industrial Informatics, vol. 17, no. 3, pp. 2242–2249, 2021. DOI: 10.1109/TII.2020.2979237.
A. Abbas, Z. Zhang, H. Zheng, M. M. Alami, A. F. Alrefaei, Q. Abbas, S. A. H. Naqvi, M. J. Rao, W. F. A. Mosa, Q. Abbas, A. Hussain, M. Z. Hassan, and L. Zhou, “Drones in plant disease assessment, effi-cient monitoring, and detection: A way forward to smart agriculture,” Agronomy, vol. 13, no. 6, Art. no. 1524, 2023. DOI: 10.3390/agronomy13061524.
J. G. A. Barbedo, “Factors influencing the use of deep learning for plant disease recognition,” Biosystems Engineering, vol. 172, pp. 84–91, 2018. DOI: 10.1016/j.biosystemseng.2018.05.013.
R. Tobiasz, G. Wilczyński, P. Graszka, N. Czechowski, and S. Łuczak, “Edge Devices Inference Performance Comparison,” Journal of Computing Science and Engineering, vol. 17, no. 2, pp. 51–59, 2023. DOI: 10.5626/JCSE.2023.17.2.51.
A.-K. Mahlein, “Plant disease detection by imag-ing sensors—Parallels and specific demands for precision agriculture and plant phenotyping,” Plant Disease, vol. 100, no. 2, pp. 241–251, 2016. DOI: 10.1094/PDIS-03-15-0340-FE.
J. Qin, B. Wang, Y. Wu, Q. Lu, and H. Zhu, “Identifying pine wood nematode disease using UAV images and deep learning algorithms,” Remote Sensing, vol. 13, no. 2, Art. no. 162, 2021. DOI: 10.3390/rs13020162.
M. Kuska, M. Wahabzada, M. Leucker, H.-W. Dehne, K. Kersting, E.-C. Oerke, U. Steiner, and A.-K. Mahlein, “Hyperspectral phenotyping on the microscopic scale: Towards automated characterization of plant-pathogen interactions,” Plant Methods, vol. 11, Art. no. 28, 2015. DOI: 10.1186/s13007-015-0073-7.
S. P. Mohanty, D. P. Hughes, and M. Salathe, “Using deep learning for image-based plant dis-ease detection,” Frontiers in Plant Science, vol. 7, Art. no. 1419, 2016. DOI: 10.3389/fpls.2016.01419.
O. Tsompel, M. Bezuhlyi, and A. Dzierwa, “System for controlling a mobile agrorobot based on neural network object detection,” Bulletin of the Kyiv Polytechnic Institute. Series Instrument Making, is. 70(2), pp. 81–90, 2025. DOI: 10.20535/1970.70(2).2025.348019.
S. Guan, Y. Shimazaki, K. Takahashi, H. Kato, K. Fukami, and S. Watanabe, “Agricultural drone-based variable-rate N application for regulating wheat protein content,” Drones, vol. 9, Art. no. 310, 2025. DOI: 10.3390/drones9040310.
M. Rezaei, D. Diepeveen, H. Laga, and M. G. K. Jones, “Plant disease recognition in a low data scenario using few-shot learning,” Computers and Electronics in Agriculture, vol. 219, Art. no. 108812, 2024. DOI: 10.1016/j.compag.2024.108812
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 А. І. Нагорний, Н. В. Безугла
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Авторське право на публікацію залишається за авторами.
Автори можуть використовувати власні матеріали в інших публікаціях за умови посилання на збірник наукових праць "Вісник Київського політехнічного інституту. Серія ПРИЛАДОБУДУВАННЯ" як на перше місце видання та на Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» як на видавця.
Автори публікують свої статті в збірнику на умовах ліцензії Creative Commons:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії CC BY 4.0, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на динаміці цитування опублікованої роботи.
Видавець (КПІ ім. Ігоря Сікорського) має право за будь-якого використання цього видання зазначати своє ім'я або вимагати такого зазначення.
Редакційна колегія залишає за собою право розміщувати опубліковані в збірнику статті в різних інформаційних базах для надання відкритого доступу до матеріалів з метою популяризації наукових досліджень та підвищення цитованості авторів.
