Печать

PDF Скачать статью в pdf.

DOI: 10.15507/2658-4123.035.202503.443-464

EDN: https://elibrary.ru/uqawjb

УДК 633.11:631.559

 

Интеллектуальная оценка урожайности пшеницы по вариабельному потенциалу семян

 

Пронин Сергей Петрович
доктор технических наук, профессор кафедры информационных технологий Алтайского государственного технического университета им. И. И. Ползунова (656038, Российская Федерация, г. Барнаул, пр. Ленина, д. 46), ORCID: https://orcid.org/0000-0001-5066-2609, Scopus ID: 6701475629, SPIN-код: 2745-4983, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Зрюмова Анастасия Геннадьевна
кандидат технических наук, заведующая кафедрой информационных технологий Алтайского государственного технического университета им. И. И. Ползунова (656038, Российская Федерация, г. Барнаул, пр. Ленина, д. 46), ORCID: https://orcid.org/0009-0005-1289-6099, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Пилецкий Александр Андреевич
аспирант кафедры информационных технологий Алтайского государственного технического университета им. И. И. Ползунова (656038, Российская Федерация, г. Барнаул, пр. Ленина, д. 46), ORCID: https://orcid.org/0009-0001-2134-2662, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Беляев Владимир Иванович
доктор технический наук, заведующий кафедрой сельскохозяйственной техники и технологий Алтайского государственного аграрного университета (656049, Российская Федерация, г. Барнаул, пр. Красноармейский, д. 98), ORCID: https://orcid.org/0000-0003-4396-2202, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 

Аннотация
Введение. Оценка качества семян пшеницы является неотъемлемой частью технологического процесса ее производства, поскольку она влияет на повышение урожайности. На урожайность влияет множество различных факторов, поэтому методы оценки постоянно совершенствуются с учетом новых факторов, физических методов и технических средств. В настоящее время быстро развиваются методы интеллектуальной оценки посевного качества семян и посевов. Электрофизический метод позволяет оценить влияние почвы на семена по вариабельному потенциалу.
Цель исследования. Изучить изменения вариабельного потенциала у семян пшеницы с известной урожайностью при набухании семян в растворах с различным соотношением калия к натрию; создать сверточную нейронную сеть для оценки потенциальной урожайности по вариабельному потенциалу и известным соотношениям калия к натрию.
Материалы и методы. Для исследований использовались семена двух сортов яровой пшеницы с различной урожайностью. Для имитации качества почвы применялись растворы с различными соотношениями концентраций хлористого калия и хлористого натрия. Для измерения вариабельного потенциала использовалось устройство, созданное на основе платы сбора данных ЛА50-USB. Для оценки урожайности применялось вейвлет-преобразование и глубокая сверточная нейронная сеть с группами ResNet.
Результаты исследования. Получены экспериментальные графики изменения вариабельного потенциала в зависимости от соотношения калия к натрию в растворе, имитирующем качество почвы. С помощью нейронной сети выполнена классификация потенциальной урожайности семян пшеницы по вейвлет-преобразованиям вариабельного потенциала и соотношениям калия к натрию. Составлена таблица ответов нейронной сети на тестовые вариабельные потенциалы.
Обсуждение и заключение. Выполнено сравнение полученных графиков изменения вариабельного потенциала от изменения калия во внешней среде с результатами исследований других авторов. Результаты качественно совпадают. Разработанная нейронная сеть способна классифицировать потенциальную урожайность семян пшеницы по вариабельному потенциалу и соотношениям калия к натрию. Выполненные исследования полезны для сельскохозяйственных предприятий и фермеров. Предложенная оценка потенциальной урожайности по вариабельному потенциалу и водной вытяжке позволит оптимизировать процесс внесения калия в почву для конкретных семян пшеницы.

Ключевые слова: вариабельный потенциал, пшеница, соотношение калия к натрию, нейронная сеть, урожайность

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

Для цитирования: Пронин С.П., Зрюмова А.Г., Пилецкий А.А., Беляев В.И. Интеллектуальная оценка урожайности пшеницы по вариабельному потенциалу семян. Инженерные технологии и системы. 2025;35(3):443–464. https://doi.org/10.15507/2658-4123.035.202503.443-464

Вклад авторов:
С. П. Пронин – формулирование идеи исследования, целей и задач; осуществление научно-исследовательского процесса, включая выполнение и описание экспериментов, сбор и анализ данных; применение статистических, математических, вычислительных и других формальных методов для анализа данных исследования; создание и подготовка рукописи: критический анализ черновика рукописи, внесение замечаний и исправлений членами исследовательской группы, в том числе на этапах до и после публикации.
А. Г. Зрюмова – осуществление научно-исследовательского процесса, включая описание существующих методов контроля, выполнение экспериментов и сбор данных; создание и подготовка рукописи: визуализация результатов исследования и полученных данных.
А. А. Пилецкий – осуществление научно-исследовательского процесса, включая разработку нейронной сети, ее обучение, обработку данных, описание архитектуры нейронной сети, выполнение экспериментов и сбор данных; создание и подготовка рукописи: визуализация результатов исследования и полученных данных.
В. И. Беляев – осуществление научно-исследовательского процесса, включая подготовку семян пшеницы, консультации по урожайности сортов; создание и подготовка рукописи: визуализация результатов исследования и полученных данных.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила в редакцию 17.01.2025;
поступила после рецензирования 13.02.2025;
принята к публикации 25.02.2025

 

СПИСОК ЛИТЕРАТУРЫ

  1. Rahman A., Cho B.-K. Assessment of Seed Quality Using Non-Destructive Measurement Techniques: A Review. Seed Science Research. 2016;26(4):285–305. https://doi.org/10.1017/S0960258516000234
  2. Fazel-Niari Z., Afkari-Sayyah A.H., Abbaspour-Gilandeh Y., Herrera-Miranda I., Hernández-Hernández J.L., Hernández-Hernández M. Quality Assessment of Components of Wheat Seed Using Different Classifications Models. Applied Sciences. 2022;12(9):4133. https://doi.org/10.3390/app12094133
  3. Прияткин Н.С., Архипов М.В., Щукина П.А., Мирская Г.В., Чесноков Ю.В. Оценка разнокачественности и скрытой дефектности семян пшеницы (Triticum aestivum L.) инструментальными физическими методами. Сельскохозяйственная биология. 2022;57(5):911–920. https://doi.org/10.15389/agrobiology.2022.5.911rus
  4. Shen Y., Li G., Li Z., Ai M., Wang L., Xiong X. Discrimination of Wheat Varieties by Terahertz Time-domain Spectroscopy and Convolutional Neural Network. Research Article. 2023;1. https://doi.org/10.21203/rs.3.rs-3020250/v1
  5. Барышева Н.Н., Пронин С.П., Барышев Д.Д., Беляев В.И. Сравнение мембранного потенциала зерен пшеницы, разделенных на фракции по аэродинамическим свойствам, разных сортов с разной урожайностью. Инженерные технологии и системы. 2020;30(4):550–575.https://doi.org/10.15507/2658-4123.030.202004.550-575
  6. Ковалев А.В., Исаева А.С. Оценка качества семян пшеницы с использованием сверточной нейронной сети. Инженерный вестник Дона. 2021;(12). URL: http://www.ivdon.ru/ru/magazine/archive/n12y2021/7354 (дата обращения: 01.12.2024).
  7. Yao J., Liu J., Zhang Y., Wang H. Identification of Winter Wheat Pests And Diseases Based on Improved Convolutional Neural Network. Open Life Sciences. 2023;18(1):20220632. https://doi.org/10.1515/biol-2022-0632
  8. Li Y., Cao G., Liu D., Zhang J., Li L., Chen C. Determination of Wheat Heading Stage Using Convolutional Neural Networks on Multispectral UAV Imaging Data. Computational Intelligence and Neuroscience. 2022;(1):3655804. https://doi.org/10.1155/2022/3655804
  9. Dong Y., Liu Y., Kang H., Li C., Liu P., Liu Z. Lightweight and Efficient Neural Network with SPSA Attention for Wheat Ear Detection. PeerJ Computer Science. 2022;8:e931. https://doi.org/10.7717/peerj-cs.931
  10. Hasan M.M., Chopin J.P., Laga H., Miklavcic S.J. Detection and Analysis of Wheat Spikes Using Convolutional Neural Networks. Plant Methods. 2018;14:100. https://doi.org/10.1186/s13007-018-0366-8
  11. Sun X., Li Y., Li G., Jin S., Zhao W., Liang Z., et al. SCGNet: Efficient Sparsely Connected Group Convolution Network for Wheat Grains Classification. Frontiers in Plant Science. 2023;14:1304962. https://doi.org/10.3389/fpls.2023.1304962
  12. Zhang W., Li Z., Li G., Zhuang P., Hou G., Zhang Q., et al. GACNet: Generate Adversarial-Driven Cross-Aware Network for Hyperspectral Wheat Variety Identification. IEEE Transactions on Geoscience and Remote Sensing. 2023;62. https://doi.org/10.1109/TGRS.2023.3347745
  13. Nithyasundari B., Ilakya R., Nissa M., Prabhas D., Kishore K., Kumar K.K. HNNL: Experimental Analysis of Wheat Crop Disease Detection Using Hyper Neural Network Based Learning Methodology. In: 2024 International Conference on Advances in Computing, Communication and Applied Informatics (ACCAI). Chennai, India, 2024:1–7. https://doi.org/10.1109/ACCAI61061.2024.10602195
  14. Tolba A., Talal N. An Interpretable Deep Learning for Early Detection and Diagnosis of Wheat Leaf Diseases. Optimization in Agriculture. 2024;1:81–93. https://doi.org/10.61356/j.oia.2024.1257
  15. Sonmez M.E., Sabanci K., Aydin N. Convolutional Neural Network-Support Vector Machine-Based Approach for Identification of Wheat Hybrids. European Food Research and Technology. 2024;250:1353–1362. https://doi.org/10.1007/s00217-024-04473-4
  16. Zhuang T., Zhang Yu, Li D., Schmidhalter U., Ata-UI-Karim S.T., Cheng T. Coupling Continuous Wavelet Transform with Machine Learning to Improve Water Status Prediction in Winter Wheat. Precision Agriculture. 2023;24:2171–2199. https://doi.org/10.1007/s11119-023-10036-6
  17. Li C., Li X., Meng X., Xiao Z., Wu X., Wang X., et al. Hyperspectral Estimation of Nitrogen Content in Wheat Based on Fractional Difference and Continuous Wavelet Transform. Agriculture. 2023;13(5):1017. https://doi.org/10.3390/agriculture13051017
  18. Молин А.Е., Блеканов И.С., Митрофанов Е.П., Митрофанова О.А. Методы генерации синтетических данных для обучения нейросетей в задаче сегментации уровня азотного режима растений на снимках беспилотных летательных аппаратов на сельскохозяйственном поле. Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. 2024;20(1):20–33. https://doi.org/10.21638/11701/spbu10.2024.103
  19. Gierz Ł., Przybył K. Texture Analysis and Artificial Neural Networks for Identification of Cereals-Case Study: Wheat, Barley and Rape Seeds. Scientific Reports. 2022;12:19316. https://doi.org/10.1038/s41598-022-23838-x
  20. Zang H., Su X., Wang Y., Li G., Zhang J., Zheng G., et al. Automatic Grading Evaluation of Winter Wheat Lodging Based on Deep Learning. Frontiers in Plant Science. 2024;15. https://doi.org/10.3389/fpls.2024.1284861
  21. Бисчоков Р.М. Анализ, моделирование и прогноз урожайности сельскохозяйственных культур средствами искусственных нейронных сетей. Вестник Российского университета дружбы народов. Серия: Агрономия и животноводство. 2022;17(2):146–157. https://doi.org/10.22363/2312-797X-2022-17-2-146-157
  22. Барышева Н.Н., Гунер М.В., Барышев Д.Д., Пронин С.П. Нейросетевое исследование данных о качестве семенного материала пшеницы по биоэлектрическим сигналам. Высоко-производительные вычислительные системы и технологии. 2020;4(1):179–183. https://elibrary.ru/zrnits
  23. Барышев Д.Д., Барышева Н.Н., Пронин С.П. Подготовка обучающей выборки для классификации семян по их урожайным свойствам. АПК России. 2020;27(3):440–446. https://elibrary.ru/iqnneh
  24. Казак Е.В, Парфенюк В.И. Физико-химические закономерности ионной (Na+,K+) проницаемости функциональной мембраны I. Зависимость ионных потоков через мембрану от времени и концентрации растворов. Химия и химическая технология. 2005;48(2):27–34. URL: https://main.isuct.ru/files/journal/t48_v2_full.pdf (дата обращения: 21.10.2024).
  25. Пронин С.П., Беляев В.И., Зрюмова А.Г., Петрова И.И. Сравнение урожайности яровой пшеницы при различной концентрации натрия и калия в почве и различном мембранном потенциале семян. Вестник Алтайского государственного аграрного университета. 2022;(9):16–24. https://elibrary.ru/kjilvh
  26. Алимагадов К.А., Умняшкин С.В. Аугментация данных на основе вейвлет-фильтрации при обучении нейронных сетей. ГрафиКон 2023 : 33-я Междунар. конф. по компьютерной графике и машинному зрению (19–21 сентября 2023 г., г. Москва). 2023:437–442. https://doi.org/10.20948/graphicon-2023-437-442
  27. Стефаниди А.Ф., Приоров А.Л., Топников А.И., Хрящев В.В. Применение сверточных нейронных сетей в задаче мультимодальной идентификации. Цифровая обработка сигналов. 2020;(2):52–58. URL: http://www.dspa.ru/articles/year2020/jour20_2/art20_2_7.pdf (дата обращения 03.12.2024).
  28. Bharati S., Podder P., Mondal M.R., Prasath S. CO-ResNet: Optimized ResNet Model for COVID-19 Diagnosis from X-ray Images. International Journal of Hybrid Intelligent Systems. 2021;17(1–2):71–85. https://doi.org/10.3233/HIS-210008
  29. Wen L., Li X., Gao L. A Transfer Convolutional Neural Network for Fault Diagnosis Based on ResNet-50. Neural Computing and Applications. 2020;32:6111–6124. https://doi.org/10.1007/s00521-019-04097-w
  30. Hodgkin A.L., Huxley A.F. A Quantitative Description of Membrane Current and its Application To Conduction And Excitation in Nerve. Bulletin of Mathematical Biology. 1990;52:25–71. https://doi.org/10.1007/BF02459568
  31. Кан А.Г., Романенко С.В. Фильтрация вольтамперометрических сигналов при помощи вейвлет-преобразования. Известия Томского политехнического университета. 2006;309(8):52–54. URL: https://earchive.tpu.ru/handle/11683/1448 (дата обращения: 21.10.2024).

 

Лицензия Creative Commons
Контент доступен под лицензией Creative Commons Attribution 4.0 License.

Подробности
Просмотров: 13