ISSN 2658-6525 (Online)
ISSN 2658-4123 (Print)
Основан в 1990 году
Реестровая запись
ПИ № ФС 77-74640
от 24 декабря 2018 г.

Вы здесь: Главная Архив статей (2014-2016) 2026 №1 Список статей 05 Бухке П., Маюри А.В.Р. Гибридный подход к диагностике заболеваний листьев томатов, основанный на глубоком обучении и спектрально-текстурном анализе (на англ. яз.)

PDF Скачать статью в pdf.

DOI: 10.15507/2658-4123.036.202601.097-113

EDN: https://elibrary.ru/utxpwy

УДК 632.3:635.64

 

Гибридный подход к диагностике заболеваний листьев томатов, основанный на глубоком обучении и спектрально-текстурном анализе

 

Бухке Пратик
научный сотрудник, Открытый Университет Бхопал (Котрикалан, Сехор, Мадхья-Прадеш, Индия), ORCID: https://orcid.org/0000-0002-7575-5083,

Маюри Арул Винаякам Раджасимман
старший преподаватель, Открытый Университет Бхопал (Котрикалан, Сехор, Мадхья-Прадеш, Индия), ORCID: https://orcid.org/0000-0002-4010-4600,

 

Аннотация
Введение. Для точного земледелия решающее значение в снижении потерь урожая имеет ранняя и точная диагностика болезней листьев томата. Недавние достижения в области глубокого обучения улучшили эффективность диагностики болезней. Однако в реальных полевых условиях остаются нерешенными проблемы надежности интерпретируемости эксплуатационных показателей.
Цель исследования. Получение высокоэффективной классификации заболеваний листьев томатов по десяти категориям с помощью обученной нейронной сети на основе сочетания точной и понятной гибридной структуры, разработанной специалистами по анализу данных со сверхточными спектральными и текстурными элементами.
Материалы и методы. Предложен трехэтапный конвейер. Спектральные признаки, такие как избыток зеленого (ExG), избыток красного (ExR), цветовые каналы HSV и вегетативные индексы, получили из RGB-изображений для моделирования многоспектральных реакций. Текстурные признаки, полученные из матрицы смежности уровней серого (GLCM), дескрипторов Тамура и энергии и энтропии на основе быстрого преобразования Фурье (FFT), позволяют выявить структуру повреждений и частотные характеристики. Эти показатели классифицируются с использованием метода «случайного поиска». Параллельно используется, сверхточная нейронная сеть на основе EfficientNetB0, обученная на дополненных изображениях для изучения глубоких пространственных представлений. Данные интерпретируются с помощью нейронных сетей SHAP для анализа признаков при выявлении болезней и Grad-CAM для визуальной локализации. Стратегия ансамблевого обучения с поздним слиянием данных объединяет обе модели.
Результаты исследования. Модель «случайного поиска», разработанная специалистами по анализу данных, достигает базовой точности диагностики 89,2 %, в то время как сверхточная нейронная сеть EfficientNetB0 достигает точности 94 %. Ансамблевая структура дополнительно улучшает показатель диагностики до 96 %, демонстрируя повышенную устойчивость и обобщающую способность по всем десяти классам заболеваний.
Обсуждение и заключение. Предложенная гибридная структура эффективно сочетает в себе характеристики, обусловленные предметной областью и представлениями глубокого обучения, обеспечивая высокую точность диагностики и прозрачное принятие решений. Визуальные пояснения и пояснения на уровне признаков подтверждают, что биологически значимые области, такие как некротические и обесцвеченные участки, определяют прогнозное моделирование. Этот подход обеспечивает масштабируемое и надежное решение для автоматизированной диагностики заболеваний томатов, подходящее для практического применения в системах интеллектуального и точного земледелия.

Ключевые слова: выявление заболеваний листьев томатов, спектральные и текстурные особенности, эффективная сеть, объяснимость формы, ансамблеевое обучение

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

Для цитирования: Бухке П., Маюри А.В.Р. Гибридный подход к диагностике заболеваний листьев томатов, основанный на глубоком обучении и спектральнотекстурном анализе. Инженерные технологии и системы. 2026;36(1):97–113. https://doi.org/10.15507/2658-4123.036.202601.097-113

Вклад авторов:
П. Бухке – разработка или проектирование методологии исследования; создание моделей, разработка программного обеспечения, проверка воспроизводимости результатов экспериментов и исследования в рамках основных или дополнительных задач работы, применение статистических, математических, вычислительных или других формальных методов для анализа или синтеза данных исследования, проведение исследования, предоставление ресурсов, курирование данных, написание черновика рукописи, написание рукописи – рецензирование и редактирование.
А.В.Р. Маюри – разработка или проектирование методологии исследования; создание моделей, проверка воспроизводимости результатов экспериментов и исследования в рамках основных или дополнительных задач работы, применение статистических, математических, вычислительных или других формальных методов для анализа или синтеза данных исследования, проведение исследования, осуществление научно-исследовательского процесса, включая выполнение экспериментов или сбор данных / доказательств, курирование данных, написание рукописи – рецензирование и редактирование.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила в редакцию 22.07.2025;
поступила после рецензирования 03.10.2025;
принята к публикации 09.10.2025

 

СПИСОК ЛИТЕРАТУРЫ

  1. Choi H.-G., Park K.-S. Ripening Process of Tomato Fruits Postharvest: Impact of Environmental Conditions on Quality and Chlorophyll a Fluorescence Characteristics. Horticulturae. 2023;9:812. https://doi.org/10.3390/horticulturae9070812
  2. Leszczuk A., Kutyrieva-Nowak N., Nowak A., Nosalewicz A., Zdunek A. Low Oxygen Environment Effect on the Tomato Cell Wall Composition During the Fruit Ripening Process. BMC Plant Biology. 2024;24(503). https://doi.org/10.1186/s12870-024-05226-x
  3. Kulkarni P., Shastri Dr. S. Rice Leaf Diseases Detection Using Machine Learning. Journal of Scientific Research and Technology. 2024;2(1):17–22. https://doi.org/10.61808/jsrt81
  4. Ramesh S., Hebbar R., Niveditha M., Pooja R., Prasad B.N., Shashank N., at al. Plant Disease Detection Using Machine Learning. In: International Conference on Design Innovations for 3Cs Compute Communicate Control. Bangalore. 2018. P. 41. https://doi.org/10.1109/ICDI3C.2018.00017
  5. Adekunle T.S., Lawrence M.O., Alabi O.O., Afolorunso A.A., Ebong G.N., Oladipupo M.A. Deep Learning Technique for Plant Disease Detection. Computer Science and Information Technologies. 2024;5(1):55–62. https://doi.org/10.11591/csit.v5i1.pp55-62
  6. Khalid M.M., Karan O. Deep Learning for Plant Disease Detection: Deep Learning for Plant. International Journal of Mathematics Statistics and Computer Science. 2023;(2):75–84. https://doi.org/10.59543/ijmscs.v2i.8343
  7. Jung M., Song J.S., Shin A.‑Y., Choi B., Go S., Kwon S.‑Y., at al. Construction of Deep Learning‑Based Disease Detection Model in Plants. Scientific Reports. 2023;13(7331). https://doi.org/10.1038/s41598-023-34549-2
  8. Jafar A., Bibi N., Naqvi R.A., Sadeghi-Niaraki A., Jeong D. Revolutionizing Agriculture with Artificial Intelligence: Plant Disease Detection Methods, Applications, and their Limitations. Frontiers in Plant Science. 2024;(15). https://doi.org/10.3389/fpls.2024.1356260
  9. Chin P.-W., Ng K.-W., Palanichamy N. Plant Disease Detection and Classification Using Deep Learning Methods a Comparison Study. Journal of Informatics and Web Engineering. 2024;3(1). https://doi.org/10.33093/jiwe.2024.3.1.10
  10. Shao W., Rajapaksha P., Wei Y., Li D., Crespi N., Luo Z. COVAD: Content-Oriented Video Anomaly Detection Using a Self Attention-Based Deep Learning Model. Virtual Reality & Intelligent Hardware. 2023;5(1):24–41. https://doi.org/10.1016/j.vrih.2022.06.001
  11. Zhang M., Tian X. Transformer Architecture Based on Mutual Attention for Image-Anomaly Detection. Virtual Reality & Intelligent Hardware. 2023;5(1): 57–67. https://doi.org/10.1016/j.vrih.2022.07.006
  12. Dai L., Wu L., Li H., Cai C., Wu Q., Kong H., et al. A Deep Learning System for Detecting Diabetic Retinopathy Across the Disease Spectrum. Nature Communications. 2021;12(3242). https://doi.org/10.1038/s41467-021-23458-5
  13. Maitra D.S., Bhattacharya U., Parui S.K. CNN Based Common Approach to Hand Written Character Recognition of Multiple Scripts. In: 13th International Conference on Document Analysis and Recognition. Tunis. 2015. pp. 1021–1025. https://doi.org/10.1109/ICDAR.2015.7333916
  14. Shah N., Jain S. Detection of Disease in Cotton Leaf Using Artificial Neural Network. In: Amity International Conference on Artificial Intelligence. Dubai. 2019. pp. 473–476. https://doi.org/10.1109/AICAI.2019.8701311
  15. Barbedo J.GA. Factors Influencing the Use of Deep Learning for Plant Disease Recognition. Biosystems Engineering. 2018;172:84–91. https://doi.org/10.1016/j.biosystemseng.2018.05.013
  16. Bin L., Zhang Y., He D., Li Y. Identification of Apple Leaf Diseases Based on Deep Convolutional Neural Networks. Symmetry. 2017;10(1):11. https://doi.org/10.3390/sym10010011
  17. Kuricheti G., Supriya P. Computer Vision Based Turmeric Leaf Disease Detection and Classification: a Stepto Smart Agriculture. In: 3rd International Conference on Trends in Electronics and Informatics. Tirunelveli. 2019. pp. 545–549. https://doi.org/10.1109/ICOEI.2019.8862706
  18. Demilie W.B. Plant Disease Detection and Classification Techniques: a Comparative Study of the Performances. Journal of Big Data. 2024;11(5). Available at: https://link.springer.com/article/10.1186/s40537-023-00863-9 (accesses 15.04.2025).
  19. Ngugi H.N., Ezugwu A.E., Akinyelu A.A., Abualigah L. Revolutionizing Crop Disease Detection with Computational Deep Learning: a Comprehensive Review. Environmental Monitoring and Assessment. 2024;196(302). https://doi.org/10.1007/s10661-024-12454-z
  20. Barbedo J.G.A. A Review on the Main Challenges in Automatic Plant Disease Identification Based on Visible Range Images. Biosystems engineering. 2016;(144):52–60. https://doi.org/10.1016/j.biosystemseng. 2016.01.017
  21. Bharate A.A., Shirdhonkar M.S. A Review on Plant Disease Detection Using Image Processing. In: International Conference on Intelligent Sustainable Systems. Palladam. 2017. pp. 103–109. https://doi.org/10.1109/ISS1.2017.8389326
  22. Reddy J.N., Vinod K., As R.A. Analysis of Classification Algorithms for Plant Leaf Disease Detection. In: International Conference on Electrical, Computer and Communication Technologies. Coimbatore. 2019. pp. 1–6. https://doi.org/10.1109/ICECCT.2019.8869090
  23. Rumpf T., Mahlein A-K., Steiner U., Oerke E.-C., Dehne H.-W., Plümer L. Early Detection and Classification of Plant Diseases with Support Vector Machines Based on Hyperspectral Reflectance. Computers and Electronics in Agriculture. 2010;74(1):91–99. https://doi.org/10.1016/j.compag. 2010.06.009
  24. Ji M., Liu P., Wu Q. Feasibility of Hybrid PSO-ANN Model for Identifying Soybean Diseases. International Journal of Cognitive Informatics and Natural Intelligence. 2021;5(4):1–16.
  25. Chohan M., Khan A., Chohan R., Katpar S.H., Mahar M.S. Plant Disease Detection using Deep Learning. International Journal of Recent Technology and Engineering. 2020;9(1):909–914. https://doi.org/10.35940/ijrte.A2139.059120
  26. Arya S., Singh R. A Comparative Study of CNN and AlexNet for Detection of Disease in Potato and Mango leaf. In: International Conference on Issues and Challenges in Intelligent Computing Techniques. Ghaziabad. 2019. pp. 27–28 https://doi.org/10.1109/ICICT46931.2019.8977648
  27. Jayanthi V., Kanchana M. Predictive Tomato Leaf Disease Detection and Classification: A Hybrid Deep Learning Framework. In: Proceedings of International Conference on Communication and Computational Technologies. Singapore. 2024. P. 11. https://doi.org/10.1007/978-981-97-7423-4_2
  28. Abden S., Bendjima M., Benkrama S. Tomato Leaf Disease Detection and Classification Using Deep Learning. In: IoT-Enabled Energy Efficiency Assessment of Renewable Energy Systems and Microgrids in Smart Cities. Cham. 2024. P. 363. https://doi.org/10.1007/978-3-031-60632-8_31
  29. Wang X., Liu J. An Efficient Deep Learning Model for Tomato Disease Detection. Plant Methods. 2024;20(61). https://doi.org/10.1186/s13007-024-01188-1
  30. Sun H., Fan C., Gai X., Al-Absi M.A., Wang S., Alam M., at al. Multi-Kernel Inception Aggregation Diffusion Network For Tomato Disease Detection. BMC Plant Biology. 2024;24(1069). https://doi.org/10.1186/s12870-024-05797-9
  31. Batool A., Hyder S.B., Rahim A., Waheed N., Asghar M.A., Fawad. Classification and Identification of Tomato Leaf Disease Using Deep Neural Network. In: International Conference on Engineering and Emerging Technologies. Lahore. 2020. pp. 1–6. https://doi.org/10.1109/ICEET48479.2020.9048207
  32. Tm P., Pranathi A., SaiAshritha K., Chittaragi N.B., Koolagudi S.G. Tomato Leaf Disease Detection Using Convolutional Neural Networks. In: Eleventh International Conference on Contemporary Computing. Noida. 2018. pp. 1–5 https://doi.org/10.1109/IC3.2018.8530532
  33. Zhang X., Vinatzer B.A., Li S. Hyperspectral Imaging Analysis for Early Detection of Tomato Bacterial Leaf Spot Disease. Scientific Reports. 2024;14(27666). https://doi.org/10.1038/s41598-024-78650-6
  34. Mensink T., Uijlings J.R.R., Kuznetsova A., Gygli M., Ferrari V. Factors of Influence for Transfer Learning Across Diverse Appearance Domains and Task Types. Preprint. 2021. https://doi.org/10.48550/arXiv.2103.13318
  35. Mustafa B., Loh A., Freyberg J., MacWilliams P., Karthikesalingam A., Houlsby N., et al. Supervised Transfer Learning at Scale for Medical Imaging. Preprint. 2021. https://doi.org/10.48550/arXiv.2101.05913
  36. Nguyen C., Hassner T., Seeger M., Archambeau C. Leep: A New Measure to Evaluate Transferability of Learned Representations. In: International Conference on Machine Learning. 2020. pp. 7294–7305. https://doi.org/10.48550/arXiv.2002.12462
  37. Argueso D., Picon A., Irusta U., Medela A., San-Emeterio M.G., Bereciartua A., et al. Few-Shot Learning Approach for Plant Disease Classification Using Images Taken in the Field. Computers and Electronics in Agriculture. 2020;175. Article no. 105542. https://doi.org/10.1016/j.compag.2020.105542
  38. Sun J., Cao W., Fu X., Ochi S., Yamanaka T. Few-Shot Learning for Plant Disease Recognition: a Review. Agronomy Journal. 2023;116(3):1204–1216. https://doi.org/10.1002/agj2.21285
  39. Supian M.B.A., Madzin H., Albahari E. Plant Disease Detection and Classification Using Image Processing Techniques: a Review. In: 2nd International Conference on Applied Engineering. Batam. 2019. pp. 1–4. https://doi.org/10.1109/ICAE47758.2019.9221712

 

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

Подробности
Просмотров: 8