Печать

PDF Скачать статью в pdf.

DOI: 10.15507/2658-4123.036.202601.114-139

EDN: https://elibrary.ru/uxmgof

УДК 004.932.2:631.17:581.2:633.11

 

Разработка маломощной onboard-системы точечной детекции фитопатологий пшеницы с применением модифицированной YOLO-архитектуры

 

Мударисов Салават Гумерович
доктор технических наук, профессор, академик Академии наук Республики Башкортостан, ведущий научный сотрудник лаборатории цифровых двойников и конструирования машин для химической и биологической защиты растений Башкирского государственного аграрного университета (450001, Российская Федерация, г. Уфа, ул. 50-летия Октября, д. 34), ORCID: https://orcid.org/0000-0001-9344-2606, Scopus ID: 57200284613, Researcher ID: G-2217-2018, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Мифтахов Ильнур Ринатович
кандидат технических наук, научный сотрудник Башкирского государственного аграрного университета (450001, Российская Федерация, г. Уфа, ул. 50-летия Октября, д. 34), ORCID: https://orcid.org/0000-0002-3125-3532, Scopus ID: 57204635364, Researcher ID: JPX-2370-2023, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Фархутдинов Ильдар Мавлиярович
доктор технических наук, доцент кафедры мехатронных систем и машин аграрного производства Башкирского государственного аграрного университета (450001, Российская Федерация, г. Уфа, ул. 50-летия Октября, д. 34), ORCID: https://orcid.org/0000-0002-6443-8584, Researcher ID: G-2816-2018, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Шафеева Элина Ильгизовна
кандидат сельскохозяйственных наук, доцент Башкирского государственного аграрного университета (450001, Российская Федерация, г. Уфа, ул. 50-летия Октября, д. 34), ORCID: https://orcid.org/0000-0003-2535-1520, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 

Аннотация
Введение. Ранняя диагностика фитопатологий зерновых культур является одной из ключевых задач точного земледелия, поскольку позднее выявление заболеваний приводит к существенным потерям урожайности и неэффективному применению средств защиты растений. Существующие системы фитосанитарного мониторинга в основном ориентированы на постобработку данных и требуют значительных вычислительных ресурсов, что ограничивает их применение на борту беспилотных летательных аппаратов. В этой связи актуальной научной задачей является обеспечение высокоточной диагностики заболеваний растений в реальном времени в условиях жестких вычислительных и энергетических ограничений бортовых платформ.
Цель исследования. Разработка энергоэффективной onboard-системы детекции болезней пшеницы, способной к работе в реальном времени на встраиваемых платформах.
Материалы и методы. Объект исследования – посевы пшеницы в условиях открытого грунта. В качестве аппаратной основы использовались вычислительные модули Jetson TX2, NavQ Plus и Raspberry Pi 4. Для построения модели применена модифицированная архитектура YOLO с интеграцией малозатратных сверточных блоков (GhostConv, MBConv), модулей внимания (SE, CBAM) и расширенной структуры агрегации признаков BiFPN. Обучение выполнено на размеченной выборке из 7 500 изображений симптомов бурой и желтой ржавчины.
Результаты исследования. Разработанная модель обеспечила высокие показатели качества детекции F1-мера до 0,978, средний IoU – 0,82. Производительность достигала 16,8 FPS на Jetson TX2 и 13,6 FPS на NavQ Plus при энергоэффективности до 2,7 FPS/Вт.
Обсуждение и заключение. Сравнительный анализ показал превосходство модели над базовой YOLOv5s по всем ключевым метрикам. Предложенная архитектура демонстрирует высокую точность, устойчивость к шумам и применимость в условиях реального времени. Она может быть использована для создания интеллектуальных систем фитосанитарного мониторинга и автоматизированного управления средствами защиты растений на базе беспилотных летательных аппаратов.

Ключевые слова: беспилотный летательный аппарат, фитопатология, глубокое обучение, детекция заболеваний растений, YOLO, встраиваемые платформы, onboard-обработка данных, точное земледелие, нейросетевые архитектуры, агромониторинг

Финансирование: материалы, представленные в статье, получены в рамках реализации программы развития ФГБОУ ВО Башкирский ГАУ программы стратегического академического лидерства «Приоритет-2030».

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

Для цитирования: Мударисов С.Г., Мифтахов И.Р., Фархутдинов И.М., Шафеева Э.И. Разработка маломощной onboard-системы точечной детекции фитопатологий пшеницы с применением модифицированной YOLO-архитектуры. Инженерные технологии и системы. 2026;36(1):114–139. https://doi.org/10.15507/2658-4123.036.202601.114-139

Вклад авторов:
С. Г. Мударисов – разработка концепции, разработка методологии, научное руководство, административное руководство проектом.
И. Р. Мифтахов – разработка концепции, разработка методологии, разработка программного обеспечения, проведение исследования, курирование данных, формальный анализ, визуализация результатов, написание первоначального варианта рукописи.
И. М. Фархутдинов – формальный анализ, валидация результатов, разработка методологии, рецензирование и редактирование рукописи.
Э. И. Шафеева – проведение исследования, курирование данных, валидация результатов, предоставление ресурсов.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила в редакцию 23.07.2025;
поступила после рецензирования 07.10.2025;
принята к публикации 20.10.2025

 

СПИСОК ЛИТЕРАТУРЫ

  1. Savary S., Willocquet L., Pethybridge S.J., Esker P., McRoberts N., Nelson A. The Global Burden of Pathogens and Pests on Major Food Crops. Nature Ecology & Evolution. 2019;(3):430–439. https://doi.org/10.1038/s41559-018-0793-y
  2. Shoaib M., Sadeghi-Niaraki A., Ali F., Hussain I., Khalid S. Leveraging Deep Learning for Plant Disease and Pest Detection: A Comprehensive Review and Future Directions. Frontiers in Plant Science. 2025;(16). Article no. 1538163. https://doi.org/10.3389/fpls.2025.1538163
  3. Kouadio L., Jarroudi M.E., Belabess Z., Laasli S.-E., Roni M.Z.K., Amine I.D.I. и др. A Review on UAV Based Applications for Plant Disease Detection and Monitoring. Remote Sensing. 2023;15(17):4273. https://doi.org/10.3390/rs15174273
  4. Chen X., Tianzeng C., Haomin M., Ziqi Z., Dehua W., Jianchao S. и др. An Improved Algorithm Based on YOLOv5 for Detecting Ambrosia Trifida in UAV Images. Frontiers in Plant Science. 2024;(15). Article no. 1360419. https://doi.org/10.3389/fpls.2024.1360419
  5. Li L., Zhao H., Liu N. MCD-YOLOv5: Accurate, Real-Time Crop Disease and Pest Identification Approach Using UAVs. Electronics. 2023;12(20):4365. https://doi.org/10.3390/electronics12204365
  6. Quan S., Wang J., Jia Z., Yang M., Xu Q. MS-Net: A Novel Lightweight and Precise Model for Plant Disease Identification. Frontiers in Plant Science. 2023;(14). Article no. 1276728. https://doi.org/10.3389/fpls.2023.1276728
  7. Duhan S., Gulia P., Gill N.S., Narwal E. RTR_Lite_MobileNetV2: A Lightweight and Efficient Model for Plant Disease Detection and Classification. Current Plant Biology. 2025;(42). Article no. 100459. https://doi.org/10.1016/j.cpb.2025.100459
  8. Zhong Y., Teng Z., Tong M. LightMixer: A Novel Lightweight Convolutional Neural Network for Tomato Disease Detection. Frontiers in Plant Science. Article no. 14:1166296. https://doi.org/10.3389/fpls.2023.1166296
  9. Zhao H., Tang Z., Li Z., Dong Y., Si Y., Lu M. и др. Real-Time Object Detection and Robotic Manipulation for Agriculture Using a Yolo-Based Learning Approach. In: IEEE International Conference on Industrial Technology. Bristol: IEEE; 2024. https://doi.org/10.1109/ICIT58233.2024.10540740
  10. Jiang W., Song J., Chen Z., Qu S. Mobile-Friendly Under-Sampling Single-Pixel Imaging Based on a Lightweight Hybrid CNN-Vit Architecture. Optics Express. 2024;32(27):48672–48682. https://doi.org/10.1364/OE.546375
  11. Alhwaiti Y., Khan M., Asim M., Siddiqi M.H., Ishaq M., Alruwaili M. Leveraging YOLO Deep Learning Models to Enhance Plant Disease Identification. Scientific Reports. 2025. Article no. 7969. https://doi.org/10.1038/s41598-025-92143-0
  12. Zhang Z., Yang Y., Xu X., Liu L., Yue J., Ding R. и др. GVC-YOLO: A Lightweight Real-Time Detection Method for Cotton Aphid-Damaged Leaves Based on Edge Computing. Remote Sensing. 2024;(16). Article no. 3046. https://doi.org/10.3390/rs16163046
  13. Harle S., Bhagat A., Dash A.K. Remote Sensing Revolution: Mapping Land Productivity and Vegetation Trends with Unmanned Aerial Vehicles (UAVs). Current Applied Materials. 2024;3(1). Article no. e070224226752. https://doi.org/10.2174/0126667312288014240129080801
  14. Николаев И.В., Курмашева Н.Г. Применение геоинформационной системы «Cropwise Operations» в оценке вегетации яровой пшеницы в условиях ООО «КФХ Хлебодаровка» Республики Башкортостан. Российский электронный научный журнал. 2023;(1):73–82. https://doi.org/10.31563/2308-9644-2023-47-1-73-82
  15. Wadhwa D., Malik K. Deep Learning Generalized Hybrid Models for Multi-Species Crop Disease Classification with Explainable Insights. Engineering Applications of Artificial Intelligence. 2025;(164). Article no. 113317. https://doi.org/10.2139/ssrn.5139152
  16. Li G., Wang Y., Zhao Q., Yuan P., Chang B. PMVT: A Lightweight Vision Transformer for Plant Disease Identification on Mobile Devices. Frontiers in Plant Science. 2023;(14). Article no. 1256773. https://doi.org/10.3389/fpls.2023.1256773
  17. Ferdi Y. Data Augmentation through Background Removal for Apple Leaf Disease Classification Using the Mobilenetv2 Model. [Preprint] 2024. https://doi.org/10.48550/arXiv.2412.01854
  18. Silva P.E.C., Almeida J. An Edge Computing-Based Solution for Real-Time Leaf Disease Classification Using Thermal Imaging. In: IEEE Geoscience and Remote Sensing Letters: IEEE; 2024. P. 1–5. https://doi.org/10.1109/LGRS.2024.3456637
  19. Beyaz A., Gül V. YOLOv4 and Tiny YOLOv4 Based Forage Crop Detection with an Artificial Intelligence Board. Brazilian Archives of Biology and Technology. 2023;(66). https://doi.org/10.1590/1678-4324-2023220803
  20. Elhanashi A.E., Dini P., Saponara S., Qinghe Z. Advancements in TinyML: Applications, limitations, and Impact on IoT Devices. Electronics. 2024;13(17):3562. https://doi.org/10.3390/electronics13173562
  21. Duman B. Mobile Device-Based Detection System of Diseases and Pests in Rose Plants Using Deep Convolutional Neural Networks and Quantization. Journal of Agricultural Sciences. 2025;31(2):302–318. https://doi.org/10.15832/ankutbd.1514972
  22. Zhang J., Yu F., Zhang Q., Wang M., Yu J., Tan Y. Advancements of UAV and Deep Learning Technologies for Weed Management in Farmland. Agronomy. 2024;14(3):494. https://doi.org/10.3390/agronomy14030494

 

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

Подробности
Просмотров: 11