Печать

PDF Скачать статью в pdf.

DOI: 10.15507/2658-4123.26363.518-540

EDN: https://elibrary.ru/mkgval

УДК 63:633.358:004.9-045.64

 

Нейросетевой подход в цифровом фенотипировании снопового материала гороха: от многоклассовой сегментации к специализированным моделям уточнения

 

Габитов Илдар Исмагилович
доктор технических наук, ректор Башкирского государственного аграрного университета (450001, Российская Федерация, г. Уфа, ул. 50-летия Октября, д. 34), ORCID: https://orcid.org/0000-0003-4443-3126, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Сафин Филюс Раисович
доктор технических наук, доцент кафедры электроснабжения и автоматизации технологических процессов Башкирского государственного аграрного университета (450001, Российская Федерация, г. Уфа, ул. 50-летия Октября, д. 34), ORCID: https://orcid.org/0000-0003-2228-3278, Researcher ID: F-3892-2018, Scopus ID: 57217827478, SPIN-код: 2947-4312, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Катков Алексей Анатольевич
кандидат технических наук, доцент кафедры безопасности жизнедеятельности и технологического оборудования Башкирского государственного аграрного университета (450001, Российская Федерация, г. Уфа, ул. 50-летия Октября, д. 34), ORCID: https://orcid.org/0009-0005-2065-2705, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Дмитриев Алексей Михайлович
кандидат сельскохозяйственных наук, доцент кафедры растениеводства, селекции растений и биотехнологии Башкирского государственного аграрного университета (450001, Российская Федерация, г. Уфа, ул. 50-летия Октября, д. 34), ORCID: https://orcid.org/0000-0003-1596-7372, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Казьмирук Алексей Сергеевич
аспирант Башкирского государственного аграрного университета (450001, Российская Федерация, г. Уфа, ул. 50-летия Октября, д. 34), ORCID: https://orcid.org/0009-0003-2762-1069, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Кашапов Артур Айратович
генеральный директор ООО «Титаниум Диджитал» (450096, Российская Федерация, г. Уфа, ул. Рудольфа Нуриева, д. 1), ORCID: https://orcid.org/0009-0007-3724-8586, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

 

Аннотация
Введение. Цифровое фенотипирование сухого снопового материала гороха необходимо для ускорения селекционных работ в растениеводстве. Автоматический анализ таких образцов осложняется перекрытием органов, их низкой контрастностью, близкой окраской и экстремальным дисбалансом пикселей между морфологическими классами. Для решения проблемы предлагается каскадный нейросетевой подход, сочетающий многоклассовую семантическую сегментацию на кропах с последующим уточнением специализированной бинарной моделью слабопредставленного класса.
Цель исследования. Разработка нейросетевого подхода для цифрового фенотипирования снопового материала гороха, основанного на последовательном применении семантической многоклассовой сегментации и специализированной бинарной модели уточнения для слабопредставленных морфологических органов.
Материалы и методы. Исходный набор данных включал 162 изображения семи сортов гороха с ручной разметкой пяти классов (органов): фон, стебель, прилистник, боб и корень. Базовая U-Net архитектура с энкодером ResNet-34 обучалась на цельных изображениях и кропах размером 512x512 пикселей с использованием комбинированной функции потерь. Для корня дополнительно сформирована бинарная root-only модель с соответствующей функцией потерь и параметром pos_weight = 50, увеличивающим штраф за ошибки на положительном классе.
Результаты исследования. Качество нейросетевой семантической многоклассовой сегментации в значительной степени определяется не только архитектурой модели, но и способом подготовки данных. При сохранении архитектуры U-Net переход от цельных изображений к кропам повысил средний IoU распознавания классов с 42,89 до 92,01 %. В то же время IoU миноритарного класса Root остался на уровне 30,63 %. Специализированная root-only модель показала рост Root IoU по классу Root до 88,46 %. Это подтверждает, что для слабо представленных и визуально сложных органов растения на изображениях целесообразно применять специализированную модель уточнения.
Заключение. Увеличение числа эпох само по себе не устраняет влияние экстремального дисбаланса классов по пикселям. Наиболее результативным оказалось разделение общей и специализированной задач сегментации. Предложенный каскадный нейросетевой подход может быть использован как основа программного комплекса цифрового фенотипирования и адаптирован к другим культурам, для которых характерны малые, слабоконтрастные и редко представленные органы.

<Ключевые слова: горох посевной, признаки морфологические, компьютерное зрение, цифровое фенотипирование, сегментация семантическая, сеть нейронная

Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.

Для цитирования: Габитов И.И., Сафин Ф.Р., Катков А.А., Дмитриев А.М., Казьмирук А.С., Кашапов А.А. Нейросетевой подход в цифровом фенотипировании снопового материала гороха: от многоклассовой сегментации к специализированным моделям уточнения. Инженерные технологии и системы. 2026;36(3):518–540. https://doi.org/10.15507/2658-4123.26363.518-540

Вклад авторов:
И. И. Габитов – контроль, лидерство и наставничество в процессе планирования и проведения ис- следования; применение статистических, математических, вычислительных или других формальных методов для анализа или синтеза данных исследования, создание и подготовка рукописи: написание черновика рукописи.
Ф. Р. Сафин – применение статистических, математических, вычислительных или других формальных методов для анализа или синтеза данных исследования; осуществление научно- исследовательского процесса, включая выполнение экспериментов или сбор данных; проверка воспроизводимости результатов экспериментов и исследования в рамках основных или допол- нительных задач работы.
А. А. Катков – создание и подготовка рукописи: написание черновика рукописи; 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. М. Дмитриев – проверка воспроизводимости результатов экспериментов и исследования в рамках основных или дополнительных задач работы.
А. С. Казьмирук – осуществление научно-исследовательского процесса, включая выполнение экс- периментов или сбор данных.
А. А. Кашапов – деятельность по аннотированию (созданию метаданных), очистке данных и под- держанию их целостности (включая программный код для интерпретации, где это необходимо) для первоначального и повторного использования.

Все авторы прочитали и одобрили окончательный вариант рукописи.

Поступила в редакцию 02.07.2026;
поступила после рецензирования 16.07.2026;
принята к публикации 20.07.2026

 

СПИСОК ЛИТЕРАТУРЫ

  1. Li L., Zhang Q., Huang D. A Review of Imaging Techniques for Plant Phenotyping. Sensors. 2014;14(11):20078–20111. https://doi.org/10.3390/s141120078
  2. Zhao C., Zhang Y., Du J., Guo X., Wen W., Gu S., et al. Crop Phenomics: Current Status and Perspectives. Frontiers in Plant Science. 2019;(10):714. https://doi.org/10.3389/fpls.2019.00714
  3. Шашко А.Ю., Бондаренко В.Ю., Черныш М.А., Пржевальская Д.А., Уснич С.Л., Пшибытко Н.Л. и др. Современные феномные платформы и их применение в биологии растений и сельском хозяйстве. Журнал Белорусского государственного университета. Биология. 2020;(2):15–25. https://doi.org/10.33581/2521-1722-2020-2-15-25
  4. Кузнецов И.Ю., Дмитриев А.М., Авсахов Ф.Ф., Алимгафаров Р.Р., Родионов Н.Ю. Адаптивный потенциал коллекционных сортообразцов гороха посевного: оценка пластичности и стабильности в условиях Республики Башкортостан. Зернобобовые и крупяные культуры. 2026;1(57):17–26. https://doi.org/10.24412/2309-348X-2026-1-17-26
  5. Daba S.D., Morris C.F. Pea Proteins: Variation, Composition, Genetics, and Functional Properties. Cereal Chemistry. 2022;99(1):8–20. https://doi.org/10.1002/cche.10439
  6. Габитов И.И., Сафин Ф.Р., Катков А.А., Шамукаев С.Б., Казьмирук А.С. Разработка алгоритмов компьютерного зрения для цифрового фенотипирования гороха. Вестник Башкирского государственного аграрного университета. 2026;(1):109–113. https://doi.org/10.31563/1684-7628-2026-77-1-109-113
  7. Furbank R.T., Tester M. Phenomics – Technologies to Relieve the Phenotyping Bottleneck. Trends in Plant Science. 2011;16(12):635–644. https://doi.org/10.1016/j.tplants.2011.09.005
  8. Fiorani F., Schurr U. Future Scenarios for Plant Phenotyping. Annual Review of Plant Biology. 2013;(64):267–291. https://doi.org/10.1146/annurev-arplant-050312-120137
  9. Luo Z., Yang W., Yuan Y., Gou R., Li X. Semantic Segmentation of Agricultural Images: A Survey. Information Processing in Agriculture. 2024;11(2):172–186. https://doi.org/10.1016/j.inpa.2023.02.001
  10. Lei L., Yang Q., Yang L., Shen T., Wang R., Fu C. Deep Learning Implementation of Image Segmentation in Agricultural Applications: A Comprehensive Review. Artificial Intelligence Review. 2024;(57):149. https://doi.org/10.1007/s10462-024-10775-6
  11. 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
  12. Ариничев И.В., Полянских С.В., Ариничева И.В. Семантическая сегментация ржавчин и пятнистостей пшеницы. Компьютерная оптика. 2023;47(1):118–125. https://doi.org/10.18287/2412-6179-CO-1130
  13. Liu F., Yang R., Chen R., Guindo M.L., He Y., Zhou J., et al. Digital Techniques and Trends for Seed Phenotyping Using Optical Sensors. Journal of Advanced Research. 2024;(63):1–16. https://doi.org/10.1016/j.jare.2023.11.010
  14. Warman C., Sullivan C.M., Preece J., Buchanan M.E., Vejlupkova Z., Jaiswal P., et al. A Cost Effective Maize Ear Phenotyping Platform Enables Rapid Categorization and Quantification of Kernels. The Plant Journal. 2021;106(2):566–579. https://doi.org/10.1111/tpj.15166
  15. Minervini M., Fischbach A., Scharr H., Tsaftaris S.A. Finely-Grained Annotated Datasets for Image-Based Plant Phenotyping. Pattern Recognition Letters. 2016;(81):80–89. https://doi.org/10.1016/j.patrec.2015.10.013
  16. Scharr H., Minervini M., French A.P., Klukas C., Kramer D.M., Liu X., et al. Leaf Segmentation in Plant Phenotyping: A Collation Study. Machine Vision and Applications. 2016;(27):585–606. https://doi.org/10.1007/s00138-015-0737-3
  17. Ubbens J.R., Stavness I. Deep Plant Phenomics: A Deep Learning Platform for Complex Plant Phenotyping Tasks. Frontiers in Plant Science. 2017;(8):1190. https://doi.org/10.3389/fpls.2017.01190
  18. Pound M.P., Burgess A.J., Wilson M.H., Atkinson J.A., Griffiths M., Jackson A.S. Deep Machine Learning Provides State-of-the-Art Performance in Image-Based Plant Phenotyping. GigaScience. 2016. https://doi.org/10.1101/053033
  19. Bhagat S., Kokare M., Haswani V., Hambarde P., Kamble R. Eff-UNet++: A Novel Architecture for Plant Leaf Segmentation and Counting. Ecological Informatics. 2022;(68):101583. https://doi.org/10.1016/j.ecoinf.2022.101583
  20. Ракутько С.А., Ракутько Е.Н., Су Ц. Оценка содержания хлорофилла по оптической плотности листьев растений с использованием машинного обучения. Инженерные технологии и системы. 2025;35(4):678–699. https://doi.org/10.15507/2658-4123.035.202504.678-699
  21. Белоусов И.С., Рогачев А.Ф. Создание нейросетевого сервиса для выявления проблемных участков сельскохозяйственных полей. Известия НВ АУК. 2021;3(63):439–448. https://doi.org/10.32786/2071-9485-2021-03-45
  22. 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
  23. Yasrab R., Atkinson J.A., Wells D.M., French A.P., Pridmore T.P., Pound M.P. RootNav 2.0: Deep Learning for Automatic Navigation of Complex Plant Root Architectures. GigaScience. 2019;8(11):123. https://doi.org/10.1093/gigascience/giz123
  24. Smith A.G., Han E., Petersen J., Olsen N.A.F., Giese C., Athmann M., et al. RootPainter: Deep Learning Segmentation of Biological Images With Corrective Annotation. New Phytologist. 2022;236(2):774–791. https://doi.org/10.1111/nph.18387
  25. Atkinson J.A., Pound M.P., Bennett M.J., Wells D.M. Uncovering the Hidden Half of Plants Using New Advances in Root Phenotyping. Current Opinion in Biotechnology. 2018;(55):1–8. https://doi.org/10.1016/j.copbio.2018.06.002
  26. Kuijken R.C.P., Eeuwijk F.A., Marcelis L.F.M., Bouwmeester H.J. Root Phenotyping: from Component Trait in the Lab to Breeding. Journal of Experimental Botany. 2015;66(18):5389–5401. https://doi.org/10.1093/jxb/erv239
  27. Carranza-Rojas J., Goëau H., Bonnet P., Mata-Montero E., Joly A. Going Deeper in the Automated Identification of Herbarium Specimens. BMC Evolutionary Biology. 2017;(17):181. https://doi.org/10.1186/s12862-017-1014-z
  28. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. MICCAI 2015: Lecture Notes in Computer Science. Springer; Cham. 2015. pp. 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
  29. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. In: 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas: IEEE. 2016. pp. 770–778. https://doi.org/10.1109/CVPR.2016.90
  30. Buda M., Maki A., Mazurowski M.A. A Systematic Study of the Class Imbalance Problem in Convolutional Neural Networks. Neural Networks. 2018;(106):249–259. https://doi.org/10.1016/j.neunet.2018.07.011
  31. Sudre C.H., Li W., Vercauteren T., Ourselin S., Cardoso M.J. Generalised Dice overlap as a Deep Learning Loss Function for Highly Unbalanced Segmentations. In: Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. Lecture Notes in Computer Science. 2017. pp. 240–248. https://doi.org/10.1007/978-3-319-67558-9_28

 

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

Подробности
Просмотров: 3