НАБОР АННОТИРОВАННЫХ ИЗОБРАЖЕНИЙ СОЕВОГО ПОЛЯ ДЛЯ НАСТРОЙКИ МОДЕЛЕЙ ДЕТЕКТИРОВАНИЯ РАСТЕНИЙ
DOI:
https://doi.org/10.54668/2789-6323-2026-121-1-100-109Ключевые слова:
точное земледелие, соя, детектирование, данные с БПЛА, нейронные сети, YOLOv8.Аннотация
В статье представлен аннотированный датасет Soybean_2021_Almalybak, предназначенный для задач автоматического анализа сельскохозяйственных территорий на основе аэрофотоснимков, полученных с использованием беспилотного летательного аппарата (БПЛА). Датасет включает изображения соевых полей, охватывающие различные фазы роста растений и содержащие ручную разметку 12 классов объектов, включая культурный и сорные виды. Работа акцентирует внимание на значении полевых данных, отражающих реалистичное состояние агроландшафтов, для обучения устойчивых моделей компьютерного зрения.
В качестве базовой модели была использована YOLOv8x — современная архитектура для одновременной локализации и классификации объектов. Модель обучалась на размеченной выборке из 300 изображений без применения аугментации, что позволило получить эталонную оценку точности. Экспериментальные результаты продемонстрировали высокую эффективность модели: F1-score по классу Glycine max (соя) составил 0.933, а метрика mAP@0.5 — 0.72. Несмотря на ограниченный объём данных и частичную аннотацию, модель показала устойчивость к вариативности полевых условий и несбалансированности классов.
Библиографические ссылки
Popa, C. (2011). Adoption of artificial intelligence in agriculture. Bulletin of University of Agricultural Sciences and Veterinary Medicine Cluj-Napoca. Agriculture, 68(1), 1–7.
Lottes, P., Hörferlin, M., Sander, S., Stachniss, C. (2017). Effective vision‐based classification for separating sugar beets and weeds for precision farming. Journal of Field Robotics, 34(6), 1160–1178.
Sa, I., Chen, Z., Popović, M., Khanna, R., Liebisch, F., Nieto, J., & Siegwart, R. (2017). WeedNet: Dense semantic weed classification using multispectral images and MAV for smart farming. IEEE Robotics and Automation Letters, 3(1), 588–595.
Olsen, A., Konovalov, D. A., Philippa, B., Ridd, P., Wood, J. C., Johns, J., White, R. D. (2019). DeepWeeds: A multiclass weed species image dataset for deep learning. Scientific Reports, 9, 2058. https://doi.org/10.1038/s41598-018-38343-3
Leminen Madsen, S., Mathiassen, S. K., Dyrmann, M., Laursen, M. S., Paz, L. C., Jørgensen, R. N. (2020). Open plant phenotype database of common weeds in Denmark. Remote Sensing, 12(8), 1246.
Haug, S., & Ostermann, J. (2015). A crop/weed field image dataset for the evaluation of computer vision based precision agriculture tasks. In Computer Vision – ECCV 2014 Workshops (pp. 105–116). Springer International Publishing.
Lameski, P., Zdravevski, E., Trajkovik, V., & Kulakov, A. (2017). Weed detection dataset with RGB images taken under variable light conditions. In A. Goleva, D. Trajanov, & A. Stojanovski (Eds.), ICT Innovations 2017: Data-Driven Innovation (pp. 112–119). Springer.
Giselsson, T. M., Jørgensen, R. N., Jensen, P. K., Dyrmann, M., & Midtiby, H. S. (2017). A public image database for benchmark of plant seedling classification algorithms. arXiv preprint arXiv:1711.05458.
Teimouri, N., Dyrmann, M., Nielsen, P. R., Mathiassen, S. K., Somerville, G. J., & Jørgensen, R. N. (2018). Weed growth stage estimator using deep convolutional neural networks. Sensors, 18(5), 1580.
dos Santos Ferreira, A., Freitas, D. M., da Silva, G. G., Pistori, H., Folhes, M. T. (2017). Weed detection in soybean crops using ConvNets. Computers and Electronics in Agriculture, 143, 314–324.
Sa, I., Popović, M., Khanna, R., Chen, Z., Lottes, P., Liebisch, F., Siegwart, R. (2018). WeedMap: A large-scale semantic weed mapping framework using aerial multispectral imaging and deep neural network for precision farming. Remote Sensing, 10(9), 1423.
[ML Paper] Explanation of all of YOLO series Part 11 - https://zenn.dev/yuto_mo/articles/14a87a0db17dfa (date of access: 15.10.2025)
Redmon, J.; Divvala, S.; Girshick, R.; Farhadi, A. You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, 27–30 June 2016; pp. 779–788.
Набор данных COCO - https://docs.ultralytics.com/ru/datasets/detect/coco/ (date of access: 06.10.2025)
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Надия Юничева, Равиль Мухамедиев, Валентин Смурыгин, Людмила Городецкая, Диас Құсайын, Адилхан Сымагулов
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
