ӨСІМДІКТЕРДІ АНЫҚТАУ ҮЛГІЛЕРІН РЕТТЕУГЕ АРНАЛҒАН АННОТАЦИЯЛАНҒАН СОЯ ӨРІСІ КЕСКІНДЕРІНІҢ ЖИНАҒЫ
DOI:
https://doi.org/10.54668/2789-6323-2026-121-1-100-109Кілт сөздер:
точное земледелие, соя, детектирование, данные с БПЛА, нейронные сети, YOLOv8.Аңдатпа
Бұл мақалада пилотсыз ұшу аппаратын (ПУА) пайдаланып алынған әуеден түсірілген суреттерге негізделген ауылшаруашылық алқаптарын автоматтандырылған талдауға арналған аннотацияланған Soybean_2021_Almalybak деректер жиынтығы ұсынылған. Деректер жиынтығына әртүрлі өсу кезеңдерін қамтитын және дақылдар мен арамшөп түрлерін қоса алғанда, қолмен белгіленген 12 нысан класын қамтитын соя егістіктерінің суреттері кіреді. Мақалада сенімді компьютерлік көру модельдерін оқыту үшін нақты ауылшаруашылық ландшафттарын көрсететін далалық деректердің маңыздылығы атап өтілген.
Базалық модель ретінде бір мезгілде объектілерді локализациялау және жіктеуге арналған заманауи архитектура YOLOv8x пайдаланылды. Модель 300 суреттен тұратын белгіленген жиынтықта үлкейтусіз оқытылды, бұл эталондық дәлдікті бағалауға мүмкіндік берді. Тәжірибелік нәтижелер модельдің жоғары өнімділігін көрсетті: Glycine max (соя) класы үшін F1-балы 0,933, ал mAP@0,5 метрикасы 0,72 болды. Деректер көлемінің шектеулі болуына және ішінара аннотацияға қарамастан, модель егістіктердің өзгергіштігі мен сынып теңгерімсіздігіне
References
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)
Downloads
Жарияланды
How to Cite
Журналдың саны
Бөлім
License
Copyright (c) 2026 Надия Юничева, Равиль Мухамедиев, Валентин Смурыгин, Людмила Городецкая, Диас Құсайын, Адилхан Сымагулов
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
