Интеллектуальная рекомендательная система для защиты яблоневых садов в КБР
А. З. Темроков, К. Ч. Бжихатлов
Загрузить полный текст
Аннотация: Одним из важных направлений сельского хозяйства является плодовое садоводство, в частности, интенсивные яблоневые сады вносят заметный вклад в сельскохозяйственную отрасль Кабардино-Балкарской Республики. При этом для сохранения урожая необходимо обеспечить своевременное выявление и устранение угроз, связанных с болезнями и вредителями яблок. Учитывая нехватку профильных специалистов, актуальной становится задача разработки автоматизированной системы распознавания болезней и вредителей яблоневых садов. Для этого в рамках исследования была поставлена цель – разработка и оценка применимости интеллектуальной рекомендательной системы для защиты яблоневых садов в КБР. В данной статье описана концепция и приведены результаты разработки системы контроля состояния яблоневых садов, предназначенной для выявления болезней и вредителей на деревьях, а также подбора наиболее подходящего плана защиты растений в зависимости от местоположения сада. Программа представляет собой веб-приложение, созданное на основе фреймворков FastAPI, Vue.js и нейронной сети, отвечающих за распознавание вредителей и болезней яблонь по фотографии и составление оптимального плана их обработки. Приведены результаты обучения нейронной сети на подготовленной выборке фотографий здоровых и зараженных яблок. В качестве основы для нейронной сети использовались различные модели: Roboflow 3.0, RF-DETR, YOLO v11 и YOLO v12. Разработанный сервис позволит диагностировать заболевания яблонь с минимальными задержками по времени, а также обеспечить подбор методов защиты в случае необходимости, что снизит риски потери урожая садоводами. В результате тестирования наилучших показателей достигла модель Roboflow 3.0: mAP составила 91,0 %, precision – 97,5 %, а recall – 88,5 %, что свидетельствует о применимости подхода, но этого недостаточно для внедрения. С целью повышения точности и расширения списка распознаваемых угроз планируется сбор дополнительных фотоматериалов в садах республики, в том числе фотографий листьев и стволов яблоневых деревьев, полученных в различных погодных условиях, и дальнейшее тестирование с участием садоводов республики.
Ключевые слова: распознавание образов, яблоня, заболевания яблок, рекомендательная система, машинное обучение, интернет-сервис
Для цитирования. . Темроков А. З., Бжихатлов К. Ч.Интеллектуальная рекомендательная система для защиты яблоневых садов в КБР// Известия Кабардино-Балкарского научного центра РАН. 2025. Т. 27. № 2. С. 23–36. DOI: 10.35330/1991-6639-2025-27-2-23-36
Список литературы
- Борисов И. А. Взаимосвязь воспроизводства кадров предприятий и трудовых ресурсов территорий: пример сельского хозяйства России // Journal of New Economy. 2021. Т. 22. № 3. С. 161–183. DOI: 10.29141/2658-5081-2021-22-3-9. EDN: FYAPLA
- Загазежева О. З., Край К. Ф. Проблемы и перспективы внедрения роботизированных и интеллектуальных технологий в растениеводство // Известия Кабардино-Балкарского научного центра РАН. 2021. № 6(104). С. 95–104. DOI: 10.35330/1991-6639-2021-6-104-95-104. EDN: WXLZCP
- Yağ I., Altan A. Artificial intelligence-based robust hybrid algorithm design and implementation for real-time detection of plant diseases in agricultural environments // Biology. 2022. Vol. 11. No. 12. P. 1732. DOI: 10.3390/biology11121732
- Балаева С. И. Состояние и перспективы развития интенсивного садоводства в Кабардино-Балкарской Республике // Известия Кабардино-Балкарского государственного аграрного университета им. В. М. Кокова. 2018. № 1(19). С. 66–70. EDN: YWALOH
- Turechek W. W. Apple diseases and their management // In book: Diseases of fruits and vegetables. Vol. 1. Eds: Naqvi S.A.M.H. Dordrecht: Springer. 2004. DOI: 10.1007/1-4020-2606-4_1
- Каширская Н. Я., Цуканова Е. М., Каширская А. М. Защита яблони от вредителей и болезней // Защита и карантин растений. 2010. № 5. С. 34–35. EDN: MBCNMJ
- Хуламханов И. М. Влияние климатических факторов на массовый лет яблонной плодожорки (Laspeyresia pomonella L.) в Кабардино-Балкарской Республике // Известия Кабардино-Балкарского научного центра РАН. 2013. № 6-1(56). С. 133–137. EDN: RPXLWV
- Jashenko R., Tanabekova G., Lu Z. Assessment of biological and ecological characteristics of sievers apple tree pests in Trans-Ili Alatau, Kazakhstan // Sustainability. 2023. Vol. 15. No. 14. P. 11303. DOI: 10.3390/su151411303
- Шереужева М. А., Шереужев М. А., Альбекова З. М. Использование сверточных нейронных сетей для задач автоматического обнаружения заболеваний // Известия Кабардино-Балкарского научного центра РАН. 2023. № 5(115). С. 41–51. DOI: 10.35330/1991-6639-2023-5-115-41-51. EDN: GOUNQN
- Boniecki P., Zaborowicz M., Pilarska A.A., Piekarska-Boniecka H. Identification process of selected graphic features apple tree pests by neural models type MLP, RBF and DNN // Agriculture. 2020. Vol. 10. No. 6. Pp. 218–227. DOI: 10.3390/agriculture10060218
- Qian Y., Yang B., Wang W. et al. Apple leaf diseases recognition based on an improved convolutional neural network // Sensors. 2020. Vol. 20. No. 12. P. 3535. DOI: 10.3390/s20123535
- Yu H., Cheng X., Chen C., Heidari A. A. et al. Apple leaf disease recognition method with improved residual network // Multimedia Tools and Applications. 2022. Vol. 81. No. 2. Pp. 7759–7782. DOI: 10.1007/s11042-022-11915-2
- Luo Y., Sun J., Shen J. et al. Apple leaf disease recognition and sub-class categorization based on improved multi-scale Feature Fusion Network // IEEE Access. 2021. Vol. 9. Pp. 95517–95527. DOI: 10.1109/ACCESS.2021.3094802
- Zhang S., Wang D., Yu C. Apple leaf disease recognition method based on Siamese dilated Inception network with less training samples // Computers and Electronics in Agriculture. 2023. Vol. 213. P. 108188. DOI: 10.1016/j.compag.2023.108188
- Liu B., Fan K., Su W., Peng Y. Two-stage convolutional neural networks for diagnosing the severity of alternaria leaf blotch disease of the apple tree // Remote Sensing. 2022. Vol. 14. No. 11. P. 2519. DOI: 10.3390/rs14112519
- Кутырёв А. И. Распознавание и классификация болезней листьев яблони на основе анализа их изображений моделями сверточных нейронных сетей (CNN) // Вестник Ульяновской ГСХА. 2023. № 3(63). С. 215–223. DOI: 10.18286/1816-4501-2023-3-215-223
- Lee Y., Patil M. P., Kim J. G. et al. Hyperparameter optimization of apple leaf dataset for the disease recognition based on the YOLOv8 // Journal of Agriculture and Food Research. 2025. Vol. 21. No. 9. P. 101840. DOI: 10.1016/j.jafr.2025.101840
- Канокова М. А. Анализ эффективности применения программных и робототехнических комплексов для защиты посадок сельскохозяйственных культур от болезней, вредителей и сорной растительности // Известия Кабардино-Балкарского научного центра РАН. 2021. № 6(104). С. 126–136. DOI: 10.35330/1991-6639-2021-6-104-126-136
- Темроков А. З., Тебуев М. Р., Бжихатлов К. Ч. Концепция системы прогнозирования состояния яблоневых садов // Сборник научных трудов Всероссийской научно-практической конференции «Цифровая трансформация науки и образования» с международным участием. Нальчик, 2024. С. 102–110. EDN: CSTJRH
- Кафиев И. Р., Романов П. С., Романова И. П. Сравнительный анализ роботов для сбора яблок // Вестник НГИЭИ. 2024. № 10(161). С. 33–51. DOI: 10.24412/2227-9407-2024-10-33-51. EDN: YHIYRS
- Bzhikhatlov K., Pshenokova I. Intelligent Spraying System of Autonomous Mobile Agricultural Robot // Agriculture Digitalization and Organic Production. Smart Innovation, Systems and Technologies. 2023. Vol. 362. Pp. 269–278. DOI: 10.1007/978-981-99-4165-0_25
Информация об авторах
Константинов Алексей Федорович, аспирант кафедры информатики, Российский экономический университет имени Г. В. Плеханова;
115054, Россия, Москва, Стремянный переулок, 36;
konstantinovaf@gmail.com, ORCID: https://orcid.org/0009-0000-9591-3301, SPIN-код: 3088-3121
Дьяконова Людмила Павловна, канд. физ.-мат. наук, доцент, кафедра информатики, Российский экономический университет имени Г. В. Плеханова;
115054, Россия, Москва, Стремянный переулок, 36;
Dyakonova.LP@rea.ru, ORCID: https://orcid.org/0000-0001-5229-8070,SPIN-код: 2513-8831