Обнаружение болезней земляники садовой с помощью БПЛА на основе сегментации мультиспектральных изображений методами глубокого машинного обучения

Точная и своевременная диагностика болезней земляники садовой является важной задачей, позволяющей минимизировать потери урожая и снизить затраты на обработку растений. Использование беспилотных летательных аппаратов (БПЛА) с мультиспектральными камерами открывает новые возможности для неинвазивного мониторинга состояния растений. Цель настоящего исследования – анализ возможности выявления заболеваний земляники садовой (на примере белой пятнистости, возбудитель Ramularia tulasnei Sacc.) по мультиспектральным изображениям, полученным с БПЛА, с использованием методов глубокого машинного обучения. Съемка опытного участка (37 × 22 м) проводилась квадрокоптером DJI Phantom 4 Multispectral на высоте 3 м (разрешение 2.2 мм/пиксель). Полученные данные прошли предварительную обработку, включая построение ортофотоплана в программе Agisoft Metashape Pro и ручное выделение областей интереса (ROI) в ENVI 5.2. Сформирован набор из 360 мультиспектральных изображений размером 64 × 64 × 5 (каналы 450, 560, 650, 730, 840 нм) с тремя классами: здоровые растения, больные растения и почва. На данном наборе была обучена модель архитектуры U-Net (с модулями attention gate, squeeze-and-excitation и residual connections). Дополнительно для оценки вклада мультиспектральных каналов обучены U-Net модель на RGB-изображениях, а также классическая модель Random Forest на основе 40 текстурных признаков GLCM. Модель U-Net, обученная на мультиспектральных данных, достигла общей точности классификации 96.04 %, что существенно выше показателей Random Forest (76.64 %) и U-Net на RGB-изображениях (94.14 %). Полученные карты распространения болезни позволяют проводить точечное применение фунгицидов. Предложенный подход подтвердил эффективность глубокого обучения для диагностики белой пятнистости земляники. Дальнейшие исследования будут направлены на расширение набора данных (разные сорта и стадии болезней), апробацию более современных архитектур сегментации и масштабирование метода на промышленные плантации.

1. Abade A., Ferreira P.A., Vidal F.B. Plant diseases recognition on images using convolutional neural networks: a systematic review. Comput Electron Agric. 2021;185:106125. doi 10.1016/j.compag.2021.106125

2. Behmann J., Mahlein A.K., Rumpf T., Römer C., Plümer L. A review of advanced machine learning methods for the detection of biotic stress in precision crop protection. Precis Agric. 2015;16:239-260. doi 10.1007/s11119-014-9372-7

3. Benos L., Tagarakis A.C., Dolias G., Berruto R., Kateris D., Bochtis D. Machine learning in agriculture: a comprehensive updated review. Sensors. 2021;21(11):3758. doi 10.3390/s21113758

4. Breiman L. Random forest. Mach Learn. 2001;45:5-32. doi 10.1023/A:1010933404324

5. Candiago S., Remondino F., De Giglio M., Dubbini M., Gattelli M. Evaluating multispectral images and vegetation indices for precision farming applications from UAV images. Remote Sens. 2015;7(4): 4026-4047. doi 10.3390/rs70404026

6. Cheshkova A.F. A review of hyperspectral image analysis techniques for plant disease detection and identification. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov J Genet Breed. 2022;26(2): 202-213. doi 10.18699/VJGB-22-25

7. Cheshkova A.F., Riksen V.S. Strawberry disease detection using multispectral UAV imagery. Sel’skokhozyajstvennye Mashiny i Technologii = Agricultural Machinery and Technologies. 2025;19(2):45-52. doi 10.22314/2073-7599-2025-19-2-45-52 (in Russian)

8. Ding W., Abdel-Basset M., Alrashdi I., Hawas H. Next generation of computer vision for plant disease monitoring in precision agriculture: a contemporary survey, taxonomy, experiments, and future direction. Inf Sci. 2024;665:120338. doi 10.1016/j.ins.2024.120338

9. Guo A., Huang W., Dong Y., Ye H., Ma H., Liu B., Wu W., Ren Y., Ruan C., Geng Y. Wheat yellow rust detection using UAV-based hyperspectral technology. Remote Sens. 2021;13(1):123. doi 10.3390/rs13010123

10. Hou F.J., Zhang Y., Zhou Y., Zhang M., Lv B., Wu J.Q. Review on infrared imaging technology. Sustainability. 2022;14(18):26. doi 10.3390/su141811161

11. Jin S.C., Sun X.L., Wu F.F., Su Y.J., Li Y.M., Song S.L., Xu K.X., Ma Q., Baret F., Jiang D. Lidar sheds new light on plant phenomics for plant breeding and management: recent advances and future prospects. ISPRS J Photogramm Remote Sens. 2021;171:202-223. doi 10.1016/j.isprsjprs.2020.11.006

12. Kerkech M., Hafiane A., Canals R. VddNet: Vine Disease Detection Network based on multispectral images and depth map. Remote Sens. 2020;12(20):3305. doi 10.3390/rs12203305

13. Lan Y., Huang Z., Deng X., Zhu Z., Huang H., Zheng Z., Lian B., Zeng G., Tong Z. Comparison of machine learning methods for citrus greening detection on UAV multispectral images. Comput Electron Agric. 2020;171:105234. doi 10.1016/j.compag.2020.105234

14. Li S., Yuan F., Ata-UI-Karim S.T., Zheng H., Cheng T., Liu X., Tian Y., Zhu Y., Cao W., Cao Q. Combining color indices and textures of UAV-based digital imagery for rice LAI estimation. Remote Sens. 2019;11(15):1763. doi 10.3390/rs11151763

15. Liao K., Yang F., Dang H., Wu Y., Luo K., Li G. Detection of eucalyptus leaf disease with UAV multispectral imagery. Forests. 2022; 13(8):1322. doi 10.3390/f13081322

16. Loey M., Elsawy A., Afify M. Deep learning in plant diseases detection for agricultural crops: a survey. Int J Serv Sci Manage Eng Technol. 2020;11(2):18. doi 10.4018/IJSSMET.2020040103

17. Mahlein A.-K., Rumpf T., Welke P., Dehne H.-W., Plümer L., Steiner U., Oerke E.-C. Development of spectral indices for detecting and identifying plant diseases. Remote Sens Environ. 2013;128: 21-30. doi 10.1016/j.rse.2012.09.019

18. Maxwell A.E., Farhadpour S., Das S., Yang Y. geodl: an R package for geospatial deep learning semantic segmentation using torch and terra. PLoS One. 2024;19(12):e0315127. doi 10.1371/journal.pone.0315127

19. Moustakas M., Calatayud Á., Guidi L. Chlorophyll fluorescence imaging analysis in biotic and abiotic stress. Front Plant Sci. 2021;12: 658500. doi 10.3389/fpls.2021.658500

20. Mudarisov S.G., Miftakhov I.R. Deep learning methods and UAV technologies for crop disease detection. Sel’skokhozyajstvennye Mashiny i Technologii = Agricultural Machinery and Technologies. 2024;18(4):24-33. doi 10.22314/2073-7599-2024-18-4-24-33 (in Russian)

21. Nagaraju M., Chawla P. Systematic review of deep learning techniques in plant disease detection. Int J Syst Assur Eng Manage. 2020; 11(3):547-560. doi 10.1007/s13198-020-00972-1

22. Neupane K., Baysal-Gurel F. Automatic identification and monitoring of plant diseases using unmanned aerial vehicles: a review. Remote Sens. 2021;13(19):3841. doi 10.3390/rs13193841

23. Ozherelev V.N., Ozhereleva M.V., Grin A.M., Somin V.V. Dynamics of garden strawberries production all over the world. Vestnik of the Bryansk State Agricultural Academy. 2019;4(74):60-66 (in Russian)

24. Phang S.K., Chiang T.H.A., Happonen A., Chang M.M.L. From satellite to UAV-based remote sensing: a review on precision agriculture. IEEE Access. 2023;11:127057-127076. doi 10.1109/ACCESS.2023.3330886

25. Radoglou-Grammatikis P., Sarigiannidis P., Lagkas T., Moscholios I. A compilation of UAV applications for precision agriculture. Comput Networks. 2020;172:107148. doi 10.1016/j.comnet.2020.107148

26. Ronneberger O., Fischer P., Brox T. U-net: convolutional networks for biomedical image segmentation. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Lecture Notes in Computer Science. Vol. 9351. Springer, 2015;234-241. doi 10.1007/978-3-319-24574-4_28

27. Sajitha P., Andrushia A.D., Anand N., Naser M.Z. A review on machine learning and deep learning image-based plant disease classification for industrial farming systems. J Ind Inf Integr. 2024;38:100572. doi 10.1016/j.jii.2024.100572

28. Saleem M.H., Potgieter J., Arif K.M. plant disease detection and classification by deep learning. Plants. 2019;8(11):468. doi 10.3390/plants8110468

29. Singh A., Ganapathysubramanian B., Singh A.K., Sarkar S. Machine learning for high-throughput stress phenotyping in plants. Trends Plant Sci. 2016;21(2):110-124. doi 10.1016/j.tplants.2015.10.015

30. Su J., Yi D., Su B., Mi Z., Liu C., Hu X., Xu X., Guo L., Chen W.H. Aerial visual perception in smart farming: field study of wheat yellow rust monitoring. IEEE Trans Ind Inf. 2020;17(3):2242-2249. doi 10.1109/TII.20

31. Toscano F., Fiorentino C., Capece N., Erra U., Travascia D., Scopa A., Drosos M., D’Antonio P. Unmanned aerial vehicle for precision agriculture: a review. IEEE Access. 2024;12:69188-69205. doi 10.1109/ACCESS.2024.3401018

32. Zahir S.A.D.M., Omar A.F., Jamlos M.F., Azmi M.A.M., Muncan J. A review of visible and near-infrared (Vis-NIR) spectroscopy application in plant stress detection. Sens Actuators A. 2022;338:113468. doi 10.1016/j.sna.2022.113468

33. Zhang S., Li X., Ba Y., Lyu X., Zhang M., Li M. Banana fusarium wilt disease detection by supervised and unsupervised methods from UAV-based multispectral imagery. Remote Sens. 2022;14(5):1231. doi 10.3390/rs14051231

34. Zhang T., Xu Z., Su J., Yang Z., Liu C., Chen W.-H., Li J. Ir-UNet: irregular segmentation U-shape network for wheat yellow rust detection by UAV multispectral imagery. Remote Sens. 2021;13(19): 3892. doi 10.3390/rs13193892

35. Zheng C., Abd-Elrahman A., Whitaker V. Remote sensing and machine learning in crop phenotyping and management, with an emphasis on applications in strawberry farming. Remote Sens. 2021;13(3):531. doi 10.3390/rs13030531

36. Zhou C., Gong Y., Fang S., Yang K., Peng Y., Wu X., Zhu R. Combining spectral and wavelet texture features for unmanned aerial vehicles remote estimation of rice leaf area index. Front Plant Sci. 2022;13: 957870. doi 10.3389/fpls.2022.957870