Инновационные решения в мониторинге цветения садовых насаждений: повышение урожайности и качества плодов

УДК 631.171:004.3:004.932 10.33267/2072-9642-2025-2-8-12

В.Ф. Федоренко, акад. РАН, д-р техн. наук, проф., гл. науч. сотр., f@maro.pro;
И.Г. Смирнов, д-р техн. наук, гл. науч. сотр., v@yandex.ru;
А.И. Кутырёв, канд. техн. наук, вед. науч. сотр., alexeykutyrev@gmail.com;
Д.О. Хорт, д-р техн. наук, гл. науч. сотр., dmitriyhort@mail.ru;
М. Исса, инженер, mhdissa321@gmail.com (ФГБНУ ФНАЦ ВИМ)

Аннотация

Представлены инновационные решения в автоматизированном мониторинге цветения садовых насаждений, основанные на использовании сверточных нейронных сетей и технологии кинематики реального времени (Real Time Kinematic, RTK) для высокоточного геопозиционирования. Проведенные исследования подтвердили эффективность разработанных методов сегментации и классификации цветков яблони, а также визуализации их пространственного распределения на основе GPS-координат. Модель YOLO11x показала наивысшую точность сегментации и классификации с метриками mAP50 = 0,38 и Recall = 0,39.

Ключевые слова

автоматизированный мониторинг, сегментация объектов, геопозиционирование, сверточные нейронные сети, машинное и трансферное обучение.

Исследование выполнено за счет гранта Российского научного фонда № 24-76-10071 «Развитие методов дистанционного мониторинга на основе оптической визуализации биологических объектов в садоводстве» (https://rscf.ru/project/24-76-10071/).

Список использованных источников

1. Pflanz M., Gebbers R., Zude M. Influence of tree-adapted flower thinning on apple yield and fruit quality considering cultivars with different predisposition in fructification // Acta Horticulturae. 2016. 1130: 605-611. DOI 10.17660/ActaHortic.2016.1130.90.

2. Horton R., Cano E., Bulanon D., Fallahi E. Peach Flower Monitoring Using Aerial Multispectral Imaging // Journal of Imaging. 2017. 3(1):2. DOI 10.3390/jimaging3010002.

3. Zhang Y., He S., Wa S., Zong Z., Liu Y. Using Generative Module and Pruning Inference for the Fast and Accurate Detection of Apple Flower in Natural Environments // Information. 2021. 12. 495. DOI 10.3390/info12120495.

4. Ali M.L., Zhang Z. The YOLO Framework: A Comprehensive Review of Evolution, Applications, and Benchmarks in Object Detection // Computers. 2024. 13(12): 336. DOI 10.3390/computers13120336.

5. Chen C., Lu J., Zhou M., Yi J., Liao M., Gao Z. A YOLOv3-based computer vision system for identification of tea buds and the picking point // Comput. Electron. Agric. 2022. 198: 107116. DOI 10.1016/j.compag.2022.107116.

6. Wang J., Gao Z., Zhang Y., Zhou J., Wu J., Li P. Real-Time Detection and Location of Potted Flowers Based on a ZED Camera and a YOLO V4-Tiny Deep Learning Algorithm // Horticulturae. 2022. 8(1): 21. DOI 10.3390/horticulturae8010021.

7. Yuan W. Accuracy Comparison of YOLOv7 and YOLOv4 Regarding Image Annotation Quality for Apple Flower Bud Classification // AgriEngineering. 2023. 5(1): 413-424. DOI 10.3390/agriengineering5010027.

8. Vijayakumar A., Vairavasundaram S. YOLO-based Object Detection Models: A Review and its Applications // Multimedia Tools and Applications. 2024. 83: 83535-83574. DOI 10.1007/s11042-024-18872-y.

9. Chen Z., Su R., Wang Y., Chen G., Wang Z., Yin P., Wang J. Automatic Estimation of Apple Orchard Blooming Levels Using the Improved YOLOv5 // Agronomy. 2022. 12(10): 2483. DOI 10.3390/agronomy12102483.

10. Хорт Д.О., Кутырёв А.И., Смирнов И.Г., Воронков И.В. Разработка системы автоматизированного управления агротехнологиями в садоводстве // С.-х. машины и технологии. 2021. 15(2). 61-68. DOI 10.22314/2073-7599-2021-15-2-61-68.

11. Terven J., Córdova-Esparza D.-M., Romero-González J.-A. A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLONAS // Machine Learning and Knowledge Extraction. 2023. 5: 1680-1716. DOI 10.3390/make5040083.

12. Tiwan T., Anirudh G., Tembhurne J.V. Object detection using YOLO: Challenges, architectural successors, datasets and applications // Multimedia Tools and Applications. 2023. 82: 9243-9275. DOI 10.1007/s11042-022-13644-y.

13. Yuan W. AriAplBud: An Aerial MultiGrowth Stage Apple Flower Bud Dataset for Agricultural Object Detection Benchmarking // Data. 2024. 9(2): 36. DOI 10.3390/data9020036.

14. Dias P.A., Tabb A., Medeiros H. Apple flower detection using deep convolutional networks // Computers in Industry. 2018. 99: 17-28. DOI 10.1016/j.compind.2018.03.010.

15. Кутырёв А.И. Распознавание и классификация болезней листьев яблони на основе анализа их изображений моделями сверточных нейронных сетей (CNN) // Вестн. Ульяновской ГСХА. 2023. № 3(63). С. 215-223. DOI 10.18286/18164501-2023-3-215-223.

16. Кутырёв А.И., Дышеков А.И. Разработка системы управления движением роботизированной платформы на основе методов лазерной дальнометрии (LiDAR) // Агроинженерия. 2023. 25(2). 19-27. DOI 10.26897/2687-1149-2023-2-19-27.

Innovative Solutions in Monitoring the Horticulture Planting Blossoming: Increasing the Yield and Quality of Fruits

V.F. Fedorenko, I.G. Smirnov, A.I. Kutyrev, D.O. Hort, M. Issa (FGBNU FNATS VIM)

Summary

Innovative solutions in automated monitoring of the horticulture planting blossoming based on the use of convolutional neural networks and Real Time Kinematic (RTK) technology for high-precision geo-positioning are presented. The conducted studies confirmed the effectiveness of the developed methods of apple blossom segmentation and classification, as well as visualization of their spatial distribution based on GPS coordinates. The YOLO11x model showed the highest segmentation and classification accuracy with the metrics mAP50 = 0.38 and Recall = 0.39.

Key words

automated monitoring, object segmentation, geolocation, convolutional neural networks, machine and transfer learning.