Н.В. Гапон1, А.В. Пузеренко2, М.М. Жданова3, Д.В. Рудой4, Р.Р. Ибадов5

1–5 Донской Государственный Технический Университет, (г. Ростов-на-Дону, Россия)

3 Научно-исследовательская лаборатория «Моделирование и разработка интеллектуальных технических систем АПК», (г. Ростов-на-Дону, Россия)

1 nikolay-rt@mail.ru, 2 mpismenskova@mail.ru

Постановка проблемы. В сельском хозяйстве сегментация изображений играет ключевую роль в мониторинге состояния посевов, почвы, а также в прогнозировании оптимального времени для проведения агротехнических операций, таких как посев, удобрение и сбор урожая. Эта технология также активно используется для оценки потенциальной урожайности и раннего выявления заболеваний растений. Развитие методов глубокого обучения открыло новые возможности для повышения точности и эффективности подобных систем, однако остаются нерешенными проблемы, связанные с разработкой моделей, способных работать в сложных условиях и обеспечивать стабильно высокий результат. Одной из основных трудностей является разнообразие условий съемки, включая изменение освещения, погоды и сезонные колебания. Традиционные подходы к сегментации зачастую недостаточно гибки для адаптации к этим переменным факторам, что ведет к снижению точности и надежности прогнозов. Таким образом, несмотря на достигнутые успехи, создание эффективных и точных моделей сегментации сельскохозяйственных изображений продолжает оставаться актуальной и востребованной задачей, требующей дальнейших исследований и разработок. Решение этих проблем позволит значительно повысить производительность и устойчивость агропромышленных комплексов.

Цель работы – уменьшение погрешности сегментации сельскохозяйственных изображений с использованием новой модели глубокого обучения.

Результаты. Рассмотрены основные особенности сегментации сельскохозяйственных изображений. Представлена модель глубокого обучения для сегментации сельскохозяйственных изображений. Предлагаемая модель имеет параллельную архитектуру, специально разработанную для извлечения подробных характеристик цвета и текстуры из изображений. Предлагаемая модель превосходит существующие решения в среднем на 10–15%. Проведена оценка предложенной модели для сегментации сельскохозяйственных изображений в сравнении с известными методами.

Практическая значимость. Сегментация изображений является важнейшей задачей в компьютерном зрении. Благодаря сегментации цифровое изображение разделяется на несколько сегментов, областей. В сельском хозяйстве сегментация изображений широко используется для мониторинга урожая и почвы, прогнозирования лучшего времени для посева, удобрения и сбора урожая, оценки урожайности и обнаружения заболеваний растений.

Гапон Н.В., Пузеренко А.В., Жданова М.М., Рудой Д.В., Ибадов Р.Р. Сегментация сельскохозяйственных изображений на основе глубокого обучения // Технологии живых систем. 2025. T. 22. № 2. С. 95-104. DOI: https://doi.org/10.18127/j20700997-202502-10

1. Zelensky A., Gapon N., Zhdanova M., et al. Image segmentation based on adaptive quaternion anisotropic gradient for optical inspection applications // In Optical Metrology and Inspection for Industrial Applications XI. 2024. V. 13241. P. 551–557.
2. Gapon N., Puzerenko A., Zhdanova M., et al. Advances in agricultural image segmentation: from traditional techniques to deep learning approaches // International Journal of Ecosystems & Ecology Sciences. 2024. V. 14. № 4. P. 147–166.
3. Voronin V., Semenishchev E., Zelensky A., et al. Real‐time deep learning semantic segmentation for 3-D augmented reality // In Real-time Photonic Measurements, Data Management, and Processing VII. 2023. V. 12772. P. 80–87.
4. Hamuda E., Glavin M., Jones E. A survey of image processing techniques for plant extraction and segmentation in the field // Computers and electronics in agriculture. 2016. V. 125. P. 184–199.
5. Yang J., Wang C., Jiang B., et al. Visual perception enabled industry intelligence: state of the art, challenges and prospects // IEEE Transactions on Industrial Informatics. 2020. V. 17. № 3. P. 2204–2219.
6. Tassis L.M., Souza J.E.T., Krohling R.A. A deep learning approach combining instance and semantic segmentation to identify diseases and pests of coffee leaves from in-field images // Computers and Electronics in Agriculture. 2021. V. 186. P. 106191.
7. Yao N., Ni F., Wu M., et al. Deep learning-based segmentation of peach diseases using convolutional neural network // Frontiers in Plant Science. 2022. V. 13. P. 876357.
8. Chen S., Zhang K., Zhao Y., et al. An approach for rice bacterial leaf streak disease segmentation and disease severity estimation // Agriculture. 2021. V. 11. № 5. P. 420.
9. Kang J., Liu L., Zhang F., et al. Semantic segmentation model of cotton roots in-situ image based on attention mechanism // Computers and electronics in agriculture. 2021. V. 189. P. 106370.
10. Yan J., Yan T., Ye W., et al. Cotton leaf segmentation with composite backbone architecture combining convolution and attention // Frontiers in Plant Science. 2023. V. 14. P. 1111175.
11. Otsu N. A threshold selection method from gray-level histograms // Automatica. 1975. V. 11. P. 23–27.
12. Rosenfeld A. The max Roberts operator is a Hueckel-type edge detector // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1981. V. 1. P. 101–103.
13. Ikonomatakis N., Plataniotis K.N., Zervakis M., Venetsanopoulos A.N. Region growing and region merging image segmentation // Proc Digit Sig Process. 1997. V. 1. P. 299–302.
14. Dhanachandra N., Manglem K., Chanu Y.J. Image segmentation using K-means clustering algorithm and subtractive clustering algorithm // Procedia Computer Science. 2015. V. 54. P. 764–771.
15. Longzhe Q., Enchen J. Automatic segmentation method of touching corn kernels in digital image based on improved watershed algorithm // International Conference on New Technology of Agricultural. 2011. P. 27–29.
16. Boykov Y.Y., Jolly M-P. Interactive graph cuts for optimal boundary and region segmentation of objects in N-D images // Proceedings Eighth IEEE International Conference on Computer Vision. ICCV 2001. 2001. V. 1. P. 105–112.
17. Wang A., Xu Y., Wei X., Cui B. Semantic segmentation of crop and weed using an encoder-decoder network and image enhancement method under uncontrolled outdoor illumination // Ieee Access. 2020. V. 8. P. 81724–81734.
18. Kang J., Liu L., Zhang F., et al. Semantic segmentation model of cotton roots in-situ image based on attention mechanism // Computers and electronics in agriculture. 2021. V. 189. P. 106370.
19. Pei H., Owari T., Tsuyuki S., Zhong Y. Application of a novel multiscale global graph convolutional neural network to improve the accuracy of forest type classification using aerial photographs // Remote Sensing. 2023. V. 15. № 4. P. 1001.
20. Wu J., Wen C., Chen H., et al. DS-DETR: a model for tomato leaf disease segmentation and damage evaluation // Agronomy. 2023 (2022). V. 12. № 9.
21. Douarre C., Crispim-Junior C.F., Gelibert A., et al. Novel data augmentation strategies to boost supervised segmentation of plant disease // Comput Electron Agric. 2019. V. 15. 165. P. 104967.
22. Espejo-Garcia B., Mylonas N., Athanasakos L., et al. Combining generative adversarial networks and agricultural transfer learning for weeds identification // Biosystems Engineering. 2021. V. 204. P. 79–89.
23. Zhu J.Y., Park T., Isola P., Efros A.A. Unpaired image-to-image translation using cycle-consistent adversarial networks // IEEE International Conference on Computer Vision (ICCV). 2017. P. 2223–2232.
24. Boonpook W., Tan Y., Nardkulpat A., et al. Deep learning semantic segmentation for land use and land cover types using Landsat 8 imagery // ISPRS International Journal of Geo-Information. 2023. V. 12. № 1. P. 14.
25. Li K., Zhang L., Li B., et al. Attention-optimized DeepLab V3+ for automatic estimation of cucumber disease severity // Plant Methods. 2022. V. 18. № 1. P. 109.