(50-4) 09 * << * >> * Русский * English * Содержание * Все выпуски

Разработка алгоритма автоматического определения числа пропусков растений картофеля по снимкам посевов с БПЛА с применением машинного обучения
Д.А. Полещенко1, И.С. Михайлов1

1Старооскольский технологический институт им. А.А. Угарова (филиал) НИТУ «МИСИС», 309516, Россия, г. Старый Оскол, мкр. Макаренко, д. 42

  Полный текст (PDF)

DOI: 10.18287/COJ1875

ID статьи: 1875

Аннотация:
В работе представлен разработанный подход к автоматической идентификации рядов картофеля и обнаружению пропусков по аэрофотоснимкам с БПЛА. Метод сочетает сегментацию растений с использованием моделей YOLOv11, адаптивную морфологическую фильтрацию с учётом пространственного разрешения и автоматическую коррекцию ориентации рядов. Экспериментальная апробация на полевых данных показала высокую точность выделения рядов (97,4 %) и эффективность выявления пропусков (F1-score 0,91). Полученные результаты свидетельствуют о корректности идентификации структуры посевов, что обосновывает применимость подхода для поддержки решений в цифровом сельском хозяйстве.

Ключевые слова:
мониторинг посевов, картофель, сегментация растений, ортофотоплан, YOLOv11, Ground Sample Distance, дистанционное зондирование, БПЛА.

Благодарности:

Цитирование:
Полещенко, Д.А. Разработка алгоритма автоматического определения числа пропусков растений картофеля по снимкам посевов с БПЛА с применением машинного обучения / Д.А. Полещенко, И.С. Михайлов // Компьютерная оптика. - 2026. - Т. 50, № 4. - 1875. - doi: 10.18287/COJ1875.

Citation:
Poleshchenko DA, Mikhailov IS. Development of a machine-learning algorithm for the automatic determination of the number of missing potato plants from UAV imagery. Computer Optics 2026; 50(4): 1875. doi: 10.18287/COJ1875.

References:

  1. Zualkernan I, Abuhani DA, Hussain MH, Khan J, ElMohandes M. Machine learning for precision agriculture using imagery from unmanned aerial vehicles (UAVs): a survey. Drones 2023; 7(6): 382. doi:10.3390/drones7060382.
  2. Li G, Le F, Si S, Cui L, Xue X. Image segmentation-based oilseed rape row detection for infield navigation of agri-robot. Agronomy 2024; 14(9): 1886. doi:10.3390/agronomy14091886.
  3. Ronchetti G, Mayer A, Facchi A, Ortuani B, Sona G. Crop row detection through UAV surveys to optimize on-farm irrigation management. Remote Sens 2020; 12(12): 1967. doi:10.3390/rs12121967.
  4. Deng G, Zhou F, Dong H, Xu Z, Li Y. Accurate sugarcane detection and row fitting using SugarRow-YOLO and clustering-based spline methods for autonomous agricultural operations. Appl Sci 2025; 15(14): 7789. doi:10.3390/app15147789.
  5. Khan MN, Rahi A, Rajendran VP, Al Hasan M, Anwar S. Real-time crop row detection using computer vision: application in agricultural robots. Front Artif Intell 2024; 7: 1435686. doi:10.3389/frai.2024.1435686.
  6. Ferreira R, Lima AM, da Silva DL, Arias-Garcia J, Yudi J, Hernandes AC. Data labelling and heuristics to estimate sugarcane rows orientation for UAV-aided precision agriculture. Smart Agric Technol 2025; 10: 101425. doi:10.1016/j.atech.2025.101425.
  7. Chen P, Ma X, Wang F, Li J. New method for crop row detection using unmanned aerial vehicle images. Remote Sens 2021; 13(17): 3526. doi:10.3390/rs13173526.
  8. Mhango JK, Harris EW, Green R, Monaghan JM. Mapping potato plant density variation using aerial imagery and deep learning techniques for precision agriculture. Remote Sens 2021; 13(14): 2705. doi:10.3390/rs13142705.
  9. Gao J, Tan F, Cui J, Hou Z. Unmanned aerial vehicle image detection of maize-YOLOv8n seedling leakage. Front Plant Sci 2025; 16: 1569229. doi:10.3389/fpls.2025.1569229.
  10. de Souza FLP, Dias MA, Setiyono TD, Campos S, Shiratsuchi LS, Tao H. Identification of soybean planting gaps using machine learning. Smart Agric Technol 2025; 10: 100779. doi:10.1016/j.atech.2025.100779.
  11. Rocha BM, da Fonseca AU, Pedrini H, Soares F. Automatic detection and evaluation of sugarcane planting rows in aerial images. Inf Process Agric 2023; 10(3): 400-415. doi:10.1016/j.inpa.2022.04.003.
  12. Roboflow - platform for computer vision datasets and models. Available at: https://roboflow.com/.
  13. Khanam R, Hussain M. YOLOv11: an overview of the key architectural enhancements. arXiv 2024; arXiv:2410.17725. Available at: https://arxiv.org/abs/2410.17725.
  14. Pestunov IA, Kalashnikov RA, Ovcharova NV, Bayramov RR. Otsenka polevoy vskhozhesti kukuruzy po RGB-izobrazheniyam s BPLA s ispolzovaniem metodov mashinnogo obucheniya [Field emergence assessment of maize using UAV RGB imagery and machine learning methods, in Russian]. In: Regionalnye problemy distantsionnogo zondirovaniya Zemli: materialy XI Mezhdunarodnoy nauchnoy konferentsii; 2024; Krasnoyarsk, Russia. Krasnoyarsk: Sibirsky federalny universitet; 2024. pp. 334-339.
  15. Abdi H, Williams LJ. Principal component analysis. Wiley Interdiscip Rev Comput Stat 2010; 2(4): 433-459. doi:10.1002/wics.101.
  16. Alt VV, Pestunov IA, Melnikov PV, Yolkin OV. Avtomatizirovannoe obnaruzhenie sornyakov i otsenka kachestva vskhodov selskokhozyaystvennykh kultur po RGB-izobrazheniyam [Automated weed detection and assessment of crop emergence quality from RGB images, in Russian]. Sib Vestn Selskokhozyaystvennoy Nauki 2019; 48(5): 52-60. doi:10.26898/0370-8799-2018-5-7.
  17. Schubert E, Sander J, Ester M, Kriegel HP, Xu X. DBSCAN revisited, revisited: why and how you should (still) use DBSCAN. ACM Trans Database Syst 2017; 42(3): 19. doi:10.1145/3068335.
  18. Akyon FC, Altinuc SO, Temizel A. Slicing aided hyper inference and fine-tuning for small object detection. In: Proc 2022 IEEE Int Conf Image Process (ICIP); 2022. pp. 966-970. doi:10.1109/ICIP46576.2022.9897990.

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20