Интеллектуальная система мониторинга состояния растений и раннего оповещения о заболеваниях для вертикальных теплиц

Настоящее исследование направлено на систематизацию научных знаний о заболеваниях сельскохозяйственных культур и их интеграцию в системы автоматизированного управления вертикальными теплицами. Актуальность работы обусловлена необходимостью снижения экономических потерь в растениеводстве путем разработки методов раннего выявления болезней и оптимизации фитосанитарных мероприятий. В качестве модельного объекта использован базилик душистый, характеризующийся высокой восприимчивостью к фитопатогенам при интенсивных технологиях выращивания. Для создания платформы сформирован специализированный набор данных: 254 изображений базилика, аннотированных с указанием локализации и площади патологических изменений. Набор данных дополнен методом аугментации для увеличения разнообразия выборки. На основе комплексного анализа предложена архитектура системы мониторинга из трех модулей: сенсорного (сбор данных изображений и микроклимата), аналитического (на базе сверточных нейронных сетей для оценки динамики болезней) и интерфейса поддержки решений (генерация агрономических рекомендаций). Обучение модели с использованием трансферного обучения показало точность детекции 74,7 %. Для минимизации ложных срабатываний предложенный алгоритм постобработки можно доработать для учета пространственно-временной корреляции данных. Разработанный прототип подтверждает перспективность интеграции компьютерного зрения и агрономических знаний для создания предиктивных систем. Результаты обладают потенциалом адаптации к другим культурам защищенного грунта, способствуя развитию точного земледелия и снижению антропогенной нагрузки на агроэкосистемы. The present research is aimed at systematizing scientific knowledge about crop diseases and integrating them into automated control systems for vertical greenhouses. The relevance of the work is due to the need to reduce economic losses in crop production by developing methods for early detection of diseases and optimizing phytosanitary measures. Sweet basil, characterized by high susceptibility to phytopathogens under intensive cultivation technologies, was used as a model object. To create the platform, a specialized data set was formed: 254 images of the basil, annotated with the location and area of pathological changes. The data set has been supplemented with the augmentation method to increase the diversity of the sample. Based on a comprehensive analysis, the architecture of a monitoring system consisting of three modules is proposed: sensory (image and microclimate data collection), analytical (based on convolutional neural networks to assess disease dynamics) and a decision support interface (generation of agronomic recommendations). Training of the model using transfer learning showed a detection accuracy of 74.7 %. To minimize false positives, the proposed post-processing algorithm can be modified to take into account the spatial-temporal correlation of the data. The developed prototype confirms the prospects of integrating computer vision and agronomic knowledge to create predictive systems. The results have the potential to adapt to other protected soil crops, contributing to the development of precision agriculture and reducing anthropogenic stress on agroecosystems.