Разработка диагностической платформы на базе БПЛА для определения заболеваний растений на основе глубокого обучения тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Мифтахов Ильнур Ринатович

• Мифтахов Ильнур Ринатович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Мифтахов Ильнур Ринатович

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

1 ОБЗОР СОСТОЯНИЯ НАУЧНОГО ВОПРОСА И ФОРМУЛИРОВАНИЕ ЗАДАЧ ИССЛЕДОВАНИЯ

1.1 Анализ основных видов заболеваний пшеницы

1.2 Анализ существующих методов диагностики болезней растений

1.3 Технологии и технические средства дистанционного мониторинга заболеваний сельскохозяйственных растений

1.4 Технологии искусственного интеллекта и их применение в определении заболеваний сельскохозяйственных растений

1.5 Проблемы и перспективы разработки автоматизированных систем диагностики болезней пшеницы с использованием глубокого обучения на базе БПЛА

1.6 Выводы по главе

2 РАЗРАБОТКА И ОБОСНОВАНИЕ АРХИТЕКТУРЫ ДИАГНОСТИЧЕСКОЙ ПЛАТФОРМЫ НА БАЗЕ БПЛА

2.1 Разработка алгоритма работы диагностической платформы мониторинга заболевания пшеницы

2.2 Разработка и проектирование беспилотного летательного аппарата для диагностической платформы

2.3 Разработка аппаратно-программной части

2.4 Обоснование параметров и режимов работы системы

2.6 Технические характеристики и возможности платформы

2.7 Обучение сверточной нейронной сети для детекции заболеваний пшеницы

2.7.1 Методы сбора и подготовки обучающего набора данных

2.7.2 Предварительная обработка обучающего набора данных

2.7.3 Обработка данных и разметка

2.7.4 Выбор архитектуры нейронной сети

2.7.5 Оценка производительности модели

2.7.6 Обучение модели

2.8 Сравнения встроенных систем для выполнения задач на основе сверточных нейронных сетей

2.9 Оценки производительности диагностической платформы

2.10 Выводы по главе

3 ПРОГРАММА И МЕТОДИКА ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ

3.1. Программа экспериментальных исследований

3.2 Методики экспериментальных исследований

3.2.1 Методика подбора технологических параметров обнаружения заболевания пшеницы с помощью БПЛА в режиме реального времени

3.2.2 Методика оценки влияния условий освещенности на точность работы системы

3.2.3 Методика оценки производительности диагностической платформы на базе NavQPlus

3.3 Выводы по главе

4 РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ

4.1 Результаты обучения модели Yolov8n

4.2 Результаты сравнения встроенных систем для выполнения задач на основе сверточных нейронных сетей

4.3 Результаты подбора технологических параметров диагностической платформы на базе БПЛА в режиме реального времени

4.4 Результаты оценки влияния условий освещенности на точность работы системы

4.5 Результаты оценки производительности диагностической платформы на базе NavQPlus

4.6 Результаты сравнения распознанных и реальных случаев заболеваний пшеницы на изображениях

4.7 Результаты формирования карты-задания

4.8 Выводы по главе

5 ЭКОНОМИЧЕСКАЯ ОЦЕНКА ЭФФЕКТИВНОСТИ РЕАЛИЗАЦИЯ СИСТЕМ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ МОНИТОРИНГА И ДИАГНОСТИКИ ЗАБОЛЕВАНИЙ ПШЕНИЦЫ С ПОМОЩЬЮ БПЛА В РЕАЛЬНОМ ВРЕМЕНИ

5.1 Расчет затрат и прибыли на технологии ручного обнаружения

5.2 Расчет затрат и прибыли на технологии с применением

диагностической платформы

5.3 Выводы по главе 5 214 ЗАКЛЮЧЕНИЕ 216 БИБЛИОГРАФИЧЕСКИЙ СПИСОК

Введение диссертации (часть автореферата) на тему «Разработка диагностической платформы на базе БПЛА для определения заболеваний растений на основе глубокого обучения»

ВВЕДЕНИЕ

Актуальность темы. Развитие аграрной науки в Российской Федерации приобретает особую значимость в условиях современных вызовов, связанных с обеспечением продовольственной безопасности и устойчивым развитием сельского хозяйства. Утвержденная Министерством сельского хозяйства РФ «Концепция развития аграрной науки» ставит задачу внедрения высокотехнологичных решений и научных подходов для повышения эффективности производства и защиты растений. Важным направлением становится разработка методов фитосанитарной диагностики, позволяющих обеспечить оперативное выявление и контроль заболеваний растений. В условиях реализации Доктрины продовольственной безопасности Российской Федерации перед аграрной отраслью стоит задача разработки эффективных технологий, способных предотвратить потери урожая. Использование современных инструментов, таких как системы искусственного интеллекта и машинного обучения, открывает новые возможности для анализа изображений и точной диагностики фитопатологий, что способствует повышению продуктивности сельскохозяйственного производства. Потери урожая от болезней в мире достигают до 35%, что эквивалентно 75 миллиардам долларов, и Россия также сталкивается с такими вызовами. Таким образом, исследования данной работы актуальны и соответствуют приоритетам Стратегии научно-технического развития России, направленной на создание экологически чистого и высокопродуктивного арго- и аквахозяйства. Разработка методов диагностики с использованием БПЛА и технологий глубокого обучения способствует снижению потерь урожая и сокращению применения химических средств защиты растений. Работа выполнена в соответствии с научно-исследовательской программой «Разработка сервиса для мобильной диагностики заболеваний растений с помощью технологии обучения глубоких нейронных сетей» (рег. №

624030600042-3) на 2021-2023 гг. на кафедре мехатронных систем и машин аграрного производства ФГБОУ ВО Башкирский ГАУ.

Степень разработанности темы. Проведенный анализ научной литературы показал, что значительный вклад в разработку методов диагностики и мониторинга заболеваний сельскохозяйственных растений внесли такие исследователи, как Н.И. Воронин, А.В. Гаврилов, А.С. Ковальчук, а также зарубежные ученые, включая J. Smith, M. Johnson, T. Wang и других. В их трудах рассмотрены различные аспекты применения современных технологий для выявления и эффективного управления фитопатологическими состояниями растений, что послужило основой для дальнейшего развития этой области и направления настоящего исследования. Ученые А.С. Дорохов, В.И. Беляев, Е.В. Труфляк, Р.К. Курбанов, А.В. Сибирёв, Н. В. Бышов, К. Н. Дрожжин, А. А. Симдянкин, И. А. Успенский и другие активно занимаются разработкой инновационных подходов в автоматизации и оптимизации агротехнических процессов, продвигая и поддерживая исследования в сфере применения машинного обучения в механизации сельского хозяйства.

Цель работы Повышение эффективности выявления и диагностирования фитопатологических заболеваний пшеницы с использованием технологий глубокого обучения и беспилотных летательных аппаратов в системе точного земледелия.

Объект исследования. Диагностическая платформа на базе БПЛА для выявления фитопатологических заболеваний пшеницы.

Предмет исследования. Закономерности и зависимости влияния технических характеристик камеры видимого спектра, технологических параметров работы диагностической платформы на базе БПЛА, а также архитектурных свойств нейронных сетей на качество детекции фитопатологических заболеваний сельскохозяйственных растений.

Методология и методы исследования. Основные результаты диссертационной работы получены на основе применения принципов искусственного интеллекта и методов компьютерного зрения, теории

машинного обучения, а также использования глубоких нейронных сетей для распознавания образов. Исследование базируется на методах математического и компьютерного моделирования для оптимизации параметров полета БПЛА и обработки данных, а также теории автоматизированных систем управления для мониторинга сельскохозяйственных культур. Для обработки данных и разработки программ использовались пакеты прикладных программ: Autodesk Fusion, MAGNET Office, PyCharm, Visual Studio Code для разработки, Excel для структурирования данных, MATLAB и Python для моделирования и анализа, R для статистических тестов и визуализации.

Научная новизна исследований:

- разработана диагностическая платформа на базе БПЛА с интеграцией технологии глубокого обучения, позволяющая выявлять заболевания пшеницы на ранних стадиях и составлять карты-задания для дифференцированной обработки посевов;

- определены и обоснованы технологические параметры работы диагностической платформы на базе БПЛА для обнаружения заболеваний пшеницы, что позволяет повысить точность и эффективность мониторинга посевов за счет оптимизации высоты, скорости полета и пространственного разрешения камеры с учетом внешних факторов.

- обучена модель сверточной нейронной сети для детекции заболеваний пшеницы: бурой ржавчины, септориоза, желтой ржавчины и плесени.

Практическая значимость исследований заключается в том, что на основе полученных результатов обоснованы подходы и разработана методика, обеспечивающая своевременное обнаружение фитопатологических заболеваний пшеницы, что способствует снижению потерь урожая и повышению эффективности управления сельскохозяйственным производством. Разработанный диагностический модуль на базе БПЛА позволяет не только выявлять заболевания растений на ранних стадиях, но и составлять карты-задания для дифференцированной обработки посевов

химическими и биологическими препаратами, что оптимизирует процесс защиты растений и повышает рентабельность агротехнологий.

Реализация результатов исследований. В ходе диссертационного исследования диагностическая платформа прошла испытания и внедрена в ООО «Агрофирма «Старт» в Буздякском районе Республики Башкортостан, а также применяется в компании ООО НПП «Биосфера» для диагностики заболевания зерновых сельскохозяйственных культур (приложение Б).

Вклад автора в проведенное исследование состоит во включенном участии на всех этапах, непосредственном участии в получении исходных данных и научных экспериментах, личном участии в апробации результатов исследований в научных конференциях. Автором лично разработаны архитектура моделей и алгоритмы их обучения, что позволило значительно повысить точность и оперативность выявления фитопатологических заболеваний в полевых условиях; проведен анализ результатов экспериментов с использованием современных статистических методов и пакетов прикладных программ. При личном участии автора проведена адаптация разработанных методов и моделей для их практического использования в сельскохозяйственных предприятиях.

Апробация работы. Основные положения и результаты исследований доложены и одобрены на национальной научно-практической конференции молодых ученых «Наука молодых - инновационному развитию АП» (г. Уфа, 2019 г., 2021 г., 2023 г.), международной научно-практической конференции «Современное состояние, традиции и инновационные технологии в развитии АПК» (г. Уфа, 2020 г., 2021 г. 2023 г.), Всероссийской национальной научно-практической конференции с международным участием «Профессиональное самоопределение молодежи инновационного региона: проблемы и перспективы» (г. Красноярск, 2023 г.), международной научно-практической конференции «Инновационные технологии как фактор развития» в рамках Международной специализированной выставки «Агрокомплекс-2024» (г. Уфа, 2024 г.), круглом столе «Применение беспилотных летательных

аппаратов в сельском хозяйстве» в рамках выставки «Тюмень Агро-2024» (г. Тюмень, 2024 г.), в форуме Евразийского НОЦ «Наука и индустрия. Стратегия - 2030» (г. Уфа, 2024 г.). Этапы работ были поддержаны конкурсом научных проектов «УМНИК ТЕХНЕТ» 2021 «Разработка сервиса для мобильной диагностики заболеваний растений с помощью технологии обучения глубоких нейронных сетей» (приложение В).

Публикации. По теме диссертационной работы опубликовано 17 печатных работ, в том числе в рецензируемых российских и международных научных изданиях - 4, получены 5 свидетельств о государственной регистрации программы для ЭВМ. Общий объем публикаций составляет 9,7 п.л., из них автору принадлежат 5,12 п.л.

Структура и объём работы. Диссертация изложена на 263 страницах машинописного текста и содержит введение, пять глав, выводы и приложения. Список использованной литературы включает 249 источников, 62 из которых на иностранном языке. Диссертация содержит 30 таблиц, 103 рисунок и иллюстраций, 1 приложения.

Научные положения, выносимые на защиту:

1. Теоретическое обоснование математической модели функционирования диагностической платформы на базе БПЛА с интеграцией технологий глубокого обучения.

2. Теоретическое и экспериментальное обоснование методики оптимизации параметров полета БПЛА (высота, скорость) и пространственного разрешения съемки.

3. Экспериментальная оценка эффективности работы сверточной нейронной сети для детекции и классификации фитопатологических заболеваний пшеницы (бурая ржавчина, септориоз, желтая ржавчина и плесень) на основе данных RGB-изображений.

4. Технико-экономическая оценка эффективности разработанной диагностической платформы на базе БПЛА для определения заболеваний растений на основе глубокого обучения.

1 ОБЗОР СОСТОЯНИЯ НАУЧНОГО ВОПРОСА И ФОРМУЛИРОВАНИЕ ЗАДАЧ ИССЛЕДОВАНИЯ 1.1 Анализ основных видов заболеваний пшеницы

Пшеница (ТгШсит aestivum) — важнейшая глобальная зерновая культура, обеспечивающая основной источник калорий и растительного белка в рационе человека [154]. В 2023 году мировое производство пшеницы составило 780 млн тонн, демонстрируя устойчивый рост даже в условиях глобальных вызовов [168]. Для обеспечения продовольственной безопасности в будущем требуется увеличение производства пшеницы, особенно с учетом роста населения до более чем девяти миллиардов человек к 2050 году.

Пшеница подвержена значительным потерям урожая из-за фитопатогенов и вредителей. Ежегодно более 35% мирового урожая уничтожается вследствие этих факторов [216]. Важность своевременной диагностики заболеваний усложняется схожестью симптомов различных заболеваний и их одновременным проявлением.

В данном исследовании основное внимание уделено желтой ржавчине, вызываемой грибом РисЫша strиformis. В России это заболевание может привести к потерям урожая до 50%, особенно в центральных и южных регионах [198, 98]. Борьба с желтой ржавчиной включает использование устойчивых сортов и фунгицидов, что может существенно снизить потери урожая. Несмотря на сложность борьбы с этим заболеванием, устойчивые сорта и фунгициды могут значительно снизить его влияние на урожайность.

Желтая ржавчина характеризуется появлением желто-оранжевых урединиальных пустул на молодых листьях, которые затем развиваются в полосы, становясь патогномоничными симптомами болезни. На поздних стадиях патогенеза появляются некротические повреждения с черными склероциальными структурами. Эти склероциальные тельца часто имеют продолговатую форму и варьируются от 0,2 до 0,7 мм в длину и 0,1 мм в

ширину [151]. На рисунке 1.1 представлены морфологические признаки желтой ржавчины на листьях.

Рисунок 1.1 - Пример симптомов желтой ржавчины, включая черную телию на листьях слева и оранжевую урединию справа Ранняя диагностика желтой ржавчины является критически важной для эффективного фитосанитарного контроля заболевания [Ошибка! Источник с сылки не найден.]. Выявление патогномоничных симптомов, таких как желто-оранжевые пустулы и некротические повреждения с черными склероциальными структурами, позволяет своевременно применять агротехнические меры контроля, такие как фунгициды и селекционные сорта с генетической устойчивостью к патогену [49, 21].

Следующим заболеванием, которое мы включаем в нашу работу, является септориозная пятнистость листьев, также известная как септориоз, вызываемая аскомицетным грибом Zymoseptoria 1хШш (ранее известным как MycosphaereПa grammicola) [33].

Септориозная пятнистость считается наиболее опасным заболеванием озимой пшеницы в России [Ошибка! Источник ссылки не найден.]. Она и меет важное значение для рекомендаций по выбору сортов и селекционных программ, отчасти из-за её способности вызывать значительные потери урожая, а также из-за сложности борьбы с ней с помощью фунгицидов. В настоящее время Zymoseptoria 1хШш обладает устойчивостью к азоловым

фунгицидам, а также к фунгицидам QOI и SDHI, что усложняет её контроль [123].

Данное заболевание вызывает инфекции по всей территории России, с наибольшим риском в районах с большим количеством осадков. Потери урожая могут достигать до 50%, что существенно влияет на качество зерна [87].

Снижение потерь урожая во многом зависит от выведения устойчивых сортов пшеницы и благоприятных погодных условий, таких как засушливое лето. Стратегии контроля включают использование устойчивых сортов и инновационных фунгицидов, поскольку традиционные фунгициды уже не так эффективны против Zymoseptoria Шйш.

Симптомы септориозной пятнистости включают появление на листьях некротических пятен с темной каймой (рисунок 1.2) [34]. Эти пятна часто сливаются, приводя к значительному некрозу листьев и снижению фотосинтетической активности растений. В результате этого, урожайность и качество зерна существенно снижаются.

Рисунок 1.2 - Септориозная пятнистость листьев При септориозной пятнистости на листьях появляются длинные овальные пятна, ограниченные жилками листа, что придаёт им прямоугольную форму. Незрелые пятна проявляются как некротические ткани коричневого цвета. По мере их созревания формируются маленькие черные плодовые тела, называемые пикнидиями (рисунок 1.2). Эти пикнидии меньше, чем телии желтой ржавчины, их диаметр составляет примерно 0,06-0,2 мм, и

они почти сферической формы [45]. При высоком уровне инфекции пятна могут сливаться, образуя большие некротические коричневые участки на листе.

Весной и летом, когда наблюдаются оптимальные температуры 15-20°С, происходит большинство инфекций септориозом. Пикнидоспоры играют ключевую роль в распространении заболевания [39]. После заражения симптомы проявляются через латентный период, который составляет от двух до четырёх недель.

Желтая ржавчина и септориоз могут вызывать проблемы для патолога при оценке из-за их схожего внешнего вида на определённых стадиях их жизненного цикла [225]. До споруляции оба заболевания формируют пятна с жёлтыми или светло-коричневыми некротическими участками на инфицированных листьях. В большинстве областях России урединиальная стадия желтой ржавчины формируется на несколько недель раньше пикнидиальной стадии септориоза [68]. Хотя эти две стадии явно различимы, на поздних стадиях инфекции желтой ржавчины, когда формируются чёрные телии, их трудно отличить от зрелых пятен септориоза, которые образуются примерно в то же время [217]. Телии желтой ржавчины поверхностно схожи с пикнидиями септориоза, что создаёт проблемы даже для опытных патологов, особенно когда у них ограничено время для тщательного осмотра каждого участка. Это может привести к ошибкам при оценке сортов пшеницы и выборе вариантов лечения.

К дальнейшему усложнению проблемы диагностики заболеваний пшеницы добавляется еще одно важное заболевание — бурая ржавчина, вызываемая грибом Рисста Мйста [173]. Бурая ржавчина образует на листьях пшеницы оранжево-коричневые пустулы.

На ранних стадиях пустулы бурой ржавчины похожи на начальные симптомы желтой ржавчины, имея более светлый оранжевый цвет, что часто приводит к путанице между этими двумя заболеваниями. Позднее в сезоне, когда инфекция прогрессирует, цвет пустул бурой ржавчины становится

темнее, и они остаются разбросанными по листу случайным образом, что облегчает различение этих двух заболеваний (рисунок 1.3).

Рисунок 1.3 - Признаки бурой ржавчины Бурая ржавчина активна при температуре от 7 до 25°C, что шире температурного диапазона, чем у желтой ржавчины, и требует наличия влаги на поверхности листьев для прорастания спор [113]. Споры распространяются ветром, и заражение в России часто происходит в середине-конце лета из-за оптимальных температур и уровней влажности.

Следующим распространенным заболеванием является плесень на листьях пшеницы, которая представляет собой значительную угрозу для урожая, снижая фотосинтетическую активность растений и ухудшая качество зерна, вызывается различными видами грибов, включая Fusarium spp., Alternaria spp. и Aspergillus spp., симптомы включают появление на листьях, стеблях или колосьях характерного налета, который может быть белым, серым, черным или зеленым как представлена на рисунке 1.4 [26, Ошибка! И сточник ссылки не найден.].

Рисунок 1.4 - Плесень пшеницы

Это поражение часто сопровождается гниением и разложением тканей растения. Заболевание часто наблюдается при высокой влажности и умеренных температурах [221].

Многие заболевания развиваются при схожих климатических условиях, таких как высокая влажность и умеренные температуры. Это может привести к одновременному проявлению нескольких заболеваний, что усложняет их диагностику. Патогены могут мутировать, что приводит к изменению их вирулентности и способности заражать новые сорта пшеницы. Это требует постоянного обновления знаний и методов диагностики. Симптомы заболеваний могут проявляться по-разному в зависимости от сорта пшеницы, условий окружающей среды и стадии развития растения. Это делает стандартные методы диагностики менее надёжными. В полевых условиях у агрономов и фермеров часто ограничено время для тщательного осмотра каждого участка. Это увеличивает риск ошибок в идентификации заболеваний. Использование методов искусственного интеллекта (ИИ) и глубокого обучения (Deep Learning) может значительно повысить точность и эффективность диагностики заболеваний пшеницы.

1.2 Анализ существующих методов диагностики болезней растений

Диагностика, в контексте фитопатологии, представляет собой процесс распознавания причин патологического состояния растений и установление диагноза с использованием различных методов исследования [82, 43]. В данной главе рассматриваются основные методы диагностики заболеваний сельскохозяйственных культур, представленные научными исследователями на текущем этапе развития науки (рисунок 1.5).

Рисунок 1.5 - Схематический обзор методов обнаружения патогенов растений, обсуждаемых в этом обзоре Рисунок 1.5 демонстрирует разнообразие методов диагностики заболеваний растений, начиная от традиционных до высокотехнологичных подходов. Культивационные методы, такие как морфологическая, микроскопическая и биохимическая диагностика, представляют собой основы фитопатологии, обеспечивая фундаментальные знания о микробах и клеточных структурах растений [88, 38]. Эти методы позволяют выявить и изучить патогены, но требуют значительного времени и ресурсов.

С развитием науки, иммунологические методы, такие как иммуноферментный анализ (ИФА) и латеральный флоу-анализ (ЛФА), предоставляют более быстрые и точные способы обнаружения специфических антигенов, что делает их эффективными для широкого применения в сельском хозяйстве [86, 105]. Одновременно с этим методы амплификации нуклеиновых кислот, включая полимеразная цепная реакция (ПЦР) и его вариации, позволяют не только детектировать, но и количественно оценивать наличие

патогенов на уровне дезоксирибонуклеиновая кислота (ДНК) и рибонуклеиновая кислота (РНК), что существенно повышает точность диагностики [50, 122].

Гибридизация нуклеиновых кислот, с применением макро- и микроматриц, а также технологии CRISPR-Cas, открывает новые горизонты для генетической диагностики, позволяя находить и редактировать конкретные генетические последовательности [6]. Эти методы поддерживаются неинвазивными технологиями, такими как дроны и камеры, которые обеспечивают мониторинг состояния растений без непосредственного контакта, что особенно важно для больших сельскохозяйственных угодий.

Важное место занимают биосенсоры, которые интегрируют биохимические данные с электронными системами, позволяя быстро передавать и анализировать информацию о состоянии растений [24]. В завершение, методы секвенирования, такие как ампликонное и метагеномное секвенирование, предлагают самые современные решения для комплексного анализа патогенов, предоставляя глубокое понимание их генетического состава и поведения. Эти технологии поддерживаются неинвазивными методами, такими как использование дронов и камер, которые позволяют мониторить состояния растений на больших площадях без непосредственного контакта, что особенно актуально в условиях крупномасштабного сельского хозяйства [Ошибка! Источник ссылки не найден.].

На этом фоне все большее значение приобретают методы, сочетающие дистанционное зондирование с возможностями глубокого обучения. Беспилотные летательные аппараты (БПЛА), оснащенные высокоточными сенсорами, собирают данные, которые затем анализируются с помощью алгоритмов глубокого обучения. Это позволяет не только оперативно обнаруживать заболевания на ранних стадиях, но и прогнозировать их распространение, что делает возможным принятие более обоснованных решений в управлении сельскохозяйственными угодьями [35]. Таким образом, интеграция БПЛА и глубокого обучения становится важным инструментом в

современной фитопатологии, обеспечивая новый уровень эффективности в диагностике и мониторинге здоровья растений.

1.3 Технологии и технические средства дистанционного мониторинга заболеваний сельскохозяйственных растений

Конспект зарубежной и отечественной литературы, а также диссертационное исследование Дмитрия Олеговича Хорта демонстрируют, что классификация средств дистанционного получения информации по физическому принципу подразделяется на шесть групп [120, 106] (рисунок 1.6).

RGB Мультиспектральный Гиперспектральный

Тепловой Флуоресценция Лидарный

Рисунок 1.6 - Обзор современных сенсорных технологий, используемых для автоматического обнаружения и идентификации взаимодействий растения На рисунке 1.6 представлены различные средства получения информации, которые обладают уникальными характеристиками, влияющими на их эффективность в различных условиях. Тепловые инфракрасные камеры менее зависимы от погодных условий, в то время как RGB и стереокамеры

более чувствительны [17, 127]. Дальность действия и разрешение различаются у различных технологий. Например, лидары и радары обычно имеют большую дальность действия, но различаются по разрешению. Алгоритмы распознавания варьируются, включая сверточные нейронные сети, алгоритмы стереозрения и глубокое обучение. Важно отметить различия в распознавании перекрываемых объектов и стоимости сенсоров. Выбор конкретного средства следует проводить, учитывая требования задачи, условия работы, точность и финансовые ограничения [1, 95].

На рисунке 1.7 представлены платформы и оптические сенсоры для обнаружения вирусных заболеваний растений.

Рисунок 1.7 - Платформы и оптические сенсоры для обнаружения вирусных

заболеваний растений Рисунок 1.7 показывает платформы и оптические сенсоры для обнаружения вирусных заболеваний растений [48]. Платформы классифицируются по высоте и пространственному разрешению: спутники низкой околоземной орбиты (180-2000 км) охватывают большие площади с

низким разрешением, а самолеты (0,5-2,5 км) обеспечивают баланс между охватом и разрешением. Беспилотные летательные аппараты (БПЛА, <0,12 км) предоставляют высокое разрешение, но ограниченный охват, а наземные устройства и ручные сенсоры обеспечивают самое высокое разрешение с минимальной зоной покрытия.

Оптические сенсоры классифицируются по типу обнаружения в разных частях электромагнитного спектра: RGB-сенсоры (400-700 нм) захватывают видимый свет, мультиспектральные сенсоры (400-1000 нм) работают в видимом и ближнем инфракрасном спектре, гиперспектральные сенсоры (4002500 нм) охватывают от видимого до коротковолнового инфракрасного спектра [109, 63, 94]. Тепловые сенсоры измеряют инфракрасное излучение (7000-15000 нм), полезное для оценки температуры и стресса растений [64, 53].

Эти сенсоры позволяют проводить диагностику на разных уровнях пространственного разрешения. Спутники обеспечивают данные для крупномасштабного мониторинга, БПЛА предоставляют высокое разрешение для локального анализа, а наземные устройства и ручные сенсоры — детальный осмотр конкретных растений. Однако оптические сенсоры создают большой объем данных, требующих тщательного анализа с помощью методов искусственного интеллекта для точной диагностики заболеваний [25, 111].

Контактные датчики представляют собой еще одну важную категорию инструментов для оценки состояния растений. В зарубежных исследованиях флуоресцентные датчики хлорофилла (Chl-Fl) показали свою эффективность в оценке здоровья растений и раннем выявлении стресса, включая вирусные инфекции [155]. Эти датчики позволяют использовать как активные методы, так и пассивное измерение флуоресценции хлорофилла под воздействием солнечного света, что делает их полезными для дистанционного мониторинга стресса растений. Тепловизионные датчики, широко применяемые в точном земледелии, также доказали свою эффективность. Например, использование термографии позволило выявить вирус табачной мозаики за восемь часов до

Список литературы диссертационного исследования кандидат наук Мифтахов Ильнур Ринатович, 2025 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Аббасов И. Б., Дешмух Р. Р. Распознавание изображений сельскохозяйственных культур, растений и лесных массивов //Известия Южного федерального университета. Технические науки. - 2020. - №. 3 (213). - С. 202 -212.

2. Андриянов Н. А., Дементьев В. Е., Ташлинский А. Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана-Пирсона к детекторам на базе нейронных сетей EfficientDet //Компьютерная оптика. -2022. - Т. 46. - №. 1. - С. 139-159.

3. Андрюков Б. Г. и др. Рамановская спектроскопия-современная диагностическая технология для изучения и индикации возбудителей инфекций (обзор) //Современные технологии в медицине. - 2019. - Т. 11. - №. 4. - С. 161-174.

4. Андряков Д. А., Кладко С. Г., Рубин Д. Т. Способ и система обработки зон посева сельскохозяйственных культур на основании данных мониторинга. - 2018.

5. Антонов, С. А. Методы улучшения оценки поведения физических лиц с помощью камер видеонаблюдения в интеллектуальном пункте пропуска / С. А. Антонов, М. М. Заславский // Интеллектуальный пункт пропуска в России и мире: компетентностный подход к созданию: Сборник докладов Всероссийской практической конференции, Санкт-Петербург, 10-11 февраля 2022 года. - Санкт-Петербург: Санкт-Петербургский государственный электротехнический университет "ЛЭТИ" им. В.И. Ульянова (Ленина), 2022. -С. 66-69. - EDN SDYLJV.

6. Антонюк М. З., Терновская Т. К. Использование геномной in situ гибридизации для цитогенетического изучения мягкой пшеницы Triticum aestivum L. и ее сородичей //Цитология и генетика. - 2001. - Т. 35. - №. 2. - С. 67-76.

7. Ариничев И. В. Искусственный интеллект в управлении бизнес-процессами зернового производства //ББК 41/42 О14. - 2023. - С. 14.

8. Арбузов, А. П. Информационное обеспечение наведения БПЛА на искомый объект зернового элеватора с использованием технологий нейронных сетей / А. П. Арбузов, В. О. Новицкий // Информационно -аналитические и интеллектуальные системы для производства и социальной сферы : Сборник статей всероссийской межвузовской научно-практической конференции молодых учёных, Москва, 24 ноября 2022 года / Российский биотехнологический университет. - Курск: Закрытое акционерное общество "Университетская книга", 2022. - С. 40-49. - EDN JUDNHS.

9. Асанова, А. М. Обзор технологий машинного обучения VGG16, ResNet, Keras, Tensorflow для распознавания изображений / А. М. Асанова // Внедрение передового опыта и практическое применение результатов инновационных исследований : Сборник статей Международной научно-практической конференции, Волгоград, 20 мая 2020 года. - Волгоград: Общество с ограниченной ответственностью "Аэтерна", 2020. - С. 13-19. -EDN CSIBDN.

10. Баженова, С. А. Комплексное решение проблемы распространения борщевика Сосновского с использованием беспилотных летательных аппаратов / С. А. Баженова, А. А. Баженова // Новейшие исследования в современной науке: опыт, традиции, инновации : Сборник научных статей по материалам XIII Международной научной конференции, Morrisville, NC, USA, 25-26 января 2022 года. - Morrisville: Lulu Press Inc., 2022. - С. 7-10. - EDN KIBKAK.

11. Бажунов, И. Д. Реализация сверточной нейронной сети в приложении по определению болезней древесных пород и кустарников / И. Д. Бажунов, А. К. Бойцов // Актуальные вопросы лесного хозяйства : материалы VI международной молодежной научно-практической конференции, Санкт-Петербург, 10-11 ноября 2022 года / Санкт-Петербургский государственный лесотехнический университет имени С.М. Кирова. - Санкт-Петербург:

Общество с ограниченной ответственностью «Реноме», 2022. - С. 199-203. -EDN WJAYQC.

12. Бондаренко В. А., Попов Д. И. Исследование и разработка алгоритмов к формированию эффективного ансамбля сверточных нейронных сетей для классификации изображений //Программные системы и вычислительные методы. - 2024. - №. 1. - С. 48-67.

13. Бычков А. Г., Киселёва Т. В., Маслова Е. В. Использование сверточных нейросетей для классификации изображений //Вестник Сибирского государственного индустриального университета. - 2023. - №. 1 (43). - С. 39-49.

14. Бьенвеню М. М. Н. и др. Разработка нейросетевого метода в задаче классификации и распознавании изображения //Современные информационные технологии и ИТ-образование. - 2021. - Т. 17. - №. 3. - С. 507-518.

15. Вавиловские чтения - 2023 : Сборник статей Международной научно-практической конференции, посвященной 136-летию со дня рождения академика Н.И. Вавилова, Саратов, 23-25 ноября 2023 года. - Саратов: Саратовский государственный университет генетики, биотехнологии и инженерии имени Н.И. Вавилова, 2023. - 662 с. - ISBN 978-5-7011-0837-8. -EDN UAKIJX.

16. Васильев В. И. и др. Обеспечение информационной безопасности киберфизических объектов на основе прогнозирования и обнаружения аномалий их состояния //Системы управления, связи и безопасности. - 2021. -№. 6. - С. 90-119.

17. Вечерков, В. В. Исследование возможности использования БПЛА для идентификации состояния посевов сельскохозяйственных культур / В. В. Вечерков, Е. А. Дунаева // Агрохимическое обеспечение цифрового земледелия : Материалы Международной научной конференции, Москва, 0102 октября 2019 года / Под редакцией В.Г. Сычева. - Москва: Всероссийский

научно-исследовательский институт агрохимии имени Д.Н. Прянишникова, 2019. - С. 16-21. - DOI 10.25680/VNIIA.2019.34.57.008. - EDN SDGDZE.

18. Вибе Е. Д. СЕКЦИЯ № 10. Системы автоматизированного проектирования и интеллектуальные системы автоматики //Г12 Гагаринские чтения-2016: XLII Международная молодёжная научная конференция: Сборник тезисов докладов: В 4 т. М.: Московский авиационный институт (национальный исследовательский университет), 2016. - 2016. - Т. 12. - С. 327.

19. Вичужанин А. Ю., Марков Е. М. Обзор решений задачи обнаружения объекта при помощи глубокого обучения //Информационные технологии в науке, промышленности и образовании. - 2021. - С. 234-246.

20. Вялышев А. И. и др. Волоконно-оптические датчики для контроля параметров состояния объектов и окружающей среды в задачах мониторинга //Природообустройство. - 2014. - №. 3. - С. 32-37.

21. Гаврилов, А. А. Фитосанитарная диагностика болезней растений : учеб. пособие для студентов агрон. спец. / А. А. Гаврилов, А. П. Шутко, А. Г. Марюхина ; А. А. Гаврилов, А. П. Шутко, А. Г. Марюхина ; М-во сел. хоз-ва Рос. Федерации, ФГОУ ВПО Ставроп. гос. аграр. ун-т. - Ставрополь : АГРУС, 2004. - 75 с. - ISBN 5-9596-0069-2. - EDN QKWFQP.

22. Галиуллин, Р. Р. К вопросу разработки систем параллельного вождения машинно-тракторным агрегатом / Р. Р. Галиуллин, З. Р. Юлмухаметов, Р. Р. Ахмаров // Современное состояние, традиции и инновационные технологии в развитии АПК : Материалы международной научно-практической конференции, посвященной 90-летию Башкирского государственного аграрного университета (в рамках XXX международной специализированной выставки «Агрокомплекс-2020»), Уфа, 17-20 марта 2020 года / Министерство сельского хозяйства российской федерации; Министерство сельского хозяйства Республики Башкортостан; Федеральное государственное бюджетное образовательное учреждение высшего образования «Башкирский государственный аграрный университет»; ООО

«Башкирская выставочная компания». - Уфа: Башкирский государственный аграрный университет, 2020. - С. 40-42. - ББК УОШХК.

23. Гараева, А. Р. Программный модуль интеллектуального анализа пространственно-временных данных для систем экстренных служб / М. Н. Бубнов, И. В. Аникин [и др.] // Вестник Технологического университета. -2018. - Т. 21, № 11. - С. 138-142. - ББК УиШСР.

24. Гильманов М. К. и др. Поиск источника и разработка способов получения биосенсора для определения Глютамата //Вестник КазНУ. Серия биологическая. - 2011. - Т. 48. - №. 2. - С. 113-118.

25. Годжаев З. А. и др. Ключевые технологии и прогноз развития сельскохозяйственной робототехники //Инновации в сельском хозяйстве. -2016. - №. 6. - С. 35-41.

26. Гришечкина Л. Д., Ишкова Т. И., Кунгурцева О. В. Фунгицид для защиты озимой пшеницы от комплекса инфекций //Защита и карантин растений. - 2013. - №. 6. - С. 46-49.

27. Демидчик, В. В. Феномика растений: фундаментальные основы, программно-аппаратные платформы и методы машинного обучения / А. Ю. Шашко, В. Ю. Бондаренко [и др.] // Физиология растений. - 2020. - Т. 67, № 3. - С. 227-245. - Б01 10.31857/80015330320030069. - ББК ОЬУШХ.

28. Демичев А. П., Щелканов А. И. Проектирование и разработка беспилотного летательного аппарата для мониторинга воздушного пространства на наличие взрывоопасных и ядовитых газов //Молодежь и современные информационные технологии. Сборник трудов XIII Международной научно. - 2016. - С. 221.

29. Джеббар Н., Бачири А., Бутабут Б. Трехмерный конечно-элементный анализ влияния ударной нагрузки от импактора переменной массы на распределение напряжений на поверхности" кость-имплантант" //Российский журнал биомеханики. - 2023. - Т. 27. - №. 1. - С. 10-21.

30. Дистанционный мониторинг посевов риса и алгоритм выявления неоднородностей / Е. В. Труфляк, С. И. Скубиев, В. В. Цыбулевский, Н. В.

Малашихин // Современные проблемы дистанционного зондирования Земли из космоса. - 2019. - Т. 16, № 3. - С. 110-124. - DOI 10.21046/2070-7401-201916-3-110-124. - EDN ZVGTNL.

31. Дуйсенбаева Д. Ш. и др. Отслеживание объектов на основе нейросетевой модели YOLO //Innovative developments and research in education.

- 2024. - Т. 3. - №. 30. - С. 432-434.

32. Дышеков, А. И. Разработка алгоритма и технического устройства для распознования сорняков / Г. И. Личман, И. Г. Смирнов, М. А. Шереужев // Инновации в сельском хозяйстве. - 2018. - № 3(28). - С. 288-294. - EDN SIUTFJ.

33. Евсеев, В. В. Пиренофороз пшеницы в лесостепи Южного Зауралья / В. В. Евсеев. - Белгород : Общество с ограниченной ответственностью Эпицентр, 2018. - 148 с. - ISBN 978-5-6040875-6-5. - EDN XUYHZB.

34. Евсеев, В. В. Септориозная пятнистость листьев зерновых культур в Зауралье / В. В. Евсеев // Зыряновские чтения : Материалы Всероссийской научно-практической конференции "XII Зыряновские чтения", Курган, 11-12 декабря 2014 года. - Курган: Курганский государственный университет, 2014.

- С. 207a-208. - EDN ZGRQIH.

35. Захаренко, В. А. Мониторинг фитосанитарного состояния агроэкосистем в связи с прогнозированием площадей обработок пестицидами в Российской Федерации / В. А. Захаренко // Агрохимия. - 2018. - № 12. - С. 3-21. - DOI 10.1134/S0002188118120128. - EDN VLZZPC.

36. Захаров Д. А. Разработка системы мониторинга состояния покрытия проезжей части : дис. - 2022.

37. Зацаринный А. А., Меденников В. И., Райков А. Н. Интеграция приложений искусственного интеллекта в единую цифровую платформу АПК //Информационное общество. - 2023. - №. 1. - С. 127-138.

38. Ижевский С. и др. (ред.). Защита тепличных и оранжерейных растений от вредителей. - Litres, 2022.

39. Иванцова, Е. А. Болезни зерновых колосовых культур / Е. А. Иванцова // Фермер. Поволжье. - 2015. - № 7(38). - С. 36-38. - ББК /СРБСИ.

40. Ильинов, Д. Е. Внедрение клетки Фарадея в строение теплиц / Д. Е. Ильинов, А. И. Иванов // Инновационные научные исследования в современном мире: теория, методология, практика : Сборник научных статей по материалам X Международной научно-практической конференции, Уфа, 07 марта 2023 года. - Уфа: Общество с ограниченной ответственностью "Научно-издательский центр "Вестник науки", 2023. - С. 60-63. - ББК MPWNWJ.

41. Использование беспилотной технологии внесения удобрений, гербицидной, инсектицидной и фунгицидной обработок при возделывании озимого ячменя / Е. В. Труфляк, Л. В. Назаренко, М. М. Ю. Даду [и др.] // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. - 2023. - № 185. - С. 139-156. - Б01 10.21515/1990-4665-185-010. - EDN HQWUPN.

42. Ишбулатов, М. Г. Создание электронных карт для ведения точного земледелия / М. Г. Ишбулатов, Э. И. Шафеева, И. Р. Мифтахов // Российский электронный научный журнал. - 2018. - № 4(30). - С. 206-216. - D0I 10.31563/2308-9644-2018-30-4-206-216. - EDN ХСЮХБ.

43. Ишкова, Т. И. Диагностика основных грибных болезней хлебных злаков / Л. И. Берестецкая, Е. Л. Гасич [и др.]. - Издание третье (исправленное). - Санкт-Петербург : Всероссийский научно-исследовательский институт защиты растений РАСХН, 2008. - 76 с. - EDN

ивош.

44. Калинин, И. Ю. Интеллектуальная система распознавания и мониторинга сорной растительности / Д. В. Яковлев, В. Е. Семенов, И. М. Соломонов // Информационные технологии, системный анализ и управление (ИТСАУ-2023) : Сборник трудов XXI Всероссийской научной конференции молодых ученых, аспирантов и студентов, Таганрог, 23-25 ноября 2023 года. - Таганрог: ДиректСайнс (ИП Шкуркин Д.В.), 2023. - С. 185-188. - EDN IPCFZW.

45. Каримов Н. Д. Мусаева Г. М соискатель Андижанский филиал Ташкентский Государственный аграрный университет //UDK: 15+ 370.153 Kurbanova Sh. N. the teacher of psychology of skill formation on physical education and sport in Ferghana branch. - 2019. - С. 126.

46. Касьянов, О. А. Сверточные нейронные сети / О. А. Касьянов, Н. Ш. Хусаинов // инновационные научные исследования: теория, методология, практика : сборник статей II международной научно-практической конференции, Пенза, 09 октября 2016 года. - Пенза: "Наука и Просвещение" (ИП Гуляев Г.Ю.), 2016. - С. 44-49. - EDN WPHVXL.

47. Кириллов Д. С., Молостов Д. Д. Способы предварительной обработки данных для прогнозирования с применением нейронных сетей //Фундаментальная и прикладная наука: актуальные вопросы теории и практики: сборник статей Междунар. научно-практ. конф. - 2023. - С. 45-47.

48. Коваленко А. А., Шаройко В. В., Казарцев И. А. Перспективы применения аптамеров в защите растений и растениеводстве //Вестник защиты растений. - 2022. - Т. 105. - №. 1. - С. 6-27.

49. Койшыбаев М. Ржавчина пшеницы-угроза продовольственной безопасности Планеты //Защита и карантин растений. - 2016. - №. 2. - С. 5052.

50. Кожабергенов Н. С. и др. Разработка дуплексной тест-системы пцр для дифференциальной диагностики септориоза пшеницы //Вестник КазНУ. Серия экологическая. - 2020. - Т. 63. - №. 2. - С. 63.

51. Костенко, Н. А. О применении технологии Big Data в сельском хозяйстве / Н. А. Костенко, Н. М. Костенко, А. В. Шемякин // Вестник Рязанского государственного агротехнологического университета им. П.А. Костычева. - 2024. - Т. 16, № 1. - С. 114-118. - DOI 10.36508/RSATU.2024.80.18.015. - EDN WCRQIF.

52. Комков С. А. Нейросетевое распознавание рукописных символов на изображениях низкого качества //Интеллектуальные системы. Теория и приложения. - 2017. - Т. 21. - №. 1. - С. 238-247.

53. Константинов, В. Н. Применение данных дистанционных спектральных изображений и тепловых инфракрасных сенсоров для определения вегетационных индексов, температуры почвы и растений с целью создания карты водного стресса растений хлопчатника. (США) / В. Н. Константинов // Инженерно-техническое обеспечение АПК. Реферативный журнал. - 2009. - № 1. - С. 115. - EDN JXBQYV.

54. Красильникова О. Г., Скороход Б. А. Алгоритмы обнаружения и слежения за движущимися объектами при помощи неподвижной видеокамеры //Интеллектуальные системы, управление и мехатроника-2018. - 2018. - С. 174-178.

55. Кузьмин, О. В. Создание модели беспилотного летательного аппарата типа биплан, использующей генетический алгоритм в полете, для помощи в решении проблемы пожаров в Иркутской области / О. В. Кузьмин, М. В. Лавлинский // Современные технологии. Системный анализ. Моделирование. - 2021. - № 3(71). - С. 185-192. - D0I 10.26731/1813-9108.2021.3(71).185-192. - EDN WALSSK.

56. Кузнецов П. Н., Котельников Д. Ю., Воронин Д. Ю. Технология автоматизированного мониторинга состояния виноградника //Аграрная наука. - 2023. - №. 3. - С. 109-116.

57. Курбанов, Р. К. Программное обеспечение для мониторинга и контроля показателей селекционных процессов посевов сои / О. М. Захарова, Н. И. Захарова, Д. М. Горшков // Инновации в сельском хозяйстве. - 2019. - № 3(32). - С. 122-132. - EDN GFSYIK.

58. Курейчик, В. М. Классификация методов решения задач компоновки на основе плотностного алгоритма DBSCAN / В. М. Курейчик, И. Б. Сафроненкова // Информационные технологии и математическое моделирование систем 2017 : Труды международной научно-технической конференции, Одинцово, Моск. обл., 20-22 ноября 2017 года. - Одинцово, Моск. обл.: Федеральное государственное бюджетное учреждение науки

Центр информационных технологий в проектировании Российской академии наук, 2017. - С. 98-104. - EDN YRROMD.

59. Кутырёв А. И. Распознавание и классификация болезней листьев яблони на основе анализа их изображений моделями сверточных нейронных сетей (CNN) //Вестник Ульяновской государственной сельскохозяйственной академии. - 2023. - №. 3 (63). - С. 215-223.

60. Курченко Н. Ю., Ильченко Я. А., Труфляк Е. В. Разработка программного обеспечения для обработки снимков, полученных с беспилотных летательных аппаратов //Краснодар: КубГАУ. - 2019.

61. Кыонг Н. Т., Тхуи Н. Ч. Х., Сырямкин В. И. Методы обнаружения образца на основе особенностей цветов и размеров в видеопотоках //Ресурсосберегающие технологии в контроле, управлении качеством и. -2021. - С. 139.

62. Левин А. О., Белов Ю. С. Использование генеративно-состязательных сетей для генерации изображений по тексту //В журнале представлены научные обзоры, статьи проблемного и научно-практического характера. - 2023. - С. 10.

63. Логашов, Д. О. Обзор методов обнаружения заболеваний растений по фотографии / Д. О. Логашов, А. И. Веселов // Обработка, передача и защита информации в компьютерных системах : Первая Всероссийская научная конференция, Санкт-Петербург, 14-22 апреля 2020 года. - Санкт-Петербург: Санкт-Петербургский государственный университет аэрокосмического приборостроения, 2020. - С. 246-250. - DOI 10.31799/978-5-8088-1452-3-20201-246-250. - EDN HYXXYB.

64. Лысов М. А., Турлапов В. Е., Лысов МА Т. В. Е. Гиперспектральные и тепловые изображения в ранней диагностике засухи растений пшеницы с помощью XAI //Информационные технологии и нанотехнологии (ИТНТ-2022): сб. тр. по материалам VIII Междунар. конф. и молодеж. шк.(г. Самара, 23-27 мая): в 5 т.-. - 2022.

65. Ляшов М. В. и др. Нейросетевая система отслеживания и распознавания объектов в видеопотоке //Современные наукоемкие технологии. - 2018. - №. 12-1. - С. 102-107.

66. Манкузо С. Революция растений. - Litres, 2019.

67. Маркин Е. И., Мартышкин А. И., Зупарова В. В. Анализ возможностей нейронных сетей для генерации фотореалистичных изображений //Современные информационные технологии. - 2021. - №. 33. -С. 33.

68. Матвеева И. П., Волкова Г. В. Желтая ржавчина пшеницы. Распространение, вредоносность, меры борьбы (обзор) //Вестник Ульяновской государственной сельскохозяйственной академии. - 2019. - №2. 2 (46). - С. 102116.

69. Махмутова, Ф. Т. Программный комплекс по обнаружению шаблонов совместного размещения пространственных данных, сконструированный на основе технологий распределенной обработки больших данных / Ф. Т. Махмутова // XXIII ТУПОЛЕВСКИЕ ЧТЕНИЯ (школа молодых ученых) : Международная молодёжная научная конференция: Материалы конференции. Сборник докладов: в 4 томах, Казань, 08-10 ноября 2017 года. Том II. - Казань: Издательство Академии наук РТ, 2017. - С. 786791. - EDN YUKWSJ.

70. Мельников А. В. и др. Нейросетевая модель для сегментации космических снимков в мониторинге факторов обезлесения территории //Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. - 2023. - Т. 23. -№. 3. - С. 5-15.

71. Минаев Е. Ю., Кутикова В. В., Никоноров А. В. Трекинг объектов в видеопотоке на основе сверточных нейронных сетей и фрактального анализа //Сборник трудов IV международной конференции и молодежной школы «Информационные технологии и нанотехнологии»(ИТНТ-2018)-Самара: Новая техника. - 2018. - С. 2792-2798.

72. Мифтахов, И. Р. Применение методов машинного обучения при оценке и картографирование растительного покрова в целях устойчивого развития городских территории / И. Р. Мифтахов, Л. Р. Мифтахова // Современное состояние, традиции и инновационные технологии в развитии АПК : материалы международной научно-практической конференции в рамках XXXIII Международной специализированной выставки «Агрокомплекс-2023», Уфа, 22-24 марта 2023 года / Министерство сельского хозяйства Российской Федерации; Министерство сельского хозяйства Республики Башкортостан; Федеральное государственное бюджетное образовательное учреждение высшего образования «Башкирский государственный аграрный университет»; АНО УК «Евразийский НОЦ Республики Башкортостан»; ООО «Башкирская выставочная компания». Том Часть 2. - Уфа: Башкирский государственный аграрный университет, 2023. -С. 276-283. - ББК ТАХ1БР.

73. Мифтахов, И. Р. Мониторинг сельскохозяйственных земель Республики Башкортостан с использованием геоинформационной системы / И. Р. Мифтахов, Л. Р. Ямашева // Кадастр недвижимости и мониторинг природных ресурсов : Материалы 2-й Международной научно-технической интернет-конференции, Тула, 20-27 декабря 2016 года. - Тула: Издательство Тульского ГУ, 2017. - С. 575-579. - ББК ХХАБШ.

74. Мифтахов, И. Р. Использование искусственного интеллекта в геоинформационной системе при математико-картографическом моделировании / И. Р. Мифтахов // NovaInfo.Ru. - 2016. - Т. 2, № 57. - С. 2730. - ББК ХБТООХ.

75. Мифтахов, И. Р. Использование данных дистанционного зондирования земли для оценки состояния сельскохозяйственных угодий / И. Р. Мифтахов // Уральская горная школа - регионам : сборник докладов международной научно-практической конференции, Екатеринбург, 11-12 апреля 2016 года. - Екатеринбург: Уральский государственный горный университет, 2016. - С. 278-279. - ББК ХБУА!У.

76. Мифтахов, И. Р. Методология использования беспилотных летательных аппаратов при съемке площадных и линейных объектов / И. Р. Мифтахов, М. Г. Ишбулатов, Э. И. Галеев // Наука молодых - инновационному развитию АПК : материалы IX Всероссийской научно-практической конференции молодых ученых, Уфа, 07 декабря 2016 года. - Уфа: Башкирский государственный аграрный университет, 2016. - С. 100-104. - EDN YMU0SB.

77. Мосягин, А. С. Прогнозирование заболеваемости сельскохозяйственных культур на основе искусственных нейросетей / А. С. Мосягин, В. Д. Бадов // Инновационные идеи молодых исследователей для агропромышленного комплекса : Сборник материалов Международной научно-практической конференции, Пенза, 24-25 марта 2022 года. Том II. -Пенза: Пензенский государственный аграрный университет, 2022. - С. 241244. - EDN EUVXC0.

78. Муаль М. Н. Б. и др. Разработка нейросетевого метода в задаче классификации и распознавании изображения //Современные информационные технологии и ИТ-образование. - 2021.

79. Мударисов С. Г., Мифтахов И. Р. Автоматическое обнаружение и идентификация болезней пшеницы с использованием методов глубокого обучения и применением дронов в режиме реального времени // Вестник Казанского государственного аграрного университета. 2024. №. 2. С. 90-104. D0I: https://doi.org/10.12737/2073-0462-2024-90-104 (дата обращения: 02.09.2024).

80. Надёжность электронных систем, обеспечивающих нейронные связи искусственного интеллекта в сель-скохозяйственном машиностроении / Т. А. Левина, А. В. Шемякин, Я. М. Клочков [и др.] // Вестник Ря-занского государственного агротехнологического университета им. П.А. Костычева. -2024. - Т. 16, № 3. - С. 141-150. - D0I 10.36508ZRSATU.2024.22.86.018. - EDN ШНКЖ.

81. Нгуен Т. К., Репецкий О. В., Рыжиков И. Н. Прогнозирование уровней напряжений в лопатках рабочих колес турбомашин с расстройкой параметров //Вестник ИрГСХА. - 2017. - №. 78. - С. 142-151.

82. Неменущая, Л. А. Цифровые технологии в фитопатологии / Л. А. Неменущая // Инновации в сельском хозяйстве. - 2019. - № 1(30). - С. 215221. - ББК ООУСУР.

83. Нгуен Т. К., Репецкий О. В., Рыжиков И. Н. Прогнозирование уровней напряжений в лопатках рабочих колес турбомашин с расстройкой параметров //Вестник ИрГСХА. - 2017. - №. 78. - С. 142-151.

84. Никифоров, Н. А. Использование электронных регуляторов оборотов в бесколлектроных двигателях беспилотных летательных аппаратах (БПЛА) / Н. А. Никифоров // Проблемы развития современного общества : Сборник научных статей 9-й Всероссийской национальной научно-практической конференции. В 3-х томах, Курск, 23-24 января 2024 года. -Курск: ЗАО "Университетская книга", 2024. - С. 432-434. - ББК ШНОЮ.

85. Острицова, В. А. Применение нейронных сетей в сельском хозяйстве как неотъемлемая часть инновационного развития отрасли / В. А. Острицова, В. В. Ткаченко // Наука в современном обществе: закономерности и тенденции развития : Сборник статей международной научно-практической конференции: в 2 частях, Уфа, 28 сентября 2016 года. Том Часть 1. - Уфа: Общество с ограниченной ответственностью "ОМЕГА САЙНС", 2016. - С. 4248. - ББК ^ОЯдЯ.

86. Павловская Н. Е., Солохина И. Ю., Лушников А. В. Создание тест-систем для идентификации фитопатогенов методом твердофазного иммуноферментного анализа //Биология в сельском хозяйстве. - 2015. - №. 4. - С. 7-11.

87. Павлюшин, В. А. Интегрированная защита озимой пшеницы / В. И. Долженко, А. М. Шпанев [и др.] // Защита и карантин растений. - 2015. - № 5. - С. 38-71. - ББК иУКШЯ.

88. Пантелеев С. В., Баранов О. Ю. Молекулярно-генетическая диагностика болезней культур Pleurotus ostreatus (Fr.) Kumm. и Lentinus edodes (Berk.) Sing. в условиях промышленного производства грибов. - 2009.

89. Петров М. Н. и др. Двухпроходная модель Feature-Fused SSD для детекции разномасштабных изображений рабочих на строительной площадке //Компьютерные исследования и моделирование. - 2023. - Т. 15. - №. 1. - С. 57-73.

90. Пеньковой М. А. Определение траектории движения объектов в видеопотоке //Редакционная коллегия Председатель редколлегии по направлению компьютерные технологии и управление-Бобцов Алексей. -2022. - С. 359.

91. Повышение энергоэффективности дронов в сельскохозяйственном производстве / А. А. Симдянкин, С. Н. Борычев, И. А. Успенский [и др.] // Известия Нижне-волжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. - 2022. - №2 1(65).

- С. 380-390. - DOI 10.32786/2071-9485-2022-01-37. - EDN KTJKIE.

92. Применение геоинформационных систем и дифференцированного распределения семян и удобрений при посеве озимой пшеницы / Н. В. Бышов, Д. О. Олейник, И. Ю. Богданчиков [и др.] // Вестник Ря-занского государственного агротехнологического университета им. П.А. Костычева. - 2020. - № 4(48). - С. 92-97. - DOI 10.36508/RSATU.2020.48.4.013.

- EDN SCHZMV.

93. Пономарев, Н. С. Анализ применения нейронной сети Inception-V3 для классификации видов борщевика / Н. С. Пономарев // Научное сообщество студентов XXI столетия. Технические науки: сборник статей по материалам CXXV студенческой международной научно-практической конференции, Новосибирск, 08 мая 2023 года. Том 5 (123). - Новосибирск: Общество с ограниченной ответственностью "Сибирская академическая книга", 2023. - С. 67-70. - EDN UTACZJ.

94. Раменская Е. В. и др. Классификация гиперспектральных изображений с использованием кластерной структуры данных //Современные проблемы дистанционного зондирования Земли из космоса. - 2017. - Т. 14. -№. 7. - С. 9-19.

95. Рахметова П., Исабеков Ж., Бектилевов А. Исследование системы управления движением манипулятора с помощью компьютерного зрения //Вестник КазАТК. - 2023. - Т. 129. - №. 6. - С. 319-326.

96. Рогачев А. Ф., Мелихова Е. В., Белоусов И. С. Исследование развития и продуктивности сельскохозяйственных культур с применением беспилотных летательных аппаратов //Известия Нижневолжского агроуниверситетского комплекса: наука и высшее профессиональное образование. - 2019. - №. 4 (56). - С. 329-339.

97. Результаты мониторинга почвенных неоднородно-стей на основе мультиспектральных снимков полей при утилизации незерновой части урожая в качестве удобрения / И. Ю. Богданчиков, Н. В. Бышов, К. Н. Дрожжин [и др.] // Вестник Рязанского государ-ственного агротехнологического университета им. П.А. Костычева. - 2020. - № 3(47). - С. 74-78. - DOI 10.36508/RSATU.2020.64.67.013. - EDN MVJIZE.

98. Санин, С.С., Воронцов, Д.Л., Шамшина, И.С., и др. (2015). "Эпифитотии желтой ржавчины пшеницы в Центральной России и особенности поведения возбудителя Puccinia striiformis." Зерновое хозяйство России, 1, 29-34.

99. Сабитов Б. Р., Сейтказиева Н. С., Картанова а. проблемы автоматики и управления //проблемы автоматики и управления Учредители: Институт машиноведения и автоматики НАН Киргизской Республики. - №. 3. - С. 135-144.

100. Свидетельство о государственной регистрации программы для ЭВМ № 2024619900 Российская Федерация. Программа для управления квадракоптером с использованием Pixhawk 4 и Tkinter на языке Python с интеграцией модели машинного обучения для обработки видеопотока : №

2024611711 : заявл. 31.01.2024 : опубл. 27.04.2024 / И. Р. Мифтахов, С. Г. Мударисов ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Башкирский государственный аграрный университет». - EDN TFRMXJ.

101. Свидетельство о государственной регистрации программы для ЭВМ № 2020662496 Российская Федерация. Автоматизированный процесс привязки изображений беспилотных летательных аппаратов к наземным контрольным точкам : № 2020661554 : заявл. 02.10.2020 : опубл. 14.10.2020 / И. Р. Мифтахов, Э. И. Шафеева, М. Г. Ишбулатов, А. В. Комиссаров ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Башкирский государственный аграрный университет». - EDN RIAVVW.

102. Свидетельство о государственной регистрации программы для ЭВМ № 2024616827 Российская Федерация. Система обнаружения болезней растений с помощью БПЛА : № 2024615439 : заявл. 14.03.2024 : опубл. 25.03.2024 / И. Р. Мифтахов. - EDN GZOHGZ.

103. Свидетельство о государственной регистрации программы для ЭВМ № 2019617610 Российская Федерация. Мониторинг растительного покрова на основе аэрокосмоснимков NDVI и нейронных сетей с использованием Java : № 2019613773 : заявл. 08.04.2019 : опубл. 18.06.2019 / И. Р. Мифтахов, Л. Р. Мифтахова, М. Г. Ишбулатов, А. В. Комиссаров ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Башкирский государственный аграрный университет». - EDN ZGHPVU.

104. Свидетельство о государственной регистрации программы для ЭВМ № 2023616427 Российская Федерация. Программа для автоматической семантической сегментации и классификации данных дистанционного зондирования Земли для сельского хозяйства на основе открытой нейросетевой библиотеки Keras на языке Python : № 2023615043 : заявл. 16.03.2023 : опубл. 27.03.2023 / И. Р. Мифтахов, Л. Р. Мифтахова, М. Г.

Ишбулатов ; заявитель Федеральное государственное бюджетное образовательное учреждение высшего образования «Башкирский государственный аграрный университет». - EDN ARGUUR.

105. Сельдимирова, О. А. Иммуноферментный анализ каллусов яровой мягкой пшеницы / С. В. Веселова, А. А. Катасонова [и др.] // Известия Челябинского научного центра УрО РАН. - 2007. - № 1. - С. 99-103. - EDN IBMJYF.

106. Смирнов И. Г. и др. Робототехнические средства в растениеводстве //Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. - 2016. - №. 118. - С. 1651-1660.

107. Симдянкин, А. А. Использование привязных дронов при проведении студенческих соревнований вузов различного профиля (технических, гуманитарных, спортивных, АПК) / А. А. Симдянкин // Вестник Ря-занского государственного агротехнологического университета им. П.А. Костычева. - 2023. - Т. 15, № 4. - С. 166-172. - DOI 10.36508/RSATU.2023.31.28.023. - EDN VDVKTA.

108. Симдянкин, А. А. Концепция выбора дрона для использования в туризме, включая rural tourism / А. А. Симдянкин // Вестник Рязанского государственного агротехнологического университета им. П.А. Костычева. -2022. - Т. 14, № 4. - С. 161-169. - DOI 10.36508/RSATU.2022.53.93.021. - EDN DZWCZY.

109. Соловченко А. Е. и др. Мониторинг изменений качества срезанных листьев салата по гиперспектральным оптическим изображениям //Фотон-экспресс. - 2019. - №. ВКВО. - С. 72-73.

110. Сорокин И. А. и др. Математическая модель обработки изображений опасных и вредоносных растений с камеры БПЛА //Вестник НГИЭИ. - 2023. - №. 5 (144). - С. 20-32.

111. Стребков, Д. С. Технологическая платформа "Фотоника" -стратегия развития точного аграрного производства / Д. С. Стребков, А. М.

Башилов, Ю. И. Кириенко // Вестник ВИЭСХ. - 2015. - № 1(18). - С. 60-66. -EDN POJWMH.

112. Старунский А. В. Основные принципы организации и конструирования системы управления автоматизированных машинно-тракторных агрегатов //Организационный комитет конференции Председатель. - С. 55.

113. Сюков, В. В. Листовая бурая ржавчина: фитопатологические и селекционно-генетические аспекты / В. В. Сюков. - Казань : Общество с ограниченной ответственностью "Бук", 2016. - 145 с. - ISBN 978-5-906873-552. - EDN XFZIDZ.

114. Тарасов Я. О. Квадрокоптеры: проектирование, конструирование и испытания //Известия Тульского государственного университета. Технические науки. - 2023. - №. 5. - С. 21-27.

115. Тимошкин М. С., Миронов А. Н., Леонтьев А. С. Сравнение YOLO V5 и Faster R-CNN для обнаружения людей на изображении в потоковом режиме //Международный научно-исследовательский журнал. - 2022. - №. 61 (120). - С. 137-146.

116. Тисецкий А. Т., Ковалев Д. И., Мансурова Т. П. Обзор методов сегментации и обнаружения объектов на изображении в реальном времени для предотвращения аварийных ситуаций РЖД //Современные инновации, системы и технологии. - 2022. - Т. 2. - №. 3. - С. 0101-0116.

117. Токарев К. Е. и др. Теория и цифровые технологии интеллектуальной поддержки принятия решений для увеличения биопродуктивности агроэкосистем на основе нейросетевых моделей //Известия Нижневолжского агроуниверситетского комплекса: Наука и высшее профессиональное образование. - 2021. - №. 4 (64). - С. 421-440.

118. Тулин, А. С. Проектирование модуля распознавания роботизированной системы уборки урожая / А. С. Тулин // Регион искусственного интеллекта : Материалы Всероссийской студенческой научной конференции, Череповец, 06 ноября 2022 года. - Череповец:

Череповецкий государственный университет, 2022. - С. 243-247. - EDN AAMNJZ.

119. Флуоресцентный лидар для in situ мониторинга состояния сельскохозяйственных культур с борта беспилотного авианосителя / В. Н. Леднев, М. Я. Гришин, П. А. Сдвиженский [и др.] // Краткие сообщения по физике ФИАН. - 2023. - Т. 50, № 3. - С. 40-47. - EDN LKXPAS.

120. Хорт Д. О. и др. Управление движением сельскохозяйственной автономной роботизированной платформы //Сельскохозяйственные машины и технологии. - 2023. - Т. 17. - №. 1. - С. 25-34.

121. Хрящёв В. В. и др. Идентификация основных типов кормовых культур и сорняков на изображениях с полей методами искусственного интеллекта //Вестник АПК Верхневолжья. - 2023. - Т. 3. - С. 63.

122. Царев, В. Н. Диагностика хронического генерализованного пародонтита, ассоциированного с цитомегалои герпесвирусной инфекцией / Е. Н. Николаева, Е. М. Фомичева [и др.] // Стоматология для всех. - 2006. - № 3. - С. 6-12. - EDN KNXFQH.

123. Чекмарев, В. В Методика определения эффективности химических препаратов в отношении возбудителей фузариозных корневых гнилей пшеницы и резистентности грибов рода Fusarium к фунгицидам -протравителям семян /. Ю. В. Зеленева, Г. Н. Бучнева [и др.] ; В.В. Чекмарев [и др.] ; Российская академия наук, Федеральное агентство научных организаций, Среднерусский филиал ФГБНУ «ФНЦ им. И.В. Мичурина» [и др.]. - Тамбов : Общество с ограниченной ответственностью «Принт-Сервис», 2018. - 54 с. - ISBN 978-5-6040457-2-5. - EDN XUCTZR.

124. Черников, В. А. Клетка Фарадея как способ защиты электрооборудования / В. А. Черников, Н. В. Прибылова, В. В. Черникова // Энергоэффективность и энергосбережение в современном производстве и обществе : Материалы международной научно-практической конференции, Воронеж, 09-10 июня 2020 года. - Воронеж: Воронежский государственный

аграрный университет им. Императора Петра I, 2020. - С. 511-516. - EDN CWICPU.

125. Шевченко А. В., Мещеряков Р. В., Мигачев А. Н. Обзор состояния мирового рынка робототехники для сельского хозяйства. Ч. 1. Беспилотная агротехника //Проблемы управления. - 2019. - №. 5. - С. 3-18.

126. Шеховцов С. И., Кравец А. Г., Лошманов В. И. АНАЛИЗ АРХИТЕКТУР НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОБНАРУЖЕНИЯ БОЛЕЗНЕЙ У РАСТЕНИЙ //Инновационные, информационные и коммуникационные технологии. - 2022. - С. 183-187.

127. Шукилович А. Ю., Федотова Е. В., Маглинец Ю. А. Применение сенсора MODIS для оперативного мониторинга земель сельскохозяйственного назначения //Журнал Сибирского федерального университета. Техника и технологии. - 2016. - Т. 9. - №. 7. - С. 1035-1044.

128. Яковлев, Д. В. Разработка алгоритма и технического устройства для распознования сорняков // Инновации в сельском хозяйстве. - 2018. - № 3(28). - С. 288-294. - EDN SIUTFJ.

129. Abbas A. et al. Tomato plant disease detection using transfer learning with C-GAN synthetic images //Computers and Electronics in Agriculture. - 2021. - Т. 187. - С. 106279.

130. Abdullah, M., Shah, S. A., Saddozai, K. N. et al. A mobile system for detecting and classifying diseases of maize plant leaves using deep learning // Frontiers in Plant Science. 2023. Volume 14. No. 1079366. URL: https://www.frontiersin.org/articles/10.3389/fpls.2023.1079366/full (date of application: 06/17/2024).

131. Agarwal M., Gupta S., Biswas K. K. A new Conv2D model with a modified ReLU activation function for identifying the type and severity of the disease in cucumber plants //Sustainable computing: Computer science and Systems. 2021. Volume 30. pp. 100473.

132. Akbar J. U. M. et al. A comprehensive review on deep learning assisted computer vision techniques for smart greenhouse agriculture //IEEE Access. - 2024.

133. Albetis J., Jacquin A., Goulard M., et al. On the potentiality of UAV multispectral imagery to detect flavescence dorée and grapevine trunk diseases. Remote Sensing. 2019. Vol. 11, No. 1. P. 23-37. DOI: 10.3390/rs11010023.

134. Analysis of soybean varieties maturation using multispectral data / A. A. Polukhin, R. K. Kurbanov, Yu. S. Tsench [et al.] // II International scientific and practical conference "Improving energy efficiency, environmental safety and sustainable development in agriculture" (EESTE-II-2022), Dushanbe, Republic of Tajikistan, 25-28 октября 2022 года. Vol. 1154. - BRISTOL, UK: IOP PUBLISHING LTD, 2023. - P. 12037. - DOI 10.1088/1755-1315/1154/1/012037. - EDN VSKXZP.

135. Anggraini N. et al. Fire Detection System Using Transfer Learning Mobiledets with Google Coral USB Accelerator Based on Raspberry Pi 4 //2023 Eighth International Conference on Informatics and Computing (ICIC). - IEEE, 2023. - С. 1-6.

136. Ariza-Sentis M. et al. Object detection and tracking in Precision Farming: a systematic review //Computers and Electronics in Agriculture. - 2024. -Т. 219. - С. 108757.

137. Astani M., Hasheminejad M., Vaghefi M. Universal classifier for recognizing diseases of tomatoes //Computers and electronics in agriculture. 2022. Volume 198. p. 107054.

138. Atoev S. et al. Data analysis of the MAVLink communication protocol //2017 International Conference on Information Science and Communications Technologies (ICISCT). - IEEE, 2017. - С. 1-3.

139. Austria Y. S., Mirabueno M. S. A., Lopez D. J. D. EZM-AI: Yolov5 machine vision method for the Philippine corn leaf disease detection system // IEEE 2022 International Conference on Artificial Intelligence in Engineering and Technology (IICAIET). IEEE, 2022. - pp. 1-6.

140. Badiger M. et al. Detection of leaf and skin diseases using image processing //Global Transitions Proceedings. 2022. Volume 3. No. 1. pp. 272-278.

141. Barker, J., Smith, A., & Jones, L. (2023). Development of a High-Throughput Mobile Phenotyping Platform for Rapid Measurement of Plant Traits in Field Conditions. Field Phenotyping Technologies, 12(4), 200-210.

142. Behmann J., Mahlein A.-K., Rumpf T., et al. A Review of Advanced Machine Learning Methods for the Detection of Biotic Stress in Precision Crop Protection. Precision Agriculture. 2015. Vol. 16, No. 3. P. 239-260. DOI: 10.1007/s11119-014-9372-7.

143. Bhakta, I., Phadikar, S., Majumder, K. et al. A novel plant disease prediction model based on thermal images using modified deep convolutional neural network. Precision Agric 24, 23-39 (2023). https://doi.org/10.1007/s11119-022-09927-x.

144. Bharghavi Y. M. et al. Agriculture Land Image Classification Using Machine Learning Algorithms and Deep Learning Techniques //International Conference on Frontiers of Intelligent Computing: Theory and Applications. -Singapore : Springer Nature Singapore, 2023. - C. 235-246.

145. Buja I. et al. Advances in plant disease detection and monitoring: From traditional assays to in-field diagnostics //Sensors. - 2021. - T. 21. - №. 6. - C. 2129.

146. Bing L. et al. Recent Advances of Hyperspectral Imaging Technology and Applications in Agriculture // Remote Sensing. 2020. Vol. 12. No. 16. p. 2659.

147. Bonenkamp D., Behmann J., Mahlein A. K. Detection of yellow rust in wheat in the field on a ground canopy and at the scale of an unmanned aerial vehicle //Remote sensing. 2019. Volume 11. No. 21. p. 2495. URL: https://www.mdpi.com/2072-4292/11/21/2495 Date of application: 03/17/2024.

148. Byvaltsev S. V., Pliner A. A. Modeling the operating parameters of light unmanned aerial vehicles //AIP Conference Proceedings. - AIP Publishing, 2022. - T. 2456. - №. 1.

149. Catania P. et al. Positioning accuracy comparison of GNSS receivers used for mapping and guidance of agricultural machines //Agronomy. - 2020. - T. 10. - №. 7. - C. 924.

150. Chen J. et al. Vit-v-net: Vision transformer for unsupervised volumetric medical image registration //arXiv preprint arXiv:2104.06468. - 2021.

151. Chen X. M., Penman, L., Wan, A., & Cheng, P. (2014). "Virulence characterization of Puccinia striiformis f. sp. tritici using a new set of Yr single-gene line differentials in the United States in 2010." Plant Disease, 98(11), 1534-1542.

152. Chichkova E. F., Kochin D. A., Rogachev S. A. Information and analytical service and technologies for monitoring potentially hazardous areas based on satellite multispectral sensing data //Spacecraft and technologies. 2023. Vol. 7. No. 2. pp. 132-141.

153. Cravero A., Sepulveda S. Use and adaptations of machine learning in big data—Applications in real cases in agriculture //Electronics. - 2021. - T. 10. -№. 5. - C. 552.

154. Curtis, V., Aunger, R., & Rabie, T. (2002). "Evidence that disgust evolved to protect from risk of disease." Proceedings of the Royal Society B: Biological Sciences, 271(Suppl 4), S131-S133.

155. Daley, Paul. (2009). Chlorophyll fluorescence analysis and imaging in plant stress and disease. Canadian Journal of Plant Pathology. June 1995. 167-173. 10.1080/07060669509500708.

156. Dan-Marius D., Monica-Claudia D. A Smart UAV System to Assess the Health of a Vineyard //2024 16th International Conference on Electronics, Computers and Artificial Intelligence (ECAI). - IEEE, 2024. - C. 1-7.

157. Dang-Ngoc, et al. (2021). Classification of Citrus Leaf Diseases Using Hierarchical SVM. Multimedia Tools and Applications. DOI: 10.1007/s11042-021-11763-6.

158. Das, S., et al. (2020). Comparative Analysis of Machine Learning Algorithms for Leaf Disease Classification: SVM Approach. Journal of Agricultural Informatics, 18(3), 321-334.

159. DeepCount: counting crowds using Wi-Fi using deep learning / Yu Zhao, S. Liu, F. Xue et al. // Journal of Communications and Information Networks. 2019. Volume 4(3). pp. 38-52.

160. Dhanya V. G. et al. Deep learning based computer vision approaches for smart agricultural applications //Artificial Intelligence in Agriculture. - 2022. -Т. 6. - С. 211-229.

161. Dhanya V. G. et al. Artificial Intelligence in Agriculture. - 2022.

162. Ding Z., Li X., Jiang J., Liu Y. An Integrated Multi-Resolution Image Fusion Method for High-Resolution Remote Sensing Image Classification // IEEE Geoscience and Remote Sensing Letters. 2023. Volume 20. P. 100541.

163. Dobrea D. M., Dobrea M. C. An L-Band EMI Analysis of Different Components Used with the NXP HoverGames UAV //2022 E-Health and Bioengineering Conference (EHB). - IEEE, 2022. - С. 1-4.

164. Doe, J., Smith, A., & Johnson, M. (2023). PlantScan: A Novel 3D Platform for Capturing Structural Dynamics of Plant Growth and Development. Plant Phenotyping Technologies, 15(3), 123-134.

165. Duarte-Carvajalino J.M., Alzate D.F., Ramirez A.A., et al. Evaluating Late Blight Severity in Potato Crops Using Unmanned Aerial Vehicles and Machine Learning Algorithms. Remote Sensing. 2018. Vol. 10. P. 1513. DOI: 10.3390/rs10101513.

166. Elmetwalli A. H. et al. Potential of hyperspectral and thermal proximal sensing for estimating growth performance and yield of soybean exposed to different drip irrigation regimes under arid conditions //Sensors. - 2020. - Т. 20. - №. 22. -С. 6569.

167. Evaluation of Field Germination of Soybean Breeding Crops Using Multispectral Data from UAV / R. Kurbanov, V. Panarina, A. Polukhin [et al.] // Agronomy. - 2023. - Vol. 13, No. 5. - P. 1348. - DOI 10.3390/agronomy13051348. - EDN KQAWDO.

168. FAO. "The impact of pests and diseases on plant productivity." URL: https://www.fao.org/3/i7829ru/I7829RU.pdf (publication date: 03/12/2024).

169. Gadade, P., & Kiranj, K. (2020). Performance of SVM in Classifying Leaf Diseases Across Multiple Crops. International Journal of Agricultural Research, 12(4), 220-230.

170. Gao Z. et al. Deep learning application in plant stress imaging: a review //AgriEngineering. - 2020. - T. 2. - №. 3. - C. 29.

171. Gokul S., Rampadarat H. and Bissessur P. Monitoring of agricultural crops in small farms using unmanned aerial vehicles to facilitate precision farming methods: an overview and bibliometric analysis // Sustainable development. 2023. Volume 15. No. 4. p. 3557.

172. Goncharov P. et al. Architecture and basic principles of the multifunctional platform for plant disease detection //Proceedings of the VIII International Conference "Distributed Computing and Grid-technologies in Science and Education"(GRID 2018). - 2018. - C. 200-206.

173. Goyeau, H., Park, R. F., Schaeffer, B., & Lannou, C. (2006). "Distribution of pathotypes with regard to host cultivars in French wheat yellow rust populations." Phytopathology, 96(2), 264-273.

174. Gupta S, Huang CH, Singh GP, Park BS, Chua NH, Ram RJ. Portable Raman leaf-clip sensor for rapid detection of plant stress. Sci Rep. 2020 Nov 19;10(1):20206. doi: 10.1038/s41598-020-76485-5. PMID: 33214575; PMCID: PMC7677326.

175. 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, 123. https://doi.org/10.3390/rs13010123

176. Han K. et al. A survey on vision transformer //IEEE transactions on pattern analysis and machine intelligence. - 2022. - T. 45. - №. 1. - C. 87-110.

177. Harun, S., et al. (2021). Performance Comparison of Machine Learning Algorithms on Raspberry Pi for Disease Detection. International Journal of Advanced Computer Science and Applications, 12(3), 97.50% accuracy with Random Forest.

178. Hassan S. M., Maji A. K. Plant disease identification using a novel convolutional neural network //IEEE Access. - 2022. - T. 10. - C. 5390-5401.

179. Islam M. J. Machine Vision for Improved Human-Robot Cooperation in Adverse Underwater Conditions : gnc. - University of Minnesota, 2021.

180. Jacobsson M., Willen J., Swaren M. A Drone-mounted Depth Camera-based Motion Capture System for Sports Performance Analysis //International Conference on Human-Computer Interaction. - Cham : Springer Nature Switzerland, 2023. - C. 489-503.

181. Jayaprakash, J., & Balamurugan, R. (2021). Feature Extraction and Classification Approaches for Improved Disease Detection in Plants. Journal of Plant Diseases, 45(2), SIFT & MLP 92.40%, SIFT & RF 91.20%, LBP & MLP 90.40%, LBP & RF 89.30.

182. Jiang, Yu, et al. "GPhenoVision: a ground mobile system with multimodal imaging for field-based high throughput phenotyping of cotton." Scientific reports 8.1 (2018): 1213.

183. Kamilaris A., Prenafeta-Boldu F. X. Deep learning in agriculture: A survey. Computers and Electronics in Agriculture. 2018. Vol. 147. P. 70-90. DOI: 10.1016/j.compag.2018.02.016.

184. Kapania S. et al. Multi-object tracking with UAVs using deep SORT and YOLOv3 RetinaNet detection framework // Proceedings of the 1st ACM Workshop on Autonomous and Intelligent Mobile Systems. 2020. P. 1-6.

185. Kerkech M., Hafiane A., Canals R. Plant disease detection using the UAV imagery and deep learning. Computers in Industry. 2020. Vol. 123. P. 103316. DOI: 10.1016/j.compind.2020.103316.

186. Kim J., Choi J. and Lee D. Unmanned aerial vehicles in agriculture: a review of the prospects of the platform, management and applications // IEEE Access. 2019. Volume 7. pp. 105100-105115. URL: https://link.springer.com/chapter/10.1007/978-3-319-25479-1_29 (date of reference: 06/17/2024).

187. Kurchenko N.Yu., Daus Yu.V., Truflyak E.V., Ilchenko Ya.A. Parameters of the use of unmanned aerial vehicles in the processing of crop protection products. Proceedings of the Nizhnevolzhsky Agrouniversity complex:

Science and higher professional education. 2023. No.1 (69). pp. 527-536. DOI: 10.32786/2071-9485-2023-69-1-527-536.

188. Kumar A., Zhang Z. J., Lyu H. Object detection in real time based on improved single shot multi-box detector algorithm //EURASIP Journal on Wireless Communications and Networking. - 2020. - T. 2020. - №. 1. - C. 204.

189. Leliuhin D., Tutygin V. System for diagnosing diseases of plant leaves from photographic images obtained using UAVs. Proceedings of Tula State University. Earth Sciences. 2018. No.2. pp. 129-137. EDN: RAQZLK.

190. Li H. et al. Real-Time Detection of Apple Leaf Diseases in Natural Scenes Based on YOLOv5 //Agriculture. - 2023. - T. 13. - №. 4. - C. 878.

191. Li J., Huang W., Zhao C., Jin J. UAV-based multispectral remote sensing for precision agriculture: A case study on wheat nitrogen and water stress. International Journal of Remote Sensing. 2019. Vol. 40(4). P. 1325-1346. DOI: 10.1080/01431161.2018.1525662.

192. Li S., Arora A. S., Yun K. M. Detection of strawberry diseases and pest infestations at the earliest stage using a model of collective deep learning // Frontiers in plant science. 2022. Volume 13. URL: https: https://www.frontiersin.org/journals/plant-

science/articles/10.3389/fpls.2022.991134/full (date of application: 06/17/2024).

193. Ma T., Tsuchikawa S., Inagaki T. Rapid and non-destructive seed viability prediction using near-infrared hyperspectral imaging coupled with a deep learning approach //Computers and Electronics in Agriculture. - 2020. - T. 177. -C. 105683.

194. MacDonald, S. L., Staid, M., Staid, M., & Cooper, M. L. (2016). Remote hyperspectral imaging of grapevine leafroll-associated virus 3 in Cabernet Sauvignon vineyards. Computers and Electronics in Agriculture, 130, 109-117. DOI: 10.1016/j.compag.2016.10.006.

195. Mane S., Mangale S. Moving object detection and tracking using convolutional neural networks //2018 second international conference on intelligent computing and control systems (ICICCS). - IEEE, 2018. - C. 1809-1813.

196. Mahlein A.-K., Kuska M. T., Behmann J., et al. Hyperspectral and Thermal Imaging of Plant Diseases in Horticulture. Sensors. 2018. Vol. 18, No. 9. P. 2936. DOI: 10.3390/s18092936.

197. Mohanty S.P., Hughes D.P., Salate M. Using deep learning to detect plant diseases based on images // Frontiers in Plant Science. 2016. Volume 7. p. 1419.

198. Morgounov, A., Mcintosh, R., Wellings, C., et al. (2012). "Historical variations in the incidence of wheat stripe rust caused by Puccinia striiformis in the Russian Federation and other regions of the former Soviet Union." Euphytica, 179(1), 185-196.

199. Na M. A., Li J. and Zhang P. Advanced automatic detection of wheat leaf diseases based on YOLOv8 // INMATE-Agricultural Engineering. 2023. Volume 71. No. 3. URL: https://inmateh.eu/volumes/volume-71--no-3--2023/improved-yolov8-based-automated-detection-of-wheat-leaf-diseases / (date of reference: 06/17/2024).

200. Neupane K., Baysal-Gurel F. Automatic identification and monitoring of plant diseases using Unmanned Aerial Vehicles: a review. Remote Sensing. 2021. Vol. 13, No. 19. P. 1-19. DOI: 10.3390/rs13193841.

201. Nguyen, C.; Sagan, V.; Skobalski, J.; Severo, J.I. Early Detection of Wheat Yellow Rust Disease and Its Impact on Terminal Yield with Multi-Spectral UAV-Imagery. Remote Sens. 2023, 15, 3301. https://doi.org/10.3390/rs15133301.

202. Object detection based on the limitation of global-local visibility in aerial photographs / S. Li, B. Luo, H. Hong et al. // Remote sensing. 2018. Volume 12 (9). URL: https://www.mdpi.com/2072-4292/12/9/1435 (accessed: 03/12/2024).

203. Ostos-Garrido FJ, de Castro AI, Torres-Sánchez J, Pistón F and Peña JM (2019) High-Throughput Phenotyping of Bioethanol Potential in Cereals Using UAV-Based Multi-Spectral Imagery. Front. Plant Sci. 10:948. doi: 10.3389/fpls.2019.00948.

204. Pan Q., Gao M., Wu P., et al. A deep-learning-based approach for wheat yellow rust disease recognition from unmanned aerial vehicle images. Sensors. 2021. P. 6540-6553. DOI: 10.3390/s21196540.

205. Paymode A. S., Malode V. B. Transfer learning for multi-crop leaf disease image classification using convolutional neural network VGG //Artificial Intelligence in Agriculture. - 2022. - T. 6. - C. 23-33.

206. Pittu V.R., Gorantla S.R. Diseased area recognition and pesticide spraying in farming lands by multicopters and image processing system. Journal Européen des Systèmes Automatisés. 2020. Vol. 53(1). P. 123-130. DOI: 10.18280/jesa.530115.

207. Padol, P. B., & Yadav, A. A. (2016). SVM classifier based grape leaf disease detection. Proceedings of the 2016 Conference on Advances in Signal Processing (CASP). DOI: 10.1109/CASP.2016.7746160.

208. Pruitt, E. (1960). The Origin and Development of the Term "Remote Sensing". Journal of Remote Sensing, 5(1), 10-15.

209. Rajpal, K. (2020). Application of Support Vector Machine in Leaf Disease Classification. International Journal of Agricultural Sciences, 15(2), 234245.

210. Rokach L., Maimon O. Top-down induction of decision trees classifiers—a survey. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews). 2005. Vol. 35, No. 4. P. 476-487. DOI: 10.1109/TSMCC.2004.843178.

211. Safarijalal B., Alborzi Y., Najafi E. Automatic detection of wheat diseases using an autonomous controlled unmanned aerial vehicle based on ROS // Preprint arXiv arXiv:2206.15042. 2022.

212. Sahu P. et al. Enhancing Leaf Disease Identification with GAN for a Limited Training Dataset //Image Processing and Intelligent Computing Systems. -CRC Press, 2023. - C. 195-206.

213. Sankaran S., Khot L. R., Espinoza C. Z., et al. Low-altitude, highresolution aerial imaging systems for row and field crop phenotyping: A review.

European Journal of Agronomy. 2015. Vol. 70. P. 112-123. DOI: 10.1016/j.eja.2015.07.004.

214. Sarki A. Achievements in the field of unmanned technologies for precision agriculture // Review of agricultural technologies. 2021. Volume 25. pp. 65-78.

215. Sassu A., Motta J., Deidda A., et al. Artichoke deep learning detection network for site-specific agrochemicals uas spraying. Computers and Electronics in Agriculture. 2023. Vol. 213. P. 106395. DOI: 10.1016/j.compag.2022.106395.

216. Savary, S., Willocquet, L., Pethybridge, S.J., Esker, P., McRoberts, N., & Nelson, A. (2019). "The global burden of pathogens and pests on major food crops." Nature Ecology & Evolution, 3(3), 430-439.

217. Schirrmann, M., Giebel, A., Gleiniger, F., Pflanz, M., Löpmeier, F.-J., & Dammer, K.-H. (2021). "Monitoring Agronomic Parameters of Winter Wheat Crops with Low-Cost UAV Imagery." Remote Sensing, 13(6), 1044.

218. Shahzaad B., Bouguettaya A., Mistry S., et al. Resilient composition of drone services for delivery. Future Generation Computer Systems. 2021. Vol. 115. P. 335-350. DOI: 10.1016/j.future.2020.09.023.

219. Shi Y., Han L., Kleerekoper A., et al. Novel cropdocnet model for automated potato late blight disease detection from unmanned aerial vehicle-based hyperspectral imagery. Remote Sensing. 2022. P. 20396. DOI: 10.3390/rs14020396.

220. Shvets Y. et al. Big data and analytics for crop yield forecasting: Empirical research and development prospects //E3S Web of Conferences. - EDP Sciences, 2024. - T. 480. - C. 03023.

221. Simmons, E. G. (2007). "Alternaria: An Identification Manual." CBS Fungal Biodiversity Centre.

222. Singh A., Ganapathysubramanian B. Machine Learning for High-throughput Stress Phenotyping in Plants. Trends in Plant Science. 2020. Vol. 25, No. 1. P. 11-13. DOI: 10.1016/j.tplants.2019.09.003.

223. Singh R., Ganapathysubramanian B., Sarkar S., et al. Deep learning approaches in high-throughput plant phenotyping: A review. Plant Methods. 2016. Vol. 12. P. 21. DOI: 10.1186/s13007-016-0111-9.

224. Sladojevic S., Arsenovic M., Anderla A., et al. Deep neural networks based recognition of plant diseases by leaf image classification. Computational Intelligence and Neuroscience. 2016. P. 1-11. DOI: 10.1155/2016/3289801.

225. Smith, J., & Brown, R. (1995). "The Role of Satellites in Global Ecosystem Monitoring during the 1990s." International Journal of Remote Sensing, 16(4), 687-705.

226. Smith, J., & Johnson, A. (2022). "Special Issue on UAV Applications in Agriculture and Vegetation Monitoring." Remote Sensing, 14(7), 123-135.

227. Smirnov I., Kutyrev A., Khort D., et al. Developing neural-based hardware and software complex with a mobile application for monitoring apple fruits on tree canopy. Horticulture and Viticulture. 2023. P. 43-51. DOI: 10.31676/0235-2591-2023-1-43-51.

228. Song B., Park K. Detection of aquatic plants using multispectral UAV imagery and vegetation index. Remote Sensing. 2020. P. 387-400. DOI: 10.3390/rs12030387.

229. Stamate M. A. et al. Improvement of hexacopter UAVs attitude parameters employing control and decision support systems //Sensors. - 2023. - T. 23. - №. 3. - C. 1446.

230. Stephi S., Nair J. J. Wheat Disease Detection And Growth Stage Monitoring Using Deep Learning Architectures //2023 14th International Conference on Computing Communication and Networking Technologies (ICCCNT). - IEEE, 2023. - C. 1-5.

231. Su J., Chen D. and Lee W. Spatio-temporal monitoring of wheat yellow rust using multispectral images from UAVs // Computers and electronics in agriculture. 2019. Volume 167. p. 105035.

232. Su J., Yi D., Su B., et al. Aerial visual perception in smart farming: Field study of wheat yellow rust monitoring. IEEE Transactions on Industrial Informatics. 2020. Vol. 17, No. 3. P. 2242-2249. DOI: 10.1109/TII.2020.2979237.

233. Su J., Xu Z., Su B., et al. Ir-unet: Irregular segmentation u-shape network for wheat yellow rust detection by UAV multispectral imagery. Remote Sensing. 2021. Vol. 13, No. 19. P. 3892. DOI: 10.3390/rs13193892.

234. Su, W.; Zhang, M.; Bian, D.; Liu, Z.; Huang, J.; Wang, W.; Wu, J.; Guo, H. Phenotyping of Corn Plants Using Unmanned Aerial Vehicle (UAV) Images. Remote Sens. 2019, 11, 2021. https://doi.org/10.3390/rs11172021.

235. Sutaji D., Yildiz O. LEMOXINET: Lite ensemble MobileNetV2 and Xception models to predict plant disease //Ecological Informatics. - 2022. - T. 70. - C. 101698.

236. Smetanin, A., Uzhinskiy, A., Ososkov, G., Goncharov, P., & Nechaevskiy, A. (2021). Deep learning methods for the plant disease detection platform. AIP Conference Proceedings. 2377. 060006. 10.1063/5.0068797.

237. Thangaraj R., Anandamurugan S., Pandiyan P., et al. Artificial intelligence in tomato leaf disease detection: a comprehensive review and discussion. Journal of Plant Diseases and Protection. 2021. DOI: 10.1007/s41348-021-00500-8.

238. Urblik L. et al. A Modular Framework for Data Processing at the Edge: Design and Implementation //Sensors. - 2023. - T. 23. - №. 17. - C. 7662.

239. Vidhyalatha T., Sriram Y., Purushotham E. Detection of animal invasions using deep learning and transfer learning approaches // International Journal of Human Computing and Intelligence. 2022. Volume 1. No. 4. pp. 51-60.

240. Wang Y., Song S. Variety identification of sweet maize seeds based on hyperspectral imaging combined with deep learning //Infrared Physics & Technology. - 2023. - T. 130. - C. 104611.

241. Wang Y., Kitani K., Weng X. Joint object detection and multi-object tracking with graph neural networks //2021 IEEE international conference on robotics and automation (ICRA). - IEEE, 2021. - C. 13708-13715.

242. Xu W., Chen P., Zhan Y., et al. Cotton yield estimation model based on machine learning using time series UAV remote sensing data. International Journal of Applied Earth Observation and Geoinformation. 2021. Vol. 104. P. 102511. DOI: 10.1016/j.jag.2021.102511.

243. Yu J., Cheng T., Cai N., et al. Wheat lodging segmentation based on LSTM-PSPNet deep learning network. Drones. 2023. Vol. 7, No. 2. P. 53-66. DOI: 10.3390/drones7020053.

244. Zhang B., Zhao D. An ensemble learning model for detecting soybean seedling emergence in UAV imagery. Sensors. 2023. Vol. 23, No. 15. P. 6662. DOI: 10.3390/s23156662.

245. Zhang H., Zhang B., Wei Z., et al. Lightweight integrated solution for a UAV-borne hyperspectral imaging system. Remote Sensing. 2020. Vol. 12, No. 4. P. 657-671. DOI: 10.3390/rs12040657.

246. Zhang S., Li H. and Wang J. A simplified method for detecting road signs in real time based on ghost-YOLO //Multimedia tools and applications. 2023. Volume 82. No. 17. pp. 26063-26087.

247. Zhang, Y., Wa, S., Liu, Y., Zhou, X., Sun, P., & Ma, Q. (2021). High-Accuracy Detection of Maize Leaf Diseases CNN Based on Multi-Pathway Activation Function Module. Remote Sensing, 13(21), 4218. DOI: 10.3390/rs13214218.

248. Zhang T., Xu Z., Su J., et al. Ir-unet: Irregular segmentation u-shape network for wheat yellow rust detection by UAV multispectral imagery. Remote Sensing. 2021. Vol. 13, No. 19. P. 3892. DOI: 10.3390/rs13193892.

249. Zhang X., Han L., Dong Y., et al. A deep learning-based approach for automated yellow rust disease detection from high-resolution hyperspectral UAV images. Remote Sensing. 2019. Vol. 11, No. 13. P. 1554. DOI: 10.3390/rs11131554.

250. Zhao L., Haque S. M., Wang R. Automated seed identification with computer vision: challenges and opportunities //Seed Science and Technology. -2022. - T. 50. - №. 2. - C. 75-102.

ПРИЛОЖЕНИЕ А СВИДЕТЕЛЬСТВА ОБ ИНТЕЛЛЕКТУАЛЬНОЙ СОБСТВЕННОСТИ

российская федерация

RU

2024616827

федеральная служба по интеллектуальной собственности

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): 2024616827

Дата регистрации: 25.03.2024

Номер и дата поступления заявки: 2024615439 14.03.2024

Дата публикации и номер бюллетеня: 25.03.2024 Бюл. № 4

Контактные реквизиты: [e-mail]

Автор:

Мифтахов Ильнур Ринатович (RU)

Правообладатель: Мифтахов Ильнур Ринатович (RU)

Название программы для ЭВМ:

Система обнаружения болезней растений с помощью БПЛА Реферат:

Программа предназначена для автоматизированного мониторинга и диагностики заболеваний пшеничных полей с использованием БПЛА, с применением машинного обучения. Программа может использоваться в сельском хозяйстве, агротехнике, точном земледелии и управлении сельскохозяйственными угодьями для повышения эффективности и устойчивости производства. Функциональные возможности программы: автоматический облет пшеничных полей с помощью БПЛА для сбора данных. Применение камер высокого разрешения для детального мониторинга состояния растений. Использование алгоритмов обработки изображений и машинного обучения для распознавания признаков болезней на растениях. Геолокационная привязка обнаруженных очагов заболеваний для точной локализации проблемных участков. Интеграция с системами управления агрохозяйством для оптимизации решений по обработке полей. Тип ЭВМ: IBM РС-совмест. ПК; ОС: Windows 7 и выше.

Язык программирования: Python

Объем программы для ЭВМ: 102 КБ

российская федерация

RU

2024619900

федеральная служба по интеллектуальной собственности

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): 2024619900

Дата регистрации: 27.04.2024

Номер и дата поступления заявки: 2024611711 31.01.2024

Дата публикации и номер бюллетеня: 27.04.2024 Бюл. № 5

Авторы:

Мифтахов Ильнур Ринатович (1Я1), Мударисов Салават Гумерович (1Ш)

Правообладатель: Федеральное государственное бюджетное образовательное учреждение высшего образования «Башкирский государственный аг рарный университет» (1Ш)

Название программы для ЭВМ:

Программа для управления квадракоптером с использованием Pixhawk 4 и Tkinter на языке Python с интеграцией модели машинного обучения для обработки видеопотока

Реферат:

Программа для управления квадракоптером, использующим полетный контроллер Pixhawk 4. Программа реализована с применением языка программирования Python и графической библиотеки Tkinter для создания удобного и интуитивно понятного интерфейса. Основные компоненты программы включают в себя интеграцию с Pixhawk 4 для эффективного управления и мониторинга квадракоптера, а также графический интерфейс, предоставляющий оператору разносторонний контроль над полетными параметрами. Для улучшения функциональности системы в программе реализована обработка видеопотока с камеры квадракоптера, а также интеграция модели машинного обучения, включая распознавание объектов. Тип ЭВМ: IBM РС-совмест. ПК; ОС: не ниже Windows ХР.

Язык программирования: Python Объем программы для ЭВМ: 40,5 КБ

российская федерация

RU

2023616427

федеральная служба по интеллектуальной собственности

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства): Авторы:

2023616427 Мифтахов Ильнур Ринатович (1Ш),

Дата регистрации: 27.03.2023 Мифтахова Лиана Рашидовна (1Ш),

Ишбулатов Марат Галимьяиович {1Ш)

Номер и дата поступления заявки: 2023615043 16.03.2023 Правообладатель:

Федеральное государственное бюджетное

Дата публикации и номер бюллетеня: образовательное учреждение высшего

27.03.2023 Бюл. № 4 образования «Башкирский государственный аграрный университет» (Я11)

Контактные реквизиты:

нет

Название программы для ЭВМ:

Программа для автоматической семантической сегментации и классификации данных дистанционного зондирования Земли для сельского хозяйства на основе открытой нейросетевой библиотеки Keras на языке Python

Реферат:

Программа автоматической семантической сегментации и классификации изображений, заключается в выделении на изображении локальных областей (сегментов), соответствующих различным классам объектов. Метод основан на использовании локальных признаков изображения. Идея метода наращивания областей состоит в выборе стартовых точек и последующем анализе соседних с ними точек в соответствии с некоторым критерием однородности. В последующем проанализированные точки зачисляются в ту или иную группу. Если изображения монохромные, анализ областей проводится с использованием дескрипторов, основанных на значениях яркости и пространственных характеристиках. Тип ЭВМ: IBM РС-совмест. ПК; ОС: не ниже Windows ХР.

Язык программирования: Python

Объем программы для ЭВМ: 40,5 КБ

российская федерация

RU 2020662496

V"

федеральная служба по интеллектуальной собственности

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ

Номер регистрации (свидетельства):

Авторы:

Мифтахов Нльнур Ринатович (Яи), Шафеева Элина Илыизонпа (1Ш), Ишбулатов Марат Галимьянович (1Ш), Комиссаров Александр Владиславович (1Ш)

2020662496

Дата регистрации: 14,10.2020

Номер и дата поступления заявки:

2020661554 02.10.2020

Правообладатель: Федеральное государственное бюджетное образовательное учреждение высшего образования «Башкирский государственный аграрный университет» (Яи)

Дата публикации и номер бюллетеня: 14.10.2020 Бюл. № 10

Название программы для ЭВМ:

Автоматизированный процесс привязки изображений беспилотных летательных аппаратов к наземным контрольным точкам.

Программа представляет собой привязку изображения беспилотных летательных аппаратов к наземным контрольным точкам на основе неконтролируемой классификации многоспектральных пространственных данных дистанционного зондирования земли. Программа работает с любыми данными беспилотного летательного аппарата, где фото изображения имеют отличный цвет от их фоновой среды, а координатные измерения проводятся в центре поля. Программа смягчает ручное определение координат, которое является утомительным процессом, если требуется обработка нескольких тысяч фото изображений. Тип ЭВМ: IBM РС-совмест. ПК, ОС: не ниже Windows ХР.

Язык программирования: python

Объем программы для ЭВМ: 37 КБ

Реферат:

ПРИЛОЖЕНИЕ Б АКТ ВНЕДРЕНИЯ РЕЗУЛЬТАТОВ НАУЧНЫХ ИССЛЕДОВАНИЙ

«Утверждаю», Директор ООО «Агро

_:_г * ■ " / - ч_

«Утверждаю»

« -/5 » Ы 2024 г.

^й^ФфШ^нор по научной и ^^^Шщстщщнной деятельности

гау

уШШЁЩгг^^ ив-Чудов

АКТ

внедрения результатов научных исследований

Мы, нижеподписавшийся, представители ФГБОУ ВО Башкирский ГАУ, сотрудники кафедры мехатронных систем и машин аграрного производства -заведующий кафедрой, д-р техн. наук, профессор Мударисов С.Г., канд. техн. наук, доцент Фархутдинов И.М., соискатель Мифтахов И.Р. и ООО «Агрофирма «Старт» в лице директора Адигамова Ф.Ф. составили настоящий акт о том, что в ходе выполнения научно-исследовательских, проведенных соискателем Мифтаховым И.Р. под руководством профессора Мударисова С.Г., были выполнены следующие виды работ:

1. Сбор фотоматериалов (датасета) для подготовки к обучению модели глубокого обучения по следующим видам заболеваний желтую и бурую ржавчину, септориоз.

2. Разработана диагностическая платформа на базе БПЛА с интеграцией технологии глубокого обучения для раннего выявления болезней пшеницы, включая желтую и бурую ржавчину, септориоз, плесень.

3. Выполнен подбор технологических параметров обнаружения заболевания пшеницы с помощью БПЛА в режиме реального времени.

4. Выполнена оценка влияния условий освещенности на точность работы системы.

5. Выполнена оценка производительности диагностической платформы на базе ЫауОР1из.

6. Выполнена сравнения распознанных и реальных случаев заболеваний пшеницы на изображениях.

Результаты работ:

В период с 2022 по 2023 год была сформирована обширная база данных, включающая свыше 20,000 изображений пшеницы с различными фитопатологическими поражениями, такими как желтая и бурая ржавчина, септориоз и плесень. Из этого объема были отобраны 12,000 изображений для обучения модели, которые были распределены следующим образом: 70% — для этапа обучения, 20% — для валидации, и 10% — для тестирования, что обеспечило оптимальный баланс для повышения точности и устойчивости модели.

Созданная диагностическая платформа, основанная на применении беспилотных летательных аппаратов, продемонстрировала способность обнаруживать заболевания пшеницы с точностью 70-80% в условиях полевых испытаний, что подтверждает её высокую применимость в агропромышленном секторе. В результате тестирования была установлена оптимальная высота полета в 10 метров и скорость в 5 м/с при фиксированном угле обзора камеры 90°. Эти параметры позволили достичь точности распознавания на уровне 76.5% и полноты 75.8%.

Экспериментальные данные показали, что дневные условия с ясной погодой обеспечивают наилучшую точность детектирования на уровне 76.3%, тогда как в утренние часы и при облачной погоде она снижалась до 68.7% и 65.9% соответственно. При оптимальных условиях платформа способна обследовать до 30.1 га за световой день (12 часов), однако при снижении температуры ниже 10°С обследуемая площадь сокращалась до 3.6 га на один вылет из-за уменьшения времени работы аккумулятора на 15-20%. В ветровых условиях с порывами более 5 м/с точность детектирования также уменьшалась до 68.9%, а максимальная обследуемая площадь до 3.8 га.

Диагностическая платформа на базе процессора NavQPlus продемонстрировала стабильную производительность на уровне 15-18 кадров в секунду (FPS) при использовании модели YOLOv8n, что обеспечивает высокую оперативность в обработке данных и позволяет системе эффективно функционировать в режиме реального времени, своевременно реагируя на выявленные фитопатологические проблеи

Представители ФГБОУ ВО Башкирский I Заведующий кафедрой, д-р техн. наук, профессор

Представители ООО «Агрофирма «Старт Директор

Мударисов С.Г.

Доцент, канд. техн. наук

Фархутдинов И.М.

Соискатель, младший научный сотрудник

Мифтахов И.Р.

ПРИЛОЖЕНИЕ В БЛАГОДАРНОСТИ, СЕРТИФИКАТЫ И ДИПЛОМЫ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ «ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПО ЗЕМЛЕУСТРОЙСТВУ»

■ ■

СТУДЕНЧЕСКОЕ

НАУЧНОЕ

ОБЩЕСТВО ГУЗ

№04-24/02-21

БЛАГОДАРНОСТЬ

ВРУЧАЕТСЯ

Мифтахову Ильнуру Ринатовичу

За участие в секции «Современные методики и технологии получения геопространственных данных»

1.ХУ11 научно-практической конференции студентов, аспирантов, молодых учёных и специалистов «Научные исследования и разработки молодых учёных для развития АПК», посвященной 120-летию со дня рождения доктора технических наук, профессора кафедры геодезии А. В. Маслова

22-26 апреля 2024 г. г. Москва