Sunflower Sentry: усовершенствованная гибридная модель для раннего выявления заболеваний

Повышение продуктивности сельского хозяйства и обеспечение продовольственной безопасности зависят от раннего выявления и точной классификации заболеваний растений. В работе рассматриваются семь основных заболеваний подсолнечника: ложная мучнистая роса, ржавчина, вертициллёзное увядание, чёрный стебель, вызываемый Phoma, альтернариозная пятнистость листьев, склеротиниозная стеблевая гниль и рак стебля, вызываемый Phomopsis. Для объединения преимуществ обоих подходов предложенная модель интегрирует случайный лес (Random Forest, RF) и свёрточные нейронные сети (convolutional neural networks, CNN). Архитектура CNN включает два набора свёрточных слоёв и слоёв субдискретизации с операцией максимального объединения, за которыми следует слой выравнивания. Затем извлечённые признаки классифицировались с помощью случайного леса, состоящего из 14 деревьев с максимальной глубиной каждого дерева 8. Из нескольких веб-источников было собрано 4 356 изображений листьев подсолнечника, которые прошли предварительную обработку, включавшую очистку, изменение размера и аугментацию. Общая точность модели составила 81,54%, что свидетельствует о её высокой эффективности при выявлении и классификации заболеваний. Особенно высокие результаты при обнаружении рака стебля, вызываемого Phomopsis, и склеротиниозной стеблевой гнили были получены по метрикам точности, полноты и F1-меры. Анализ матрицы ошибок дополнительно продемонстрировал сильные стороны подхода и возможности его совершенствования. Обеспечивая раннее вмешательство и эффективный контроль заболеваний, данная гибридная модель представляет собой ценный инструмент для современного сельского хозяйства, способствующий внедрению устойчивых методов земледелия и потенциальному повышению урожайности.