ПІДХІД ДО НЕЙРОМЕРЕЖЕВОГО ВИЗНАЧЕННЯ СТАДІЙ РОЗВИТКУ  АГРОКУЛЬТУР ЗА ВІЗУАЛЬНИМИ ОЗНАКАМИ З ВИКОРИСТАННЯМ  ХМАРНИХ ТЕХНОЛОГІЙ

М. О. Молчанова; О. В. Мазурець; О. О. Залуцька; В. М. Малайдах

doi:10.32782/2078-0877-2025-25-3-10

М. О. Молчанова Хмельницький національний університет https://orcid.org/0000-0001-9810-936X
О. В. Мазурець Хмельницький національний університет https://orcid.org/0000-0002-8900-0650
О. О. Залуцька Хмельницький національний університет https://orcid.org/0000-0003-1242-3548
В. М. Малайдах Хмельницький національний університет https://orcid.org/0009-0000-8774-304X

DOI: https://doi.org/10.32782/2078-0877-2025-25-3-10

Ключові слова: стадії розвитку соняшника, візуальні ознаки, нейромережі глибокого навчання, хмарні технології

Анотація

У роботі представлено підхід до автоматизованого визначення стадій розвитку агрокультур за візуальними ознаками з використанням глибоких згорткових нейронних мереж у хмарному середовищі.Запропонований метод базується на архітектурі EfficientNet-B0 із компаундним масштабуванням, що забезпечує оптимальний баланс між обчислювальними витратами та точністю класифікації. Система здійснює попередню обробку зображень, їх перетворення в ознаковий простір за допомогою MBConv-блоків та класифікацію восьми стадій розвитку через софтмакс-активацію. Результати експериментів показали точність понад 99%, що на 8% перевищує існуючі аналоги. Оригінальність підходу полягає у використанні лише візуальних даних без потреби в мультиспектральних сенсорах, що робить метод доступним для мобільних і польових застосувань. Практичне значення полягає у можливості інтеграції рішення в аграрні інформаційні системи для моніторингу посівів, планування агротехнічних заходів і підвищення ефективності управління ресурсами.

Посилання

1. The impact of environmentally balanced agricultural systems on changes in the agrophysical state of typical chernozem soil and the energy management of sunflower cultivation / Y. Butenko et al. Journal of Ecological Engineering. 2025. Vol. 26, no. 7. P. 428–437. DOI: https://doi.org/10.12911/22998993/203917 (date of access: 01.06.2025).
2. Resistance of sunflower crops to harmful objects when using growth-stimulating bioproducts in their crops / O. Tkachuk et al. Journal of Ecological Engineering. 2025. Vol. 26, no. 4. P. 98–110. DOI: https://doi.org/10.12911/22998993/199816 (date of access: 01.06.2025).
3. Recognition of sunflower growth period based on deep learning from UAV remote sensing images / Z. Song et al. Precision Agriculture. 2023. DOI: https://doi.org/10.1007/s11119-023-09996-6 (date of access: 01.06.2025).
4. Sunpheno. A Deep Neural Network for Phenological Classification of Sunflower Images / S. A. B. Luoni et al. Plants. 2024. Vol. 13, no. 14. P. 1998. DOI: https://doi.org/10.3390/plants13141998 (date of access: 01.06.2025).
5. Karahanli G., Taşkin C. Derin öğrenme yöntemleri kullanılarak ayçiçeği bitkisinin gelişim evrelerinin tespiti. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi. 2023. URL: https://doi.org/10.17341/gazimmfd.1200615 (date of access: 01.06.2025).
6. Tan M., Le Q.V. EfficientNet: Rethinking model scaling for convolutional neural networks. arXiv preprint. 2019. arXiv:1905.11946. Available at: https://arxiv.org/abs/1905.11946 (accessed: 01.06.2025)
7. Tan M., Le Q.V. EfficientNet: Compound model scaling improves accuracy and efficiency. Proceedings of Machine Learning Research. 2019. Vol. 97. P. 6105–6114.
8. EfficientNet: Improving accuracy and efficiency through AutoML Google. AI Blog. May 2019. DOI: https://ai.googleblog.com/2019/05/efficientnet-improving-accuracy-and.html (accessed: 01.06.2025).
9. Мазурець О.В., Петровський С.С., Дидо Р.А. Нейромережева модель для ідентифікації особистості за зображенням обличчя у реальному часі. Інформаційні технології і автоматизація : матеріали XVII міжнародної науково-практичної конференції. Одеса : ОНТУ, 2024. С. 655–658.
10. Дідур В.О., Молчанова М.О., Мазурець О.В. Спосіб виявлення та класифікації залишків зруйнованих будівель та будівельного сміття за фотографіями з використанням моделей CNN. Наука і техніка сьогодні. 2025. № 1(42). С. 1162–1175.
11. Гладун О.В., Мазурець О.В., Залуцька О.О. Метод нейромережевого аналізу відеофіксації дій натовпу для визначення психологічних та соціокультурних характеристик угрупувань. Наука і техніка сьогодні. 2025. № 1(42). С. 1068–1084. DOI: https://doi.org/10.52058/2786-6025-2025-1(42)-1068-1084 (дата звернення: 01.06.2025).
12. Особливості програмної інженерії та тестування програмного забезпечення для нейромережевого аналізу фотоданих залишків зруйнованих будівель із роботизованої техніки / О. Собко та ін. Наука і техніка сьогодні. 2025. № 4(45). DOI: https://doi.org/10.52058/2786-6025-2025-4(45)-1566-1581 (дата звернення: 01.06.2025).
13. Інформаційна технологія використання хмарних обчислень для класифікації залишків зруйнованих будівель засобами нейронних мереж за візуальними даними з безпілотних літальних апаратів / М. Молчанова та ін. Наука і техніка сьогодні. 2025. № 4(45). DOI: https://doi.org/10.52058/2786-6025-2025-4(45)-1259-1272 (дата звернення: 01.06.2025).
14. Дідур В., Молчанова М. Спосіб виявлення та класифікації залишків зруйнованих будівель та будівельного сміття за фотографіями з використанням моделей CNN. Наука і техніка сьогодні. 2025. № 1(42). DOI: https://doi.org/10.52058/2786-6025-2025-1(42)-1162-1175 (дата звернення: 01.06.2025).