APPROACH TO NEURAL NETWORK DETERMINATION OF CROPS GROWTH STAGES BY VISUAL FEATURES USING CLOUD TECHNOLOGIES
Abstract
The study aims to develop an approach for automated identification of crop growth stages based on visual features using neural networks and cloud technologies. The core objective is to improve the accuracy and efficiency of recognizing phenological phases of plants through computer vision, thereby advancing digital agrotechnical monitoring and supporting informed decision-making in agricultural production.The proposed approach employs pre-trained deep convolutional neural networks, particularly EfficientNet-B0, which combines compound scaling and high computational performance. Input images undergo preprocessing steps such as normalization, scaling, and noise reduction. Feature extraction is conducted using MBConv blocks with residual connections, followed by classification through a softmax activation layer. Deployment and computation are performed within a cloud environment, ensuring scalability, accessibility, and integration into diverse agricultural platforms.The developed system demonstrated over 99% classification accuracy in identifying phenological crop stages.Experimental validation confirmed the robustness of the model under varying lighting conditions and image acquisition angles, which is crucial for field applications.The originality of this research lies in integrating cloud computing with an optimized EfficientNet architecture, which ensures a balance between classification accuracy and computational efficiency while relying solely on RGB images. This eliminates the need for multispectral data or computationally intensive solutions.The proposed approach provides practical benefits for agricultural applications, enabling mobile and cloud-based decision-support tools for agronomists, farmers, and consultants. With high accuracy and adaptability, the system can be incorporated into digital platforms for real-time crop monitoring and agrotechnical planning.The integration of neural networks and cloud technologies facilitates automation and objectification of crop growth stage identification. Future work will focus on dataset expansion, adaptation to multiple crop types, and the development of field-ready cloud services for agricultural use.
References
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).
This work is licensed under a Creative Commons Attribution 4.0 International License.
