РАЗРАБОТКА АВТОМАТИЗИРОВАННОГО МЕТОДА ПРОГНОЗИРОВАНИЯ УРОЖАЙНОСТИ ЗЕМЛЯНИКИ САДОВОЙ С ИСПОЛЬЗОВАНИЕМ БЛА И АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ
DOI 10.31588/2073-0462-2026-21-1-69-78 УДК / UDC 631.171.004.3:004.932 EDN: LIDPSI
Ключевые слова:
сверточные нейронные сети, трансферное обучение, обработка изображений, мониторинг, прогнозирование урожайности, точное земледелие.Аннотация
В статье представлен метод дистанционного мониторинга и прогнозирования урожайности земляники садовой (Fragaria × ananassa), основанный на применении беспилотных летательных аппаратов (БЛА), технологий компьютерного зрения и глубокого обучения. Использование морфологических особенностей культуры, обеспечивает высокую точность детекции с БЛА. Исследование проводилось с использованием сверточной нейронной сети YOLO12 версия Extra Large, обученной методом трансферного обучения (Transfer Learning) на специализированном датасете изображений цветков земляники садовой (класс "Flower"). Датасет создан путем ручной разметки в программе RectLabel и расширен до 1700 изображений (18496 экземпляров) с помощью комплексной аугментации данных. Сбор исходных данных осуществлялся с помощью БЛА DJI Mavic 3M (RGB-камера) на высоте 30-60 м. Обработка снимков включала построение высокоточного ортофотоплана (разрешение 0,570 мм/пиксель) в программе Agisoft Metashape Pro. Для детекции ортофотоплан автоматически разбивался на фрагменты 200×200 пикселей. Обучение модели YOLO12 (гиперпараметры: batch size=8, learning rate=0.001, эпохи=1500) достигло высоких метрик на тестовой выборке: точность (Precision) 0,903, полнота (Recall) 0,812, Fмера 0,852, mAP50 0,888. На основе разработанного метода создано специализированное программное обеспечение с графическим интерфейсом, реализующее полный цикл обработки: разбиение ортофотоплана на плитки, детекцию цветков, объединение результатов детекции в единый ортофотоплан, пространственный анализ (построение тепловых карт плотности, расчет индекса Морана для оценки кластеризации, кластерный анализ K-means, визуализация диаграмм Вороного) и прогнозирование урожайности по формуле, учитывающей количество распознанных цветков, сортовые коэффициенты преобразования и средний вес ягоды. Применение метода позволяет автоматизировать подсчет цветков на больших площадях, выявлять зоны неоднородной продуктивности, прогнозировать урожайность на ранних стадиях вегетации, существенно сокращая трудозатраты и обеспечивая основу для принятия агротехнических решений.
Литература
1. Динамика производства ягод земляники садовой по странам мира / В. Н. Ожерельев, М. В. Ожерельева, А. М. Гринь и др. // Вестник Брянской государственной сельскохозяйственной академии. 2019. №4(74). С. 60–66.
2. Марченко Л.А. Продуктивность земляники садовой и селекционные возможности ее повышения // Сибирский вестник сельскохозяйственной науки. 2021. №51(3). С. 65–74. doi: 10.26898/0370-8799-2021-3-7
3. Кутырёв А.И., Филиппов Р.А. Применение сверточной нейронной сети для мониторинга состояния земляники садовой // Аграрная наука Евро-Северо-Востока. 2023. Т.24. №4. С. 685–696. doi: 10.30766/2072-9081.2023.24.4.685-696
4. Разработка системы автоматизированного управления агротехнологиями в садоводстве / Д.О. Хорт, А.И. Кутырев, И.Г. Смирнов и др. // Сельскохозяйственные машины и технологии. 2021. Т.15. №2. С. 61–68. doi: 10.22314/2073-7599-2021-15-2-61-68
5. Кутырёв А.И., Смирнов И.Г., Андриянов Н.А. Сравнительный анализ моделей нейронных сетей для распознавания плодов яблони на кроне дерева // Садоводство и виноградарство. 2023. №5. С.56–63. doi: 10.31676/0235-2591-2023-5-56-63
6. VM-YOLO: YOLO with VMamba for Strawberry Flowers Detection / Y. Wang, X. Lin, Z. Xiang, et al. // Plants. 2025. 14(3):468. doi: 10.3390/plants14030468
7. Strawberry Detection and Ripeness Classification Using YOLOv8+ Model and Image Processing Method / C. Wang, H. Wang, Q. Han, et al. // Agriculture 2024. 14(5):751. doi: 10.3390/agriculture14050751
8. Estimation of Strawberry Canopy Volume in Unmanned Aerial Vehicle RGB Imagery Using an Object Detection-Based Convolutional Neural Network / M-S. Gang, T. Sutthanonkul, W.S. Lee, et al. // Sensors 2024. 24 (21):6920. doi: 10.3390/s24216920
9. Strawberry Yield Prediction Based on a Deep Neural Network Using High-Resolution Aerial Orthoimages / Y. Chen, W.S. Lee, H. Gan, et al. // Remote Sensing. 2019. 11(13):1584. doi: 10.3390/rs11131584
10. Improving Strawberry Yield Prediction by Integrating Ground-Based Canopy Images in Modeling Approaches / A. Abd-Elrahman, F. Wu, S. Agehara, et al. // ISPRS International Journal of Geo-Information. 2021. 10 (4):239. doi: 10.3390/ijgi10040239
11. Deep learning for strawberry canopy delineation and biomass prediction from high-resolution images / C. Zheng, A. Abd-Elrahman, V.M. Whitaker, et al. // Plant Phenomics. 2022. 9850486. doi: 10.34133/2022/9850486
12. Yue Y., Xu S., Wu H.A. Strawberry Ripeness Detection Method Based on Improved YOLOv8 // Applied Sciences. 2025. 15(11):6324. doi: 10.3390/app15116324
13. YOLOv5-ASFF: A Multistage Strawberry Detection Algorithm Based on Improved YOLOv5 / Y. Li, J. Xue, M. Zhang, et al. // Agronomy. 2023. 13(7):1901. doi: 10.3390/agronomy13071901
14. Lightweight Improved YOLOv5s-CGhostnet for Detection of Strawberry Maturity Levels and Counting / N. Tamrakar, S. Karki, MY. Kang, et al. // AgriEngineering. 2024. 6(2):962-978. doi: 10.3390/agriengineering6020055
15. Research on the Strawberry Recognition Algorithm Based on Deep Learning / Y. Zhang, L. Zhang, H. Yu, et al. // Applied Sciences. 2023. 13(20):11298. doi: 10.3390/app132011298
16. Prediction of strawberry yield based on receptacle detection and Bayesian inference / S. Yoon, J.S. Jo, S.B. Kim, et al. // Heliyon. 2023. Vol. 9. No. 3. P. e14546. doi: 10.1016/j.heliyon.2023.e14546
17. Diwan T., Anirudh G., Tembhurne J.V. Object detection using YOLO: Challenges, architectural successors, datasets andapplications // Multimed. Tools Appl. 2023. No. 82. P. 9243-9275. doi: 10.1007/s11042-022-13644-y
18. D-YOLO: A Lightweight Model for Strawberry Health Detection / E. Wu, R. Ma, D. Dong, et al. // Agriculture. 2025. 15(6):570. doi: 10.3390/agriculture15060570
19. A deep-level region-based visual representation architecture for detecting strawberry flowers in an outdoor field / P.Lin, W.S.Lee, Y.M.Chen, et al. // Precision Agric. 2020. 21. P. 387–402. doi: 10.1007/s11119-019-09673-7
20. Maxwell A.E., Warner T.A., Guillén L.A. Accuracy Assessment in Convolutional Neural Network-Based Deep Learning Remote Sensing Studies - Part 1: Literature Review // Remote Sensing. 2021. 13(13):2450. doi: 10.3390/rs1313245
1. Ozherelev VN, Ozhereleva MV, Grin AM. [Dynamics of garden strawberry production in the countries of the world]. Vestnik Bryanskoy gosudarstvennoy selskokhozyaystvennoy akademii. 2019; 4(74). 60-66 p.
2. Marchenko L.A. [Productivity of garden strawberries and breeding potential for their improvement]. Sibirskiy vestnik selskokhozyaystvennoy nauki. 2021; 51(3). 65-74 p. doi: 10.26898/0370-8799-2021-3-7
3. Kutyrev AI, Filippov RA. [Application of convolutional neural network for monitoring the condition of garden strawberries]. Agrarnaya nauka Evro-Severo-Vostoka. 2023; Vol.24. 4. 685-696 p. doi: 10.30766/2072-9081.2023.24.4.685-696
4. Khort DO, Kutyrev AI, Smirnov IG. [Development of an automated management system for agricultural technologies in horticulture]. Selskokhozyaystvennye mashiny i tekhnologii. 2021; Vol.15. 2. 61-68 p. doi: 10.22314/2073-7599-2021-15-2-61-68
5. Kutyrev AI, Smirnov IG, Andriyanov NA. [Comparative analysis of neural network models for recognizing apple fruits on a tree crown]. Sadovodstvo i vinogradarstvo. 2023; 5. 56-63 p. doi: 10.31676/0235-2591-2023-5-56-63
6. Wang Y, Lin X, Xiang Z, VM-YOLO: YOLO with VMamba for strawberry flowers detection. Plants. 2025; 14(3). 468 p. doi: 10.3390/plants14030468
7. Wang C, Wang H, Han Q. strawberry detection and ripeness classification using YOLOv8+ model and image processing method. Agriculture. 2024; 14(5). 751 p. doi: 10.3390/agriculture14050751
8. Gang M-S, Sutthanonkul T, Lee WS. Estimation of strawberry canopy volume in unmanned aerial vehicle RGB imagery using an object detection-based convolutional neural network. Sensors. 2024; 24(21). 6920 p. doi: 10.3390/s24216920
9. Chen Y, Lee WS, Gan H. Strawberry yield prediction based on a deep neural network using high-resolution aerial orthoimages. Remote Sensing. 2019; 11(13). 1584 p. doi: 10.3390/rs11131584
10. Abd-Elrahman A, Wu F, Agehara S. Improving strawberry yield prediction by integrating ground-based canopy images in modeling approaches. ISPRS International Journal of Geo-Information. 2021; 10(4). 239 p. doi: 10.3390/ijgi10040239
11. Zheng C, Abd-Elrahman A, Whitaker VM. Deep learning for strawberry canopy delineation and biomass prediction from high-resolution images. Plant Phenomics. 2022; 9850486. doi: 10.34133/2022/9850486
12. Yue Y, Xu S, Wu HA. Strawberry ripeness detection method based on improved YOLOv8. Applied Sciences. 2025; 15(11). 6324 p. doi: 10.3390/app15116324
13. Li Y, Xue J, Zhang M. YOLOv5-ASFF: a multistage strawberry detection algorithm based on improved YOLOv5. Agronomy. 2023; 13(7). 1901 p. doi: 10.3390/agronomy13071901
14. Tamrakar N, Karki S, Kang MY. Lightweight improved YOLOv5s-CGhostnet for detection of strawberry maturity levels and counting. AgriEngineering. 2024; 6(2). 962-978 p. doi: 10.3390/agriengineering6020055
15. Zhang Y, Zhang L, Yu H. Research on the strawberry recognition algorithm based on deep learning. Applied Sciences. 2023; 13(20). 11298 p. doi: 10.3390/app132011298
16. Yoon S, Jo JS, Kim SB. Prediction of strawberry yield based on receptacle detection and Bayesian inference. Heliyon. 2023; Vol.9. No.3. e14546 p. doi: 10.1016/j.heliyon.2023.e14546
17. Diwan T, Anirudh G, Tembhurne JV. Object detection using YOLO: challenges, architectural successors, datasets and applications. Multimed. Tools Appl. 2023; No.82. 9243-9275 p. doi: 10.1007/s11042-022-13644-y
18. Wu E, Ma R, Dong D. D-YOLO: a lightweight model for strawberry health detection. Agriculture. 2025; 15(6). 570 p. doi: 10.3390/agriculture15060570
19. Lin P, Lee WS, Chen YM. A deep-level region-based visual representation architecture for detecting strawberry flowers in an outdoor field. Precision Agric. 2020; 21. 387-402 p. doi: 10.1007/s11119-019-09673-7
20. Maxwell AE, Warner TA, Guillen LA. Accuracy assessment in convolutional neural network-based deep learning remote sensing studies - Part 1: literature review. Remote Sensing. 2021; 13(13). 2450 p. doi: 10.3390/rs1313245
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Вестник Казанского государственного аграрного университета
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Метаданные научных статей, включая название, аннотацию, сведения об авторах, список литературы, идентификаторы и иные элементы библиографического описания для дальнейшего неограниченного использования, передаются в редакцию с правом их неограниченного использования на условиях открытой лицензии Creative Commons Attribution (CC BY).
