ІНТЕЛЕКТУАЛЬНА СИСТЕМА ДЛЯ ВИЗНАЧЕННЯ ШКІДНИКІВ РОСЛИН НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ ТЕХНОЛОГІЙ

К. Ю.  Островська; А. К.  Левашкевич

doi:10.34185/1562-9945-2-163-2026-12

Автор(и)

К. Ю. Островська https://orcid.org/0000-0002-9375-4121
А. К. Левашкевич https://orcid.org/0009-0007-0486-4411

DOI:

https://doi.org/10.34185/1562-9945-2-163-2026-12

Ключові слова:

детектування, трекінг маркеру AR, інтелектуальна система, нейронна мережа YOLOv5s, аугментація, датасет, мова Python

Анотація

Актуальною є задача розробки нейромережевих моделей, що забезпечують високу точність детектування шкідників рослин за мінімальних обчислювальних та часових витрат. Вирішення цього завдання сприятиме розвитку цифрових технологій в аграрній галузі та надаватиме можливість для оперативного та точного виявлення загроз сільськогосподарським культурам, зокрема, визначення шкідників рослин. Ме-тою роботи є розробка інтелектуальної системи для визначення шкідників рослин на основі нейромережевих технологій. У ході дослідження було реалізовано та про-аналізовано модель детектування об'єктів на основі архітектури YOLOV5s.
Для навчання та валідації моделі був використаний набір даних, сформований на основі відкритих датасетів, розміщених на платформі Roboflow. Підсумковий датасет вклю-чає 3766 анотованих зображень, кожне з яких містить не менше одного об'єкта, що відноситься до одного з 18 наперед визначених класів. Для підвищення узагальнюючої здатності моделі та розширення різноманітності навчального датасета на етапі пе-редобробки використовувалася бібліотека аугментацій Albumentations. Навчання про-водилося з використанням оптимізатора стохастичного градієнтного спуску. Для управління швидкістю навчання застосовувався косинусний планувальник. В роботі ре-алізовано взаємодію користувача з серверною частиною з інтерфейсом у вигляді чат-бота. Розроблена інтелектуальна система забезпечує два повноцінні режими роботи: режим інференсу нейромережі (predict) та режим збору даних (collect). Перемикання між режимами здійснюється як через команди, так і автоматично – на основі наяв-ності моделі у файловій системі серверної частини веб-застосунку. За результатами тестування підтверджено стабільну роботу серверної частини та демонструє повну відповідність заявленим функціональним вимогам.

Посилання

Soucy J., Jin A. Comparative Study of Convolutional Neural Net-works for Plant Pests De-tection. // Journal of Agricultural Sciences, 2020. № 15 (3). 67–76 pp. DOI:10.61467/2007.1558.2025.v16i2.603

Hoiem K., Hebert R. Performance Evaluation of Different Convolutional Neural Networks for Pest Detection in Agricultural Crops. // International Journal of Agricultural Research, 2019. № 24 (2). 89-96 pp. DOI:10.3390/agriengineering5040145

Park S., Brown K. Comparative Study of Plant Pest Detection використовуючи YOLOV5. // Journal of Agricultural Technology, 2021 № 20(2). 45-56 pp.

Sun L., Zhang S. Comparison of CNN Architectures for Plant Pest Detection. // Proceed-ings of the International Conference on Agriculture and Technology, 2020. 123-130 pp. DOI:10.3390/agriculture12081192

Turk S. Evaluation of fixed-view cameras for pest tracking in crop fields. / / Crop Protec-tion, 2019. № 25 (4). 321-335 pp.

Kang C., Zhu W. Evaluation of efficient plant pest monitoring system using tracking Тех-нологія. // Journal of Pest Management, 2018 року. 123-135 pp.

Ramesh Y., Choi J. Assessment of Plant Pest Tracking Method Us-ing Fixed View Cam-eras. // Plant Protection Research, 2019. № 12 (2). 75-82 pp.

Zhou, Y., Liu, W., Bi H., Chen, R., Zong, S., Luo, Y.A. (2022) Detection Method for Indi-vidual Infected Pine Trees with Pine Wilt Disease Based on Deep Learning. // Forests, Т.13. №11, p. 1880. https://doi.org/10.3390/f13111880

Platforma vidkrytykh datasetiv Roboflow. URL: https://roboflow.com/

Biblioteka auhmentatsii Albumentations. URL: https://albumentations.ai/

Ostrovska K.Yu., Levashkevych A.K. Rozrobka veb-dodatku dlia vyznachennia shkid-nykiv roslyn na osnovi neiromerezhevykh tekhnolohii // Informatsiini tekhnolohii: modeli, alhorytmy, systemy (ITMAS – 2025): Materialy VI Mizhnarodnoi naukovo-praktychnoi in-ternet konferentsii (16-17 lystopada 2025 r.). – Mykolaiv: NUK imeni admirala Makarova, 2025. s. 169 – 172. URL: https://itconf.nuos.edu.ua/2025/proceedings/