Вычислительная нейросеть для обработки светоотражательных спектров растений и дистанционного фитосанитарного мониторинга картофеля

Статья посвящена изучению возможности использования искусственной нейронной сети WaveLetNN для анализа результатов дистанционного фитосанитарного мониторинга посадок картофеля с целью раннего обнаружения растений, пораженных фитофторозом. Рассмотрены различные методы анализа спектральных характеристик отражения растений, включая метод классификации. Для обнаружения инфицированных фитофторой растений нейронная сеть WaveLetNN анализирует полученные в результате исследований светоотражательные характеристики растений картофеля (в диапазоне 300–1100 нм) и вычисляет индекс когнитивной значимости (CSI = 0…10), характеризующий интенсивность биохимических процессов внутри растений, направленных на противодействие фитопатогенной микрофлоре. При этом установлено, что существенное возрастание индекса CSI сигнализирует об инфицировании растений фитопатогенной микрофлорой и активизации защитных биохимических процессов со стороны растений. Для достоверной индикации зараженных растений нейронная сеть WaveLetNN прошла тестовое обучение на большом количестве светоотражательных спектров незараженных растений и растений, искусственно зараженных фитофторозом. Спектральные характеристики отражения зараженных и незараженных растений снимались в течение 3, 4, 7 и 8 суток после заражения. Обработка полученных спектров с помощью нейронной сети WaveLetNN позволила выявить существенные различия между спектральными характеристиками второго и третьего порядка, у незараженных и зараженных фитофторозом растений на третьи сутки после заражения. Причем значения индекса CSI для зараженных растений равнялись 6,1…6,7, для здоровых – 1,9…2,5. Нейронная сеть WaveLetNN устраняет влияние на светоотражательные спектры пространственного расположения листьев растений, неровностей поверхности почвы и затененности отдельных участков поля, нормируя спектры на суммарную интенсивность отраженного от листьев света. Таким образом, нейронная сеть WaveLetNN может применяться в качестве программного ядра online-систем дистанционного фитосанитарного мониторинга растений картофеля.

1. Павлюшин В. А., Лысов А. К. Фитосанитарная безопасность агроэкосистем и дистанционный фитосанитарный мониторинг в защите растений. Современные проблемы дистанционного зондирования поверхности Земли из космоса. 2019;16(3):69–78. DOI: https://doi.org/10.21046/2070-7401-2019-16-3-69-78 EDN: TLBKYV

2. Борзов С. М., Потатуркин О. И. Выбор информативной системы признаков при классификации сельскохозяйственных культур по гиперспектральным данным. Автометрия. 2020;56(4):134–144. DOI: https://doi.org/10.15372/AUT20200414 EDN: DLRSCS

3. Jin X., Jie L., Wang Sh., Qi H. J., Li Sh. W. Classifying Wheat Hyperspectral Pixels of Healthy Heads and Fusarium Head Blight Disease Using a Deep Neural Network in the Wild Field. Remote Sensing. 2018;10(3):395. DOI: https://doi.org/10.3390/rs10030395

4. Янишевская Н. А., Болодурина И. П. Применение технологий компьютерного зрения для разработки модели распознавания поражений культурных растений. Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2021;21(3):5–13. DOI: https://doi.org/10.14529/ctcr210301 EDN: LHLMBD

5. Militante S. V., Gerardo B. D., Medina R. P. Sugarcane Disease Recognition using Deep Learning. IEEE Eurasia Conference on IOT, Communication and Engineering (ECICE), Yunlin, Taiwan, 2019. рp. 575–578. DOI: https://doi.org/10.1109/ECICE47484.2019.8942690

6. Gold K. M., Townsend P. A., Chlus A., Herrmann I., Couture J. J., Larson E. R., Devens A. J. Hyperspectral measurements enable pre-symptomatic detection and differentiation of contrasting physiological effects of late blight and early blight in potato. Remote Sensing. 2020;12(2):286. DOI: https://doi.org/10.3390/rs12020286

7. Zhang W., Zhu Q., Huang M., Guo Y., Qin J. Detection and Classification of Potato Defects Using Multispectral Imaging System Based on Single Shot Method. Food Analytical. Methods. 2019;12:2920–2929. DOI: https://doi.org/10.1007/s12161-019-01654-w

8. Moghimi A., Yang C., Anderson J. A., Reynolds S. K. Selecting informative spectral bands using machine learning techniques to detect Fusarium head blight in wheat. ASABE Annual International Meeting. 2019:1900815. DOI: https://doi.org/10.13031/aim.201900815

9. Novikova I., Titova Yu. A., Krasnobaeva I., Boikova I., Minin V., Zakharov A., Murzaev E. New polyfunctional biorationals use to achieve competitive yield of organic potatoes in the North-West Russian ecosystem. Plants. 2022;11(7):962. DOI: https://doi.org/10.3390/plants11070962

10. Lysov A. K., Kornilov T. V., Khyutti A. V. Spectral characteristics of reflection of waves in the optical range of healthy and diseased potato plants by y-virus and late blight. Research on crops. 2021;22(5):38–41. DOI: https://doi.org/10.31830/2348-7542.2021.010

11. Sutrop U. List task and a cognitive salience index. Field methods. 2001;13(3):263–276. DOI: https://doi.org/10.1177/1525822X0101300303

12. Маркова Л. В., Корчевская Е. А. Численные методы нахождения собственных векторов и собственных значений матриц. Витебск: УО «ВГУ им. П. М. Машерова», 2011. 47 с.

13. Воровьев Н. И., Лысов А. К. Нейросетевая программа WaveLet анализа спектрально-отражательных характеристик растений: свидетельство о государственной регистрации программы для ЭВМ №2023669473 Российская Федерация. №2023668120: заявл. 01.09.2023; опубл. 14.09.2023.