ИНТЕГРАЦИЯ МУЛЬТИСПЕКТРАЛЬНЫХ ДАННЫХ В МОДЕЛИ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ СЕЛЬСКОХОЗЯЙСТВЕННЫХ УГОДИЙ
DOI:
https://doi.org/10.53002/120Ключевые слова:
семантическая сегментация, мультиспектральные данные, точное земледелие, дистанционное зондирование, сельскохозяйственные угодья, U-Net, DeepLabV3+, MobileNet_v2, ResNet, ближний инфракрасный диапазон, Agriculture-Vision, мониторинг посевов, нейронные сети глубокого обучения.Аннотация
Развитие точного земледелия требует автоматизированного мониторинга посевов на основе мультиспектральных данных. Исследование систематически оценивает влияние спектральных конфигураций RGB и RGB+NIR на точность семантической сегментации сельхозугодий при использовании архитектур U-Net и DeepLabV3+ с энкодерами MobileNet_v2, ResNet18, ResNet34, ResNet50 на датасете Agriculture-Vision-2021. Модели сопоставлялись по Intersection over Union и F1-score для девяти классов на аннотированных снимках полей кукурузы, пшеницы, подсолнечника. Полученные результаты формируют стратифицированные рекомендации по выбору сенсорных конфигураций для хозяйств, оптимизируя компромисс между точностью мониторинга и затратами на оборудование.
Библиографические ссылки
S. Veeragandham and H. Santhi, “A review on the role of Machine Learning in agriculture,” Scalable Computing: Practice and Experience, vol. 21, no. 4, pp. 583–589, 2020. doi: 10.12694/scpe.v21i4.1699.
M. G. F. Odounfa, C. D. S. J. Gbemavo, S. P. G. Tahi, and R. L. Glèlè Kakaï, “Deep Learning methods for enhanced stress and pest management in market garden crops: A comprehensive analysis,” Smart Agricultural Technology, vol. 9, Art. no. 100521, 2024. doi: 10.1016/j.atech.2024.100521.
A. Singla et al., “Exploration of Machine Learning approaches for automated crop disease detection,” Current Plant Biology, vol. 40, Art. no. 100382, 2024. doi: 10.1016/j.cpb.2024.100382.
Vision for Agriculture – Dataset 2021. [Электронный ресурс]. Доступно: https://www.agriculture-vision.com/agriculture-vision-2021/dataset-2021 (дата обращения: 15.11.2025).
O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” 2015. [Электронный ресурс]. Доступно: https://arxiv.org/pdf/1505.04597 (дата обращения: 24.11.2025).
L.-C. Chen, Y. Zhu, G. Papandreou, F. Schroff, and H. Adam, “Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation,” 2018. [Электронный ресурс]. Доступно: https://arxiv.org/pdf/1802.02611 (дата обращения: 02.12.2025).
H. M. Sahin, T. Miftahushudur, B. Grieve, and H. Yin, “Segmentation of weeds and crops using multispectral imaging and CRF-enhanced U-Net,” Computers and Electronics in Agriculture, vol. 211, Art. no. 107956, 2023. doi: 10.1016/j.compag.2023.107956.
M. Habib, S. Sekhra, A. Tannouche, and Y. Ounejjar, “New segmentation approach for effective weed management in agriculture,” Smart Agricultural Technology, vol. 8, Art. no. 100505, 2024. doi: 10.1016/j.atech.2024.100505.
L. Fu and S. Li, “A New Semantic Segmentation Framework Based on UNet,” Sensors, vol. 23, no. 19, Art. no. 8123, 2023. doi: 10.3390/s23198123.
J. K. Jadhav and R. P. Singh, “Automatic Semantic Segmentation and Classification of Remote Sensing Data for Agriculture,” Mathematical Models in Engineering, vol. 4, no. 2, pp. 112–137, 2018. doi: 10.21595/mme.2018.19840.
M. Fawakherji, V. Suriani, D. Nardi, and D. D. Bloisi, “Shape and Style GAN-Based Multispectral Data Augmentation for Crop/Weed Segmentation in Precision Farming,” Crop Protection, vol. 184, Art. no. 106848, 2024. doi: 10.1016/j.cropro.2024.106848.
R. Al-Ruzouq et al., “Spectral-Spatial Transformer-Based Semantic Segmentation for Large-Scale Mapping of Individual Date Palm Trees Using Very High-Resolution Satellite Data,” Ecological Indicators, vol. 163, Art. no. 112110, 2024. doi: 10.1016/j.ecolind.2024.112110.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 М.В. Авдеенко, Н.В. Мутовина
Это произведение доступно по лицензии Creative Commons «Attribution-ShareAlike» («Атрибуция — На тех же условиях») 4.0 Всемирная.
