Upeņu lapu analīze, izmantojot instanču segmentāciju un daudzklašu klasifikāciju

Abstract

Augu veselības stāvokļa analīze lauksaimniecībā bieži balstās uz lapu vizuālo īpašību no vērtējumu. Tradicionāli šo uzdevumu veic manuāli. Attīstoties mašīnmācīšanās metodēm un to pielietojumam precīzajā lauksaimniecībā, paveras arvien lielākas iespējas šo procesu automatizēt un samazināt cilvēka iesaisti. Šajā pētījumā tiek analizēta mašīnmācīšanās metožu pielietošana upeņu stādījumu analīzei, izmantojot RGB attēlus. Darbā apskatīti pētījumi, kuros līdzīgas metodes izmantotas citu augu analīzei, balstoties uz lapu attēliem. Piedāvātā pieeja ietver atsevišķu lapu segmentēšanu, izmantojot YOLOv9c-seg modeli, kam seko daudzklašu klasifikācija ar ResNet-50 modeli. Rezultāti liecina, ka šī metode, neraugoties uz noteiktiem ierobežojumiem, sasniedz pietiekamu precizitāti, lai identificētu veselības problēmas upeņu stādījumos un novērtētu kopējo apstādīto teritoriju stāvokli.

Plant health assessment in agriculture often relies on the evaluation of visual leaf characteristics. Traditionally, this task is performed manually. With the advancement of machine learning methods and their application in precision agriculture, there are increasing opportunities to automate this process and reduce human involvement. This study analyzes the application of machine learning methods for the analysis of blackcurrant plantations using RGB images. The work reviews studies where similar methods have been used for the analysis of other plants based on leaf images. The proposed approach involves the segmentation of individual leaves using the YOLOv9c-seg model, followed by multi-class classification with the ResNet-50 model. The results indicate that this method, despite certain limitations, achieves sufficient accuracy to identify health issues in blackcurrant plantations and assess the overall condition of the planted area.