Картофельные культуры имеют широкое применение в промышленности, поэтому важно бороться с потерей урожая. Один из методов - дистанционное зондирование. Мониторинг состояния полей позволяет предприятиям оценивать их качество и принимать меры по устранению угроз. В работе предлагается подход к решению данной проблемы - анализ снимков полей с дронов с помощью модели глубокого обучения и алгоритмической постобработки предсказаний модели. Был реализован метод автоматического обнаружения на аэрофотоснимках с дрона угроз картофелю. Полученные результаты показывают возможность применения данного метода для обнаружения некоторых классов угроз.

Potato crops have a wide range of applications in industry, so its important to combat crop loss. One method is remote sensing. Monitoring the condition of fields allows enterprises to assess their quality and take measures to eliminate threats. This work proposes an approach to solving this problem - the analysis of drone images of fields using a deep learning model and algorithmic post-processing of the model predictions. A method for automatic detection of potato threats in drone aerial photographs was implemented. The obtained results demonstrate the possibility of using this method for detecting certain classes of threats.

• 1. Исследование предметной области и существующих аналогов
• 2. Исходные данные и постановка задачи
  • 2.1. Исходные данные
  • 2.2. Постановка задачи
• 3. Выбор технологий
  • 3.1. Критерии выбора метода детекции
  • 3.2. Обзор существующих методов детекции объектов на изображении
    • 3.2.1. Традиционные методы
    • 3.2.2. Методы, основанные на глубоком машинном обучении
  • 3.3. Критерии выбора инструмента разметки
  • 3.4. Выбор инструмента разметки
  • 3.5. Выбор языка программирования и библиотек для машинного обучения
• 4. Обучающая выборка
  • 4.1. Формирование выборки
  • 4.2. Результаты разметки
  • 4.3. Анализ разметки
• 5. Обучение детектора изображений
  • 5.1. Используемые метрики
  • 5.2. Выбор предобученных моделей
    • 5.2.1. Доступные предобученные модели
    • 5.2.2. Первичное обучение и сравнение моделей
  • 5.3. Аугментация
    • 5.3.1. Используемые аугментации
    • 5.3.2. Результаты обучения с аугментацией
• 6. Анализ ошибок
  • 6.1. Проблемы обучающей выборки
    • 6.1.1. Решение проблемы ''загрублённой'' разметки
    • 6.1.2. Решение проблемы недоразмеченных примеров
  • 6.2. Ошибки модели для классов угроз
    • 6.2.1. Ошибки фитофтороза
    • 6.2.2. Постобработка для примеров фитофтороза
    • 6.2.3. Ошибки хлороза и их постобработка
    • 6.2.4. Ошибки сорняков и вирусов
  • 6.3. Детекция нескольких классов в одной области
  • 6.4. Схема постобработки
  • 6.5. Результаты постобработки
• 7. Тестирование и анализ
  • 7.1. Результаты тестирования
  • 7.2. Анализ результатов тестирования