Данная работа посвящена разработке инструмента для своевременного распознавания болезней растений по фотографиям их листьев. В процессе выполнения работы выполнено сравнение существующих методов детекции объектов на изображениях. В качестве наиболее подходящего метода выбран алгоритм на основе архитектуры модели нейронной сети YOLOv8. Датасет фотографий PlantDoc был выбран для обучения. В результате предобработки, была сформирована обучающая выборка, из которой были исключены фотографии несоответствующие реальными данным с мест проведения сельскохозяйственных работ. Предобученная модель YOLOv8 nano была была обучена на данных с аугментацией. Для тестирования была подготовлена обучающая выборка, состоящая из 883 изображений растений. Для разметки данных был привлечен специалист из области. Точность предсказания (precision) обученной модели на тестовых данных составила 85 процентов. Полнота предсказаний (recall) – 49 процентов. Средняя точность предсказаний (mAP) - 71 процент. Полученная модель была интегрирована в разработанное мобильное приложение способное работать без доступа в интернет, делать снимки с камеры или загружать фотографии с устройства и производить детекцию болезней на изображении.

This work is devoted to the development of a tool for the timely recognition of plant diseases from photographs of their leaves. In the course of the work, a comparison of existing methods for detecting objects in images was performed. An algorithm based on the architecture of the YOLOv8 neural network model was chosen as the most appropriate method. The PlantDoc photo dataset was selected for training. After preprocessing, a training sample was formed and photos that did not correspond to real data from the sites of agricultural work were excluded. The pre-trained YOLOv8 nano model was trained on augmentation data. For testing, a training sample was prepared, consisting of 883 images of plants downloaded from the Internet, using automated tools. A specialist from the field was brought in to mark up the data. The accuracy of prediction (precision) of the trained model based on test data is 85 percent. The completeness of predictions (recall) is 49 percent. The mean average accuracy of predictions (mAP) is 71 percent. The resulting model was integrated into a developed mobile application capable of working without Internet access, taking pictures from the camera or uploading photos from the device and detecting diseases in the image.