Машинное зрение и глубокое обучение для умного сельского хозяйства

Значительная часть населения использует сельское хозяйство для обеспечения занятости, сырья и продовольствия, что делает его одним из важнейших секторов мирового бюджета. Изменчивость климата, сокращение пахотных земель, растущий спрос на продовольствие, нехватка рабочей силы и необходимость внедрения устойчивых методов ведения сельского хозяйства — вот некоторые из основных проблем, стоящих перед современным сельским хозяйством. Из-за этих трудностей сельское хозяйство должно включать в себя передовые технологии для сохранения экологического баланса, производства и эффективности.

Ветвь искусственного интеллекта (ИИ), называемая машинным зрением, произвела революцию в мире сельского хозяйства. Мониторинг урожая и почвы, автоматизированная уборка урожая, диагностика заболеваний и многие другие сельскохозяйственные приложения стали возможны благодаря машинному зрению, позволяющему роботам понимать и оценивать визуальные данные.

Точное земледелие, при котором такие ресурсы, как вода, удобрения и пестициды, эффективно используются для увеличения урожайности и минимизации воздействия на окружающую среду, получило значительное развитие благодаря способности систем машинного зрения предоставлять своевременную, точную и полезную информацию.

В этой главе представлен всесторонний обзор методов, ресурсов и применений машинного зрения в сельском хозяйстве. Анализируется традиционное развитие машинного зрения в сельском хозяйстве, оцениваются последние исследования, рассматриваются методы сбора и анализа изображений, а также демонстрируются наиболее мощные модели глубокого обучения. Цель состоит в том, чтобы прояснить, как эти интеллектуальные системы меняют сельскохозяйственную среду, и определить потенциальные области для дальнейших исследований и применения.

1.1. Значение сельского хозяйства и земледелия в мировой экономике

Сельскохозяйственные социальные услуги (ССО) стали важнейшим инструментом повышения производительности труда в сельском хозяйстве в структуре современного сельскохозяйственного роста. ССО могут эффективно снижать эксплуатационные расходы, повышать эффективность использования ресурсов, способствовать распространению технологий и решать природоохранные проблемы за счет развития широкой системы поддержки, включающей технологическую помощь, совместное использование оборудования, рыночные связи и оптимизацию ресурсов.

Это будет способствовать развитию устойчивых методов ведения сельского хозяйства. Помимо повышения устойчивости сельского хозяйства и сокращения разрыва в производительности между мелким и коммерческим фермерством, эти интегрированные услуги также повышают эффективность труда, увеличивают урожайность и улучшают доходы фермеров (Bai et al. 2025).

Сельское хозяйство, являющееся жизненно важной частью человечества во всем мире, служит основой для обеспечения продовольствием людей во всем мире, создания рабочих мест и развития сельских районов, содействия сохранению имеющихся ресурсов и продвижения роста других областей глобальной экономической и социальной деятельности. Сельское хозяйство является важнейшей областью, обеспечивающей продовольственную безопасность. Каждая страна имеет свою собственную структуру, хотя и сохраняет особенности, характерные для определенных групп стран, на основе различных показателей эффективности (Coca et al. 2023).

Рисунок 1 иллюстрирует роль сельского хозяйства в индийской экономике, подчеркивая его роль в укреплении торговых отношений. Сельское хозяйство, крупнейшая отрасль первичного производства, является одним из секторов биоэкономики. Помимо влияния на культурные ландшафты, сельское хозяйство связано с истощением водных и почвенных ресурсов, а также с сокращением сопутствующих товаров и экосистемных услуг.

На его долю приходится 13,5% мировых выбросов парниковых газов и потеря биологического разнообразия. Таким образом, биоэкономика в сельском хозяйстве должна быть устойчивой в будущем. Это означает, что производство сельскохозяйственных культур должно контролироваться для сохранения биологического разнообразия и экосистемных услуг, одновременно обеспечивая растущее население достаточным количеством продовольствия и биомассы (Nowak et al. 2021).

Глобальная экономика в значительной степени зависит от сельского хозяйства, поскольку оно обеспечивает продовольствием и сырьем, необходимыми для пропитания растущего населения мира. Сельскохозяйственный сектор жизненно важен для увеличения доступности продовольствия и повышения продовольственной безопасности, а также необходим для сохранения существования человека. Однако сегодня перед сельским хозяйством стоит множество важных проблем, которые необходимо решить для обеспечения устойчивости и безопасности продовольствия.

Одна из главных проблем — обеспечение продовольствием быстро растущего населения мира при одновременном минимизировании ущерба окружающей среде и защите природных ресурсов для будущих поколений (Саняолу и Садовски, 2024). Основная цель данного исследования — помочь фермерам повысить сельскохозяйственную производительность и улучшить свое экономическое положение. Однако недостаток понимания и технических знаний является существенным препятствием для широкого использования беспилотных технологий в сельском хозяйстве. В настоящее время эффективная эксплуатация и управление беспилотными системами иногда требуют участия профессионалов (Чоухан и др., 2025a ).

Рис.1. Значение аграрной экономики

1.2. Проблемы традиционных методов ведения сельского хозяйства

Сельскохозяйственная деятельность оказывает значительное влияние на состояние окружающей среды и природных ресурсов. Монокультурное массовое производство и чрезмерное использование химических пестицидов и удобрений являются наиболее вредными для окружающей среды методами ведения сельского хозяйства, приводящими к эрозии почвы, загрязнению водоемов и разрушению организмов. Выбросы парниковых газов, таких как углекислый газ, метан и оксид азота, в основном обусловлены интенсивным животноводством и использованием синтетических удобрений.

В некоторых местах большие объемы выбросов парниковых газов образуются из-за неправильной утилизации или сжигания растительных отходов вместо их повторного использования. Использование пестицидов и удобрений приводит к эвтрофикации озер, что наносит ущерб водным экосистемам (Boros et al. 2025). В таблице 1 показаны проблемы, возникающие при традиционных методах ведения сельского хозяйства.

Таблица 1. Проблемы традиционных методов ведения сельского хозяйства.

Исик и др. (2024): Развитие общенационального мониторинга урожая значительно облегчилось благодаря оценке урожайности на основе дистанционного зондирования Земли (ДЗЗ), которая фокусируется на использовании данных об условиях урожая в любое время. Благодаря достижениям в политике открытых данных дистанционного зондирования, общедоступные данные ДЗЗ высокого разрешения предоставляют годовые маски урожая и позволяют глубже понять тенденции сельскохозяйственной деятельности на уровне поля. Разрешение целевой переменной, урожайности на уровне коммуны, ограничивает эффективное использование данных ДЗЗ, что, в свою очередь, ограничивает возможности использования огромного количества данных ДЗЗ, которые могли бы обеспечить точную оценку урожайности с помощью моделей оценки, основанных на физических принципах и учитывающих данные, даже несмотря на то, что данные ДЗЗ на уровне поля предоставляют подробную информацию.

Кавиприя и Вадиву (2024): Оценка урожайности сельскохозяйственных культур имеет жизненно важное значение для планирования сельского хозяйства, распределения ресурсов и обеспечения продовольственной безопасности. В этом исследовании анализируется использование изображений дистанционного зондирования с применением методов машинного обучения и глубокого обучения для прогнозирования урожайности сельскохозяйственных культур. Многоспектральные и гиперспектральные изображения дистанционного зондирования представляют собой ценный источник информации для мониторинга состояния сельскохозяйственных культур и прогнозирования будущего производства. В данном исследовании рассматривается использование обширной спектральной и географической информации, собранной датчиками дистанционного зондирования. Используя иерархические представления, полученные из данных дистанционного зондирования, для извлечения признаков и прогнозирования применяются сверточные нейронные сети (CNN) и машинное обучение.

Саху и др. (2024): Сочетание глубокого обучения, Интернета вещей и контроллеров повышает производительность и эффективность сельского хозяйства. Локально установленная модель YOLOv8, модифицированная на Raspberry Pi, используется роботом-следопытом для получения изображений растений. Автоматически сканируя растения на наличие болезней и дефицита питательных веществ, таких как азот, фосфор и калий (N, P и K), система следит за состоянием растений. Для анализа изображений была выбрана стратегия трансферного обучения с использованием сети VGG16. Кроме того, система упрощает ввод информации о культурах для пользователя, что позволяет определить необходимое количество воды для надежного и здорового земледелия. Это дает агрономам возможность простым способом контролировать и управлять состоянием урожая для получения высокого урожая.

Кавита и др. (2024): Критические ограничения существующих методов прогнозирования и мониторинга урожая подчеркивают острую необходимость улучшения сельскохозяйственной практики. Эффективность принятия решений в сельском хозяйстве и устойчивость сельского хозяйства серьезно ограничены традиционными методами, которые часто характеризуются низкой точностью и высоким уровнем ресурсоемкости в ответ на эти трудности. В настоящее время разрабатывается оптимизированная модель прогнозирования и мониторинга урожая (OCPMM) — новая методика, использующая передовые алгоритмы машинного обучения (MLA) для повышения точности и эффективности управления урожаем. Устанавливая новый стандарт для точного земледелия, OCPMM выделяется благодаря своим инновационным функциям, включая анализ данных в реальном времени и прогнозную аналитику.

Сай и др. (2024): На сельскохозяйственную продуктивность региона сильно влияют несколько компонентов, включая влажность почвы, pH, температуру и влажность воздуха. Эти параметры оказывают влияние на урожайность, анализ роста растений и оценку содержания органического углерода. В данном исследовании, используя динамический набор данных о влажности почвы, представлено углубленное изучение связи между температурой и влажностью почвы. Для анализа и прогнозирования закономерностей в наборе данных мы используем оптимизацию роя частиц (PSO) и квантовый генетический алгоритм (QGA) с квантовой долговременной кратковременной памятью (QLSTM). Наш метод предлагает альтернативный взгляд на переменные окружающей среды, а также повышает точность вычислений влажности почвы.

Снеха и др. (2023): Обнаружение сорняков играет важную роль, требуя применения алгоритмов глубокого обучения для регулирования и идентификации роста сорняков на полях. Для распознавания объектов на фотографиях в данном исследовании используются алгоритмы идентификации Yolo, Centene и Region-Based Convolutional Neural Network (R-CNN). Кроме того, в данной работе предлагается оригинальный подход к идентификации сорняков на основе их размера. R-CNN широко используется во многих приложениях обработки изображений, таких как анализ дорожного движения, сельское хозяйство и здравоохранение. Предложенная методика предлагает работоспособное и недорогое решение для точной идентификации сорняков в сельском хозяйстве. Процедура определения размеров и ширины сорняка, определяемая с помощью R-CNN, требует дополнительных механизмов обработки, которые помогают понять рост и последующие действия, необходимые для удаления сорняков в зависимости от их роста.

Дандекар и др. (2022): Человечество может жить на этой планете только благодаря сельскому хозяйству. В сельском хозяйстве идентификация и классификация сорных растений представляют собой серьезную техническую и финансовую проблему. Поскольку сорняки поглощают важные питательные вещества, необходимые другим культурам, они создают проблемы на полях. Это привело к недавнему использованию специализированных работников для ручного обнаружения сорняков. Позже, с развитием технологий, люди начали уничтожать сорняки гербицидами. Без человеческой помощи люди пытаются разобраться в сорняках, но их усилия не увенчались успехом и не дошли до общественности из-за их неточности.

Гаятри и Правеена (2023): Сельское хозяйство жизненно важно для выживания всех живых существ; это основное искусство, которое каждая страна будет использовать для своей экономики. Используя технологии для повышения качества зерна, фермеры могут сократить свою общую рабочую нагрузку. Фермеры могут максимизировать урожайность с меньшими затратами труда и более высоким процентом роста, внедряя эффективные методы борьбы с сорняками и их искоренения, что приводит к лучшему росту растений и повышению эффективности использования воды. Автоматическое распознавание и классификация могут иметь решающее значение для борьбы с сорняками, что позволит улучшить использование ресурсов и снизить затраты на борьбу с ними.

Пай и др. (2024): Методы глубокого обучения (DL), позволяющие быстро определять местоположение и обнаруживать объекты, произвели революцию в сельском хозяйстве. Однако идентификация и классификация сорняков могут быть сложной задачей из-за сходства цвета, формы и текстуры между сорняками и культурными растениями. Глубокое обучение, являющееся важным компонентом машинного обучения (ML), предлагает преимущества в обнаружении, распознавании объектов и классификации изображений. Подходы ML испытывают трудности с извлечением и выбором отличительных признаков, поскольку культуры и сорняки схожи. В данном обзоре литературы рассматриваются возможности различных методов глубокого обучения для идентификации, локализации и классификации сорняков. В этом исследовании рассматривается текущее состояние методов идентификации и классификации сорняков на основе глубокого обучения.

Вы (2023): Вредители растений представляют собой значительную угрозу для развития сельского хозяйства и обходятся фермерам в большие деньги. Помимо распространения болезней растений, вредители также напрямую вызывают значительные сельскохозяйственные потери. Помимо своего многообразия, они обладают сложной видовой структурой, циклами роста и процессами трансформации, что делает борьбу с ними довольно сложной для фермеров. Улучшение цифровой обработки изображений в последние годы позволило использовать методы идентификации вредителей растений как для идентификации, так и для изучения насекомых. Нейронные сети не рассматриваются в традиционных методах идентификации вредителей, которые в основном сосредоточены на технологиях цифровой обработки изображений или алгоритмах машинного обучения. Внедрение нейронных сетей, таких как сверточные нейронные сети, является основой подходов, основанных на глубоком обучении. Наконец, в данном исследовании рассматриваются будущие тенденции и направления исследований, а также анализируется точность предыдущих исследований.

Яо (2023): Эффективное распознавание и борьба с вредителями и болезнями имеет решающее значение для обеспечения процветания фермеров, выращивающих фрукты, учитывая быстрое развитие отрасли и расширение площадей виноградников в южной части провинции Цзянсу. Помимо использования технологий обработки изображений для предварительной обработки фотографий болезней виноградных листьев и насекомых-вредителей, в данной работе исследуется идентификация обычной черной гнили, кольцевой пятнистости и бурой пятнистости на листьях винограда. Результаты эксперимента показывают, что для изображений насекомых-вредителей и болезней виноградных листьев со сложным фоном сверточная нейронная сеть DenseNet121 демонстрирует наилучший эффект распознавания, наименьшее время распознавания и наивысшую эффективность.

Ху и др. (2023): Одним из основных факторов, влияющих на эффективность выращивания бетеля, являются вредители и болезни бетеля. Болезни и вредители бетеля крайне негативно влияют на экономическую ситуацию в провинции Хайнань, Китай, которая производит большое количество бетеля. В этом исследовании предлагается модель идентификации вредителей и болезней бетеля на основе улучшенного алгоритма YOLOv5 для решения проблемы сбоев в производстве бетеля, вызванных болезнями и насекомыми-вредителями плантаций. Для повышения адаптивности модели сначала были классифицированы и собраны изображения семи вредителей и болезней бетеля. Затем изображения были очищены с помощью метода интерполяции ближайшего соседа, и, наконец, изображения были улучшены с помощью метода преобразования изображений. Далее для улучшения модели использовался Swin Transformer вместе с алгоритмом YOLOv5. Наконец, для обучения модели использовалась платформа глубокого обучения на основе PyTorch.

Ян и др. (2023): Сверточные нейронные сети (CNN), основанные на глубоком обучении, в последние годы продемонстрировали замечательную эффективность в диагностике болезней и вредителей сельскохозяйственных культур. В данной работе представлена ​​эффективная модель CNN на основе мобильного терминала, которая точно распознает распространенные виды вредителей и болезней сельскохозяйственных культур, решая проблемы низкой точности и слабой обобщающей способности предыдущих подходов к идентификации болезней и вредителей масличной камелии. В процессе обучения используется двухэтапная техника трансферного обучения (TL). Кроме того, для построения интегрированной модели глубокого обучения используется облегченная конструкция сверточной сети, извлечение и объединение признаков, а также сжатие модели.

Исравел и др. (2023): Вредители и болезни листьев являются основными проблемами, влияющими на качество урожая и здоровье растений. Для увеличения урожая используются многие передовые технологии. Использование подходов глубокого обучения (DL) — одна из наиболее распространенных технологий. Многие модели обучения и тестирования, подходящие для интеллектуального сельского хозяйства, финансируются за счет глубокого обучения. Модели глубокого обучения упрощают и повышают эффективность обнаружения вредителей и болезней растений в режиме реального времени. Помимо обзора новейших моделей, ориентированных на обнаружение болезней листьев и идентификацию вредителей, в данной статье представлен подробный обзор методов глубокого обучения, связанных с автоматизацией сельского хозяйства. Найден оптимизатор, и рекомендована лучшая модель глубокого обучения для выбора оптимальных признаков и повышения точности результатов.

Луо и др. (2023): Методы распознавания болезней сельскохозяйственных культур на основе сверточных нейронных сетей трудно масштабировать в сложных ситуациях из-за ограничений, связанных со сбором образцов и объектами исследования. В данной работе основное внимание уделяется идентификации и классификации вредителей и болезней, поражающих кукурузу, посредством анализа изображений с использованием высококачественных сверточных нейронных сетей (CNN). В качестве примера идентификации болезней кукурузы предлагается усовершенствованный подход на основе сверточных нейронных сетей. Были исследованы факторы, влияющие на эффективность применения, в наборе данных, использующем локальную тонкую сегментацию, удаление фона, масштабирование и увеличение. Усовершенствованная модель распознавания была затем использована для разработки системы обнаружения болезней на основе портативных устройств и подтверждена в полевых условиях.

Чен и др. (2023a): Исторически наиболее распространенными проблемами в сельскохозяйственном производстве были болезни и насекомые-вредители, которые оказывали существенное влияние на урожайность и качество сельскохозяйственной продукции. В результате, в настоящее время агрономы и ученые особенно обеспокоены тем, как правильно выявлять и лечить вредителей и болезни, чтобы эффективно и быстро повышать урожайность. Улучшение исследований по обнаружению и борьбе с сельскохозяйственными вредителями и болезнями, повышение стандартов обнаружения вредителей и болезней, а также сохранение экологического баланса в сельском хозяйстве — все это имеет решающее значение. Для решения этой проблемы в данной статье отказываются от традиционных подходов, таких как ручное и инструментальное распознавание, в пользу нового поколения методов распознавания заболеваний на основе глубокого обучения, которые используют обработку изображений для распознавания патологических состояний сельскохозяйственных культур и получают изображения на основе технологии Интернета вещей — необходимого тренда для будущего развития точного земледелия.

Агарвал и др. (2023): В данной работе рассматриваются насекомые, классифицируемые как вредители. Многочисленные болезни, наносящие вред как людям, потребляющим урожай, так и самим растениям, распространяются и переносятся вредителями. Поэтому крайне важно выявлять этих насекомых-вредителей на ранних стадиях. В данной работе используется набор данных IP102, представляющий собой подборку видов насекомых-вредителей.

Чен и др. (2023b) Все большее количество вредителей и болезней поражает посевные площади под перцем чили, и технология распознавания изображений на компьютере стала важным инструментом для предотвращения и контроля этих проблем. Поскольку в большинстве алгоритмов распознавания болезней и вредителей сельскохозяйственных культур сейчас используется цветовое пространство RGB, модель алгоритма в большей степени опирается на информацию о строении рта из зеленого канала. Изображения перца чили обрабатываются с использованием цветового пространства HSV, что позволяет сверточным нейронным сетям (CNN) извлекать больше характеристик из небольших моделей изображений. Предложенный метод обеспечивает лучшую точность и полноту, а также лучшие возможности для обзора и применения по сравнению с цветовым пространством RGB.

Дугалл и др. (2024): Для получения данных о качестве почвы система измеряет температуру и влажность почвы. На сбор данных отводится четыре недели. В этом исследовании используются микропроцессор, датчики температуры и влажности, а также модуль отображения. С помощью этих двух датчиков идеальные условия для почвы достигаются при температуре от 20 °C до 30 °C и влажности от 60% до 80%. Таким образом, это исследование подчеркивает потенциальную ценность эффективного подхода к определению оптимального использования почвы в сельскохозяйственных целях. Следующие шаги могут быть сосредоточены на повышении надежности датчиков и автоматизации калибровки посредством мониторинга данных в реальном времени.

Рафик и др. (2024): Управление водными ресурсами в сельском хозяйстве, мониторинг наводнений и засух, борьба с лесными пожарами, прогнозирование нашествия саранчи и многие другие области применения зависят от влажности почвы — важнейшей климатической переменной, играющей важную роль в гидрологическом цикле. Хотя в мире существует множество сетей мониторинга влажности почвы на местах, в бассейне Инда такой сети в больших масштабах нет. В этом отчете подведены итоги нашей пятилетней работы в бассейне Инда по созданию сети мониторинга влажности почвы WITSMS-Network, включающей более 200 установок. Основная цель сети — позволить фермерам планировать орошение в режиме реального времени.

Пилия и др. (2024): Была использована возможность интеграции оптических и микроволновых данных для мониторинга свойств растительности. Общая цель заключалась в получении более подробной информации о состоянии растительности путем интеграции глубокого понимания оптических данных в цветах с высокой чувствительностью радиолокационных данных к содержанию воды в растительности. Были установлены экспериментальные зависимости между содержанием воды в почве и растительности и водным статусом растений для коэффициента обратного рассеяния и нескольких оптических индексов. Содержание воды в растительном покрове можно оценить с помощью базовой модели электромагнитного поля. Хотя необходимы дополнительные исследования, полученные результаты подтвердили обоснованность выбранного подхода.

Санкари и др. (2024): Устойчивое сельское хозяйство требует эффективного управления водными ресурсами, особенно в условиях растущего дефицита воды и проблем изменения климата. Для оптимизации использования воды в сельском хозяйстве в данном исследовании предлагается новый подход, сочетающий анализ данных в реальном времени, датчики влажности почвы и точное орошение. Использование капельного орошения для распределения воды непосредственно к корневой зоне культур и снижение испарения и стока обеспечивает значительную экономию воды. Эта система представляет собой эффективный подход к решению проблем управления водными ресурсами с использованием технологий Интернета вещей, алгоритмов машинного обучения и методов водосбережения. Полевые испытания показывают, что система является практичной, эффективной и устойчивой альтернативой традиционным методам орошения, способствуя балансу между сельскохозяйственной продуктивностью и сохранением ресурсов.

Для получения крупных планов листьев, плодов, почвы и вредителей на земле фермеры и исследователи используют роботизированные системы, инструменты на базе смартфонов или портативные камеры. Что касается разрешения, стоимости, зоны покрытия и адаптации к мониторингу в реальном времени, каждый метод имеет свои преимущества и недостатки. Выбор правильной техники получения изображений имеет решающее значение для систем точного земледелия и интеллектуального сельского хозяйства, поскольку он зависит от конкретных сельскохозяйственных работ, окружающей среды и требуемого уровня детализации.

3.1. Датчики и камеры, используемые в сельском хозяйстве

Для того чтобы системы компьютерного зрения в сельском хозяйстве могли собирать точные и полезные данные, необходимо правильно выбрать датчики и камеры. В зависимости от задачи, например, анализа почвы, обнаружения вредителей или контроля состояния растений, используются различные методы визуализации. Каждый из них предлагает уникальные преимущества для конкретных задач в сельском хозяйстве, от базовых RGB-камер до передовых мультиспектральных, гиперспектральных и тепловых датчиков. Некоторые распространенные датчики с их описанием приведены в таблице 2.

Таблица 2. Типичные датчики и камеры, используемые в сельском хозяйстве.

Для улучшения качества изображений и обеспечения стабильной работы модели крайне важна предварительная обработка исходных данных перед использованием сельскохозяйственных фотографий в моделях машинного обучения или глубокого обучения. Предварительная обработка помогает стандартизировать входные размеры, повысить контрастность и удалить шум.

В то же время аннотирование данных включает в себя точную классификацию изображений, что необходимо для задач, связанных с контролируемым обучением. Точность моделей компьютерного зрения в сельскохозяйственных приложениях значительно повышается при сочетании соответствующей аннотации и эффективной предварительной обработки. В таблице 4 показаны некоторые методы аннотирования изображений.

Таблица 4. Методы предварительной обработки изображений и аннотирования данных в сельском хозяйстве.

В данном исследовании подробно представлены последние достижения в области методов компьютерного зрения на основе глубокого обучения, разработанных специально для тепличных условий.

Сначала кратко рассматриваются основы компьютерного зрения и глубокого обучения. Затем проводится всесторонний обзор более чем 100 исследований, проведенных с 2020 года, в которых эти технологии использовались в теплицах для таких целей, как оценка урожайности, выявление заболеваний и мониторинг роста. Анализируются методы, данные, модели и общие результаты, описанные в литературе.

По сравнению с более ранними сельскохозяйственными исследованиями, данное исследование, посвященное именно тепличным условиям, восполняет существующий пробел. В целом, это исследование доказывает огромный потенциал глубокого обучения и компьютерного зрения в ускорении мирового роста интеллектуального тепличного земледелия, основанного на данных (Akbar et al. 2024).

5.1. Сверточные нейронные сети (CNN) для классификации изображений

Одним из основных типов нейронных сетей, используемых для распознавания и классификации изображений, является сверточная нейронная сеть (CNN). Распознавание объектов, обработка изображений, компьютерное зрение и распознавание лиц — это лишь некоторые из областей применения CNN.

Изображения используются в качестве входных данных для сверточных нейронных сетей. Вместо ручного создания признаков, сверточные нейронные сети обычно обучаются определенному порядку признаков, которые впоследствии могут быть использованы для классификации. Для этого входное изображение итеративно подвергается свертке с использованием обученных фильтров для создания иерархии карт признаков. Более высокие слои могут изучать более сложные признаки, которые также инвариантны к искажениям и сдвигу благодаря иерархическому подходу.

Одним из методов машинного обучения, часто используемых в таких ситуациях, является глубокое обучение (DL). Поскольку область применения DL является подмножеством машинного обучения и искусственного интеллекта, его можно рассматривать как функцию ИИ, имитирующую то, как человеческий мозг обрабатывает информацию. Превосходная производительность DL привела к тому, что она значительно превзошла классическую нейронную сеть, из которой она произошла. Более того, DL строит многослойные модели обучения с использованием графовых технологий и преобразований (Taye 2023). Искусственный интеллект стал ключевым компонентом современных технологий, затрагивая такие сектора, как здравоохранение и финансы.

Подмножество искусственного интеллекта, известное как сверточные нейронные сети (CNN), стало мощным инструментом для множества приложений, таких как распознавание речи, идентификация изображений, обработка естественного языка (NLP) и даже геномика, где он применяется для идентификации последовательностей ДНК.

В приложениях распознавания изображений часто используются CNN — мощный тип нейронных сетей. После сбора соответствующих данных из входного изображения с помощью сверточных и пулинговых слоев, один или несколько полносвязанных слоев используют эти признаки для предоставления прогноза. CNN должна быть предварительно протестирована на обширном наборе категоризированных изображений, содержащих объекты, которые будут использоваться для распознавания изображений (Krichen 2023).

5.2. Фреймворки для обнаружения объектов (YOLO, Faster R-CNN) для обнаружения сельскохозяйственных культур/сорняков

Важнейшей частью сельскохозяйственного производства является обнаружение сорняков, включая выявление и контроль несельскохозяйственных растений на полях. Сорняки влияют на развитие и продуктивность сельского хозяйства, конкурируя с культурными растениями за питательные вещества, воду и солнечный свет. Химические пестициды, включая инсектициды и гербициды, исторически были основными средствами борьбы с сорняками.

Однако, помимо уничтожения сорняков, эти химические вещества могут быть вредны для здоровья человека и окружающей среды. Химические пестициды потенциально могут загрязнять воду и почву, влиять на развитие и рост сельскохозяйственных культур и даже снижать их качество. Кроме того, постоянное применение химических пестицидов может повысить устойчивость сорняков, постепенно снижая эффективность борьбы с ними (Jia et al. 2024). В данной работе предлагается улучшенная модель идентификации сорняков в полевых условиях с помощью Faster R-CNN, поскольку большинство существующих моделей имеют недостатки, заключающиеся в их чрезвычайной сложности и трудностях модификации.

Для повышения точности обнаружения сорняков в данной модели была объединена пирамидальная сеть признаков (FPN). Сеть извлечения признаков ResNeXt используется для создания целевых моделей обнаружения различных видов сорняков после построения сети глубокого обучения с использованием значительного количества данных о сорняках и ростках растений. После обучения она может распознавать всходы растений и сорняки на изображениях (Mu et al. 2022). Обнаружение сорняков стало намного лучше и точнее благодаря сверточным нейронным сетям (CNN). Для роботизированной прополки, точного механического контроля сорняков или локального опрыскивания гербицидами необходимо идентифицировать сельскохозяйственные культуры и сорняки.

В этом исследовании анализируется новая методика автоматической идентификации и классификации наиболее проблемных видов сорняков на томатах за один шаг. В основе процесса лежит RetinaNet, тип нейронной сети для обнаружения объектов. Кроме того, в сравнении с RetinaNet были оценены две популярные модели обнаружения объектов, используемые в настоящее время: YOLOv7 и faster-RCNN. Это одно- и двухэтапные нейронные сети соответственно. Одним из важнейших элементов сбора урожая томатов является борьба с сорняками. В настоящее время стандартным методом борьбы с сорняками, даже на участках без сорняков, является опрыскивание гербицидами всей площади посевов. Однако плотность и состав сорняков на поле варьируются в зависимости от географического положения и времени (López-Correa et al. 2022).

5.3. Сравнение традиционных методов машинного обучения и методов глубокого обучения

В таблице 6 представлен сравнительный анализ глубокого обучения и машинного обучения в сельском хозяйстве. Как традиционные методы машинного обучения, так и методы глубокого обучения широко применяются в сельскохозяйственном компьютерном зрении для решения таких задач, как прогнозирование урожайности, обнаружение болезней и классификация культур. Признаки, полученные вручную в результате обработки изображений, являются важной частью традиционных подходов машинного обучения, таких как машины опорных векторов (SVM), случайные леса и метод k-ближайших соседей (k-NN).

Эти представления проще для понимания и хорошо работают с небольшими наборами данных, но могут иметь проблемы с выявлением сложных закономерностей в многомерных данных. С другой стороны, методы глубокого обучения, в основном сверточные нейронные сети (CNN), очень полезны для сельскохозяйственных задач, основанных на изображениях, поскольку они автоматически извлекают иерархические характеристики из исходных изображений. Модели глубокого обучения показывают лучшие результаты с точки зрения точности, масштабируемости и гибкости в различных случаях, несмотря на то, что требуют больших наборов данных и большей вычислительной мощности.

Таблица 6. Сравнительный анализ глубокого обучения и машинного обучения в сельском хозяйстве.

Раздел машинного обучения, использующий искусственные нейронные сети, называется глубоким обучением. Многослойные нейронные сети используются для обучения и тренировки с целью извлечения сложных признаков и закономерностей из данных для улучшения прогнозов. Они имеют множество применений в области компьютерного зрения и особенно хорошо подходят для обработки многомерных признаков и сложных, крупномасштабных данных.

Точное управление в сельском хозяйстве может быть упрощено за счет использования моделей глубокого обучения для оценки RGB-изображений, изображений дистанционного зондирования и данных 3D-облаков точек. Это позволяет более точно отслеживать фенотипы растений и животных. Технология должна решать такие проблемы, как стоимость и приемлемость для фермеров, а также удовлетворять практическим потребностям. С одной стороны, мелкие и средние фермеры должны иметь возможность позволить себе расходы на техническое обслуживание, программное обеспечение и оборудование. Но для широкого внедрения технологий «умного» земледелия необходима надежная цифровая инфраструктура и связь.

Развитие решений для «умного» сельского хозяйства во многих сельских районах может быть ограничено ненадежными интернет- и мобильными сетями. Облачные и периферийные скоординированные вычисления могут решить эту проблему, обеспечив при этом более эффективные вычисления и обработку данных (Zou et al. 2023). В этих моделях, разделяющих изображения на прямоугольники, а затем на пиксели для распознавания и категоризации на основе различных критериев, используются сверточные нейронные сети (CNN) для обработки слоев изображений (Jamgaonkar et al. 2024).

6.1. Автоматизированное обнаружение болезней сельскохозяйственных культур

Мониторинг микроклимата, который становится все более важным в процессе производства продуктов питания, представляет собой сложную задачу для городского сельского хозяйства. В данном исследовании рассматривается использование сверточных нейронных сетей (CNN) для прогнозирования важных данных датчиков на основе современных изображений в этом контексте. В этом исследовании значения датчиков относительной влажности воздуха, влажности почвы и интенсивности света, которые имеют важное значение для здоровья и эффективности растений в условиях городского сельского хозяйства, прогнозируются с использованием тепловых изображений.

Более низкая точность прогнозирования интенсивности света подчеркивает необходимость дальнейших исследований по сочетанию дополнительных источников данных или гибридных методов моделирования. Более высокая точность прогнозирования сравнительной влажности воздуха и влажности почвы может дать представление о более эффективном применении в городском сельском хозяйстве. В заключение, сочетание этих технологий может значительно улучшить здоровье растений и прогнозировать необходимость ухода, что приведет к более эффективным и устойчивым методам городского сельского хозяйства (Kempelis et al. 2024).

Использование CNN в интеллектуальном сельском хозяйстве подчеркивает новые разработки в ряде областей, таких как прогнозирование урожайности, классификация культур, управление водными ресурсами, обнаружение сорняков и болезней и многое другое. В статье рассматривается применение сверточных нейронных сетей (CNN) в контексте «Аграрного производства 5.0», где сочетание технологий повышает эффективность сельского хозяйства, и она основана на тщательном анализе более 115 современных исследований, а также библиометрическом исследовании более обширной литературы. Среди основных рассматриваемых подходов — методы классификации изображений, сегментации изображений, регрессии и распознавания объектов, использующие различные типы данных, от RGB и мультиспектральных изображений до данных с датчиков и тока (El Sakka et al. 2025).

6.2. Интеллектуальное орошение и анализ качества почвы

«Умное сельское хозяйство» подразумевает использование новых технологий в управлении сельским хозяйством, позволяющих оптимизировать ресурсы, осуществлять дистанционный мониторинг и автоматизацию систем. Эта идея связана с концепцией интеллектуальной системы орошения, используемой в данной работе. Речь идёт о добавлении интеллекта к неконтролируемым системам орошения, либо с использованием методов интеллектуального управления, таких как нечёткая логика или нейронные сети, для улучшения разработки политики орошения, либо с использованием методов глубокого обучения или машинного обучения для улучшения моделирования или управления орошением путём интеграции больших объёмов данных в анализ.

Подавая воду в нужное время, в нужном количестве и в нужное время, интеллектуальные системы орошения стремятся повысить урожайность сельскохозяйственных культур, одновременно снижая воздействие на окружающую среду (Vallejo-Gómez et al. 2023). Тип культуры, погода и почва являются тремя основными факторами орошения, и они оказывают большое влияние на критерии планирования орошения. Тип культуры и почвы влияют на нормы внесения удобрений и орошения; графики орошения, в свою очередь, зависят от температуры, погоды, влажности почвы и уровня влажности. Наконец, каждый год потребность в орошении сельскохозяйственных культур динамически меняется.

В настоящее время развивается новая научная область, называемая «умное орошение», которая использует методы, основанные на больших объемах данных, для повышения урожайности сельскохозяйственных культур при одновременном снижении их ресурсосберегающего воздействия. Системы орошения автоматизируются благодаря интеллектуальному орошению, что также позволяет экономить воду и повышать эффективность. В результате, в настоящее время крайне важно совершенствовать сельскохозяйственные системы, и страны ищут эффективные механизмы, которые позволят системам функционировать должным образом.

Кроме того, для обеспечения интеллектуального управления водными ресурсами и повышения урожайности необходимо создавать план орошения на основе имеющихся данных (Sharifnasab et al. 2023). Для диагностики и терапии используются ручные методы визуализации, требующие профессионального контроля. Однако полную слепоту можно отсрочить благодаря ранней диагностике с помощью компьютерного анализа изображений глазного дна. Представлена ​​система обнаружения сонливости водителя на основе сверточной нейронной сети (CNN), которая использует видеосигнал с бортовой камеры автомобиля для определения уровня усталости. Три основных этапа работы системы: классификация, извлечение ориентиров и обнаружение лиц (Patel et al. 2025 ; Mishra et al. 2024). Главной целью является разработка автоматической системы идентификации, которая была предложена в качестве средства разделения предварительно обработанных диагностических изображений и лежит в основе новаторского метода (Kumar et al. 2024).

Компьютерное зрение стало незаменимым инструментом, позволяющим создавать автоматизированные и интеллектуальные системы для точного земледелия, прогнозирования урожайности, диагностики заболеваний и мониторинга урожая. Исследователи и фермеры могут быстро, точно и непрерывно обрабатывать огромные массивы изображений, комбинируя модели глубокого обучения, алгоритмы машинного обучения и усовершенствованные методы обработки изображений.

От сбора и предварительной обработки изображений до обучения и применения моделей, в этой главе были описаны основные методы, демонстрирующие, как компьютерное зрение улучшает принятие решений и сокращает ручной труд в традиционном сельском хозяйстве. Компьютерное зрение в сельском хозяйстве включает в себя обобщение моделей, специфичных для конкретной области, колеблющиеся переменные окружающей среды и отсутствие аннотированных наборов данных.

Разработка легковесных, объяснимых моделей ИИ, подходящих для развертывания в режиме реального времени в условиях ограниченных ресурсов, должна стать главной целью будущих исследований. Производительность и конфиденциальность данных могут быть дополнительно улучшены за счет сочетания федеративного обучения, граничных вычислений и мультиспектральных и гиперспектральных изображений. Кроме того, для обеспечения масштабируемых, устойчивых и удобных для фермеров решений в области интеллектуального сельского хозяйства жизненно важно междисциплинарное сотрудничество между специалистами по ИИ, агрономами и политиками.

Литература

1. Agarwal N, Kalita T, Dubey AK (2023) Classification of insect pest species using CNN based models. In: 2023 International Conference on Computational Intelligence and Sustainable Engineering Solutions (CISES), Greater Noida, India, pp 862–866.
2. Akbar JUM, Kamarulzaman SF, Muzahid AJM, Rahman MA, Uddin M (2024) A comprehensive review on deep learning assisted computer vision techniques for smart greenhouse agriculture. IEEE Access 12:4485–4522.
3. Aznan A, Gonzalez Viejo C, Pang A, Fuentes S (2021) Computer vision and machine learning analysis of commercial rice grains: a potential digital approach for consumer perception studies. Sensors 21(19):6354. Article PubMed PubMed Central Google Scholar
4. Bai Y, Wei Y, Liao R, Liu J (2025) The role of agricultural socialized services in unlocking agricultural productivity in China: a spatial and threshold analysis. Agriculture 15(9):957. Article Google Scholar
5. Boros A, Szólik E, Desalegn G, Tőzsér D (2025) A systematic review of opportunities and limitations of innovative practices in sustainable agriculture. Agronomy 15(1):76. Article CAS Google Scholar
6. Chen J, Li S, Sun J, Xie Y (2023a) Research on the design of crop disease recognition system based on deep learning. In: 2023 IEEE 3rd International Conference on Electronic Technology, Communication and Information (ICETCI), Changchun, China, pp 34–37. Chapter Google Scholar
7. Chen W, Gao H, Ding D, Dong X, Luo X (2023b) Chili pepper pests recognition based on HSV color space and convolutional neural networks. In: 2023 IEEE 3rd International Conference on Electronic Technology, Communication and Information (ICETCI), Changchun, China, pp 241–245. Chapter Google Scholar
8. Chouhan SS, Patel RK, Singh UP, Tejani GG (2025a) Integrating drone in Agriculture: addressing technology, challenges, solutions, and Applications to drive economic growth. Remote Sens Appl Soc Environ 38:101576., ISSN 2352-9385. Article Google Scholar
9. Chouhan SS, Singh UP, Jain S (2025b) Performance evaluation of different deep learning models used for the purpose of healthy and diseased leaves classification of Cherimoya (Annona Cherimola) plant. Neural Comput Applic 37:4531–4544. Article Google Scholar
10. Coca O, Creangă D, Viziteu Ș, Brumă IS, Ștefan G (2023) Analysis of the determinants of agriculture performance at the European Union level. Agriculture 13(3):616. Article Google Scholar
11. Croos NG, Rakubala S, Ahamedh A, Dirushan J, Rajapaksha UUS, Harshanath B (2022) Agro-engineering: IoT and image processing based agriculture monitoring and recommendation system. In: 2022 6th International Conference on Electronics, Communication and Aerospace Technology (ICECA), Coimbatore, India, pp 471–477. Chapter Google Scholar
12. Dandekar Y, Shinde K, Gangan J, Firdausi S, Bharne S (2022) Weed Plant detection from agricultural field images using YOLOv3 algorithm. In: 2022 6th International Conference on Computing, Communication, Control and Automation (ICCUBEA), Pune, India. IEEE, pp 1–4. Chapter Google Scholar
13. Dougall RAM, Hibatulloh GG, Safero RS, Rinaldi WMA, Lukman S (2024) Low cost dual sensing system for soil quality enhancement using temperature and humidity monitoring. In: 2024 6th International Conference on Cybernetics and Intelligent System (ICORIS), Surakarta, Indonesia, pp 1–5. Chapter Google Scholar
14. El Sakka M, Ivanovici M, Chaari L, Mothe J (2025) A review of CNN applications in smart agriculture using multimodal data. Sensors 25(2):472. Article  CAS PubMed  PubMed  Central Google Scholar
15. Gayathri U, Praveena V (2023) A survey paper on weed identification using deep learning techniques. In: 2023 International Conference on Computer Communication and Informatics (ICCCI), Coimbatore, India. IEEE, pp 1–4. Chapter Google Scholar
16. Hu J, Zheng L, Wang G, Wang Y, Yuan S, Wang R (2023) Enhancing betel nut pest and disease identification in Hainan, China with Swin Transformer-YOLOv5: a machine learning-based approach for improved precision. In: 2023 IEEE 6th International Conference on Pattern Recognition and Artificial Intelligence (PRAI), Haikou, China, pp 539–544. Chapter Google Scholar
17. Isik MS, Celik MF, Erten E (2024) Unveiling the high-resolution cotton yield variations from low-resolution statistics: lessons from a nationwide study in Turkey. In: IGARSS 2024–2024 IEEE International Geoscience and Remote Sensing Symposium, Athens, Greece, pp 5040–5043. Chapter Google Scholar
18. Isravel DP, Somasundaram K, Jestin Josephraj M, Christopher Paul L, Johnson J (2023) Supervised deep learning based leaf disease and pest detection using image processing. In: 2023 7th International Conference on Intelligent Computing and Control Systems (ICICCS), Madurai, India, pp 1313–1319. Chapter Google Scholar
19. Jamgaonkar S, Gowda JS, Chouhan SS, Patel RK, Pandey A (2024) An analysis of different YOLO models for real-time object detection. In: 2024 4th International Conference on Sustainable Expert Systems (ICSES), Kaski, Nepal, pp 951–955. Chapter Google Scholar
20. Jia Z, Zhang M, Yuan C, Liu Q, Liu H, Qiu X, Zhao W, Shi J (2024) ADL-YOLOv8: a field crop weed detection model based on improved YOLOv8. Agronomy 14(10):2355. Article Google Scholar
21. Kavipriya J, Vadivu G (2024) Exploring crop yield prediction with remote sensing imagery and AI. In: 2024 International Conference on Advances in Computing, Communication and Applied Informatics (ACCAI), Chennai, India. IEEE, pp 1–5. Chapter Google Scholar
22. Kavitha HS et al (2024) Optimized crop prediction and monitoring using ensemble machine learning algorithms. In: 2024 Second International Conference on Networks, Multimedia and Information Technology (NMITCON), Bengaluru, India. IEEE, pp 1–6. Chapter Google Scholar
23. Kempelis A, Polaka I, Romanovs A, Patlins A (2024) Computer vision and machine learning-based predictive analysis for urban agricultural systems. Fut Internet 16(2):44. Article Google Scholar
24. Krichen M (2023) Convolutional neural networks: a survey. Computers 12(8):151. Article  Google Scholar
25. Kumar D, Chouhan SS, Kumar Patel R, Viswakarma H, Mishra V (2024) Transformative insights: Gabor features and tensor-EWT for COVID diagnosis in lung CT images. In: 2024 IEEE 2nd International Conference on Innovations in High Speed Communication and Signal Processing (IHCSP), Bhopal, India, pp 1–4. Chapter Google Scholar
26. López-Correa JM, Moreno H, Ribeiro A, Andújar D (2022) Intelligent weed management based on object detection neural networks in tomato crops. Agronomy 12(12):2953. Article Google Scholar
27. Luo Z, Yang H, Chang R (2023) Image recognition of maize pests and diseases based on convolutional neural network algorithm. In: 2023 International Conference on Ambient Intelligence, Knowledge Informatics and Industrial Electronics (AIKIIE), Ballari, India, pp 1–6. Chapter Google Scholar
28. Mavridou E, Vrochidou E, Papakostas GA, Pachidis T, Kaburlasos VG (2019) Machine vision systems in precision agriculture for crop farming. J Imaging 5(12):89. Article PubMed PubMed Central Google Scholar
29. Mishra V, Chouhan SS, Vadula J, Mittal D, Patel RK, Viswakarma H (2024) Enhancing driver safety through convolutional neural networks for drowsiness detection. In: 2024 IEEE 2nd International Conference on Innovations in High Speed Communication and Signal Processing (IHCSP), Bhopal, India, pp 1–5. Chapter Google Scholar
30. Mu Y, Feng R, Ni R, Li J, Luo T, Liu T, Li X, Gong H, Guo Y, Sun Y (2022) A faster R-CNN-based model for the identification of weed seedling. Agronomy 12(11):2867. Article Google Scholar
31. Nowak A, Kobiałka A, Krukowski A (2021) Significance of agriculture for bioeconomy in the member states of the European Union. Sustainability 13(16):8709. Article Google Scholar
32. Pai DG, Kamath R, Balachandra M (2024) Deep learning techniques for weed detection in agricultural environments: a comprehensive review. IEEE Access 12:113193–113214. Article Google Scholar
33. Patel RK, Kumari N, Chouhan SS (2025) Glaucoma diagnosis using Gabor and entropy coded Sine Cosine integration in adaptive partial swarm optimization-based FAWT. Biomed Signal Process Control 107:107832., ISSN 1746-8094. Article Google Scholar
34. Pilia S, Cigna A, Sarti F, Bignami A, Bignami P, Farina M, Cozzolino G, Sarti F (2024) Soil and vegetation water status monitoring by integrating optical and microwave satellite data. In: IGARSS 2024–2024 IEEE International Geoscience and Remote Sensing Symposium, Athens, Greece, pp 1470–1473. Chapter Google Scholar
35. Qin Y-M, Tu Y-H, Li T, Ni Y, Wang R-F, Wang H (2025) Deep learning for sustainable agriculture: a systematic review on applications in lettuce cultivation. Sustainability 17(7):3190. Article Google Scholar
36. Rafique H, Zainab R, Ahmad Z, Muhammad A (2024) A quality assured in-situ real-time soil moisture monitoring network for the Indus Basin. In: IGARSS 2024 – 2024 IEEE International Geoscience and Remote Sensing Symposium, Athens, Greece, pp 5155–5161. Chapter Google Scholar
37. Rodrigues L, Magalhães SA, da Silva DQ, dos Santos FN, Cunha M (2023) Computer vision and deep learning as tools for leveraging dynamic phenological classification in vegetable crops. Agronomy 13(2):463. Article Google Scholar
38. Sahoo A, Sharma S, Pattnaik S, Kumar MR, Shrivastava VK (2024) AI-driven crop health monitoring and efficient irrigation management system. In: 2024 IEEE 4th International Conference on Applied Electromagnetics, Signal Processing, & Communication (AESPC), Bhubaneswar, India. IEEE, pp 1–6. Chapter Google Scholar
39. Sai S et al (2024) QGAPHnet: quantum genetic algorithm based hybrid QLSTM model for soil moisture estimation. In: IGARSS 2024–2024 IEEE International Geoscience and Remote Sensing Symposium, Athens, Greece. IEEE, pp 5191–5194. Chapter Google Scholar
40. Sankari M, Sarayu PS, Kamatchi KS, Saraswathi PA (2024) Smart drip irrigation using IoT enabled water management in agriculture. In: 2024 4th International Conference on Ubiquitous Computing and Intelligent Information Systems (ICUIS), Gobichettipalayam, India, pp 1774–1780. Chapter Google Scholar
41. Sanyaolu M, Sadowski A (2024) The role of precision agriculture technologies in enhancing sustainable agriculture. Sustainability 16(15):6668. Article CAS Google Scholar
42. Sharifnasab H, Mahrokh A, Dehghanisanij H, Łazuka E, Łagód G, Karami H (2023) Evaluating the use of intelligent irrigation systems based on the IoT in grain corn irrigation. Water 15(7):1394. Article CAS Google Scholar
43. Sharmila G, Rajamohan K (2022) Image processing and artificial intelligence for precision agriculture. In: 2022 International Conference on Innovative Computing, Intelligent Communication and Smart Electrical Systems (ICSES), Chennai, India, pp 1–8. Chapter Google Scholar
44. Sneha N, Sundaram M, Ranjan R, Abhishek (2023) Weedspedia: deep learning-based approach for weed detection using R-CNN, YoloV3 and Centernet. In: 2023 International Conference on Quantum Technologies, Communications, Computing, Hardware and Embedded Systems Security (iQ-CCHESS), Kottayam, India. IEEE, pp 1–5. Chapter Google Scholar
45. Solanki S, Singh Chouhan S, Dwivedi A, Singh UP, Patel RK (2024) Leveraging deep learning for the identification and categorization of fruit diseases. In: 2024 IEEE International Conference on Intelligent Signal Processing and Effective Communication Technologies (INSPECT), Gwalior, India, pp 1–6. Chapter Google Scholar
46. Taye MM (2023) Theoretical understanding of convolutional neural network: concepts, architectures, applications, future directions. Computation 11(3):52. Article Google Scholar
47. Vallejo-Gómez D, Osorio M, Hincapié CA (2023) Smart irrigation systems in agriculture: a systematic review. Agronomy 13(2):342. Article Google Scholar
48. Vishnoi VK, Kumar K, Kumar B (2021) Crop disease classification through image processing and machine learning techniques using leaf images. In: 2021 First International Conference on Advances in Computing and Future Communication Technologies (ICACFCT), Meerut, India, pp 27–32. Chapter Google Scholar
49. Yang F, Chen J, Ren F, Wang Z, Li Z, Jiang S (2023) An integration deep learning model for the oil-tea camellia disease and pest recognition. In: 2023 2nd International Conference on Automation, Robotics and Computer Engineering (ICARCE), Wuhan, China, pp 1–8. Chapter Google Scholar
50. Yao Z (2023) Identification of grape leaf diseases and insect pests based on artificial intelligence. In: 2023 IEEE 2nd International Conference on Electrical Engineering, Big Data and Algorithms (EEBDA), Changchun, China. IEEE, pp 144–147. Chapter Google Scholar
51. You C (2023) The study of traditional pest image recognition and deep learning pest image recognition. In: 2023 2nd International Conference on Data Analytics, Computing and Artificial Intelligence (ICDACAI), Zakopane, Poland. IEEE, pp 604–607. Chapter Google Scholar
52. Zou X, Liu Z, Zhu X, Zhang W, Qian Y, Li Y (2023) Application of vision technology and artificial intelligence in smart farming. Agriculture 13(11):2106. Article Google Scholar

Авторы: P. Raghavendra Prasad, Nagajyothi Dimmita, T. Swapna, S. Kanakaprabha & K. Shanthi Latha