Using deep learning techniques to detect and classify weeds in Fagopyrum esculentum crops | Использование методов глубокого обучения для обнаружения и классификации сорняков в посевах Fagopyrum esculentum

Английский. The weed mapping technologies using unmanned aerial vehicles has been actively developing. The position-finding of weeds makes it possible to create task maps for herbicide treatments. This lets us to use less herbicides and reduce the environmental impact. To select the optimal control strategy, it is necessary to identify the species composition, abundance and growth phases of weeds in a particular field. The development of deep learning methods based on convolutional neural networks helps in solving this issue. In particular, the trained algorithm is able to automatically extract information from images, detect and classify weeds. The construction of image classifiers using the ResNet-18, ResNet-34 and ResNet-50 architecture is considered. The results of phytosanitary monitoring of buckwheat (Fagopyrum esculentum Moench) crops and photographs of counting plots are used as initial information. The following weed species prevailed in the crops: common wild oat (Avena fatua L.), barnyard grass (Echinochloa crus-galli (L.) Beauv.), and field bindweed (Convolvulus arvensis L.). According to the quantitative assessment of weeds at the studied sites, each species was assigned an identifier: 0 – for weed abundance exceeding the economic threshold of harmfulness, 1 – for weed abundance not exceeding this indicator. The task of the classifier is to recognize these weeds in the photograph and determine one of two weed abundance gradations (low or high) in the plot. The efficiency of the suggested approach is confirmed by a sufficiently high quality of the classifier predictions and the construction of a confusion matrix. The proportion of correct classifications for the original set of 24 images varies from 83 to 88%.

Русский. Технологии картирования сорняков при помощи беспилотных летательных аппаратов активно развиваются. Определение местоположения сорной растительности дает возможность создавать карты заданий для гербицидных обработок. Это способствует сокращению объема применяемых гербицидов и снижению экологической нагрузки. Для выбора оптимальной стратегии борьбы необходимо идентифицировать видовой состав, количественное обилие и фазы роста сорняков на конкретном поле. Развитие методов глубокого обучения на базе сверточных нейронных сетей помогает в решении данной задачи. В частности, обученный алгоритм способен автоматически извлекать информацию из изображений, обнаруживать и классифицировать сорняки. Рассмотрено построение классификаторов изображений с использованием архитектуры ResNet-18, ResNet-34 и ResNet-50. В качестве исходной информации использованы результаты фитосанитарного мониторинга посевов гречихи (Fagopyrum esculentum Moench) и фотографии учетных площадок. В посевах преобладали следующие сорняки: овсюг обыкновенный (Avena fatua L.), просо куриное (Echinochloa crus-galli (L.) Beauv.) и вьюнок полевой (Convolvulus arvensis L.). Согласно количественной оценке сорняков на исследуемых площадках каждому виду был присвоен идентификатор: 0 – для засоренности, превышающей экономический порог вредоносности, 1 – для засоренности, не превышающей данный показатель. Задачи классификатора – распознать сорняки на фотографии и определить одну из двух градаций засоренности участка (низкая либо высокая). Эффективность предлагаемого подхода подтверждена достаточно высоким качеством предсказаний классификаторов (доля верных классификаций для исходного набора из 24 изображений составляет от 83 до 88%) и построением матрицы ошибок.