agronaukaАграрная наука Евро-Северо-ВостокаAgricultural Science Euro-North-East2072-90812500-1396FARC North-East10.30766/2072-9081.2024.25.2.283-292agronauka-1611Research ArticleОРИГИНАЛЬНЫЕ СТАТЬИ: МЕХАНИЗАЦИЯ, ЭЛЕКТРИФИКАЦИЯ, АВТОМАТИЗАЦИЯОRIGINAL SCIENTIFIC ARTICLES: MECHANIZATION, ELECTRIFICATION, AUTOMATIONВычислительная нейросеть для обработки светоотражательных спектров растений и дистанционного фитосанитарного мониторинга картофеляComputational neural network for processing light-reflective spectra of plants and remote phytosanitary monitoring of potatoeshttps://orcid.org/0000-0001-8300-2287ВоробьевН. И.VorobyovN. I.

Воробьев Николай Иванович, кандидат техн. наук, ведущий специалист, ФГБНУ «Всероссийский научно-исследовательский институт защиты растений», ФГБНУ «Всероссийский научно-исследовательский институт сельскохозяйственной микробиологии»

ш. Подбельского, д. 3, г. Пушкин, г. Санкт-Петербург, 196608

Nikolay I. Vorobyov, PhD in Engineering, leading specialist

3, Pushkin, St. Petersburg, 196608

arriam2008@yandex.ruhttps://orcid.org/0000-0002-5920-3342ЛысовА. К.LysovA. K.

Лысов Анатолий Константинович, кандидат техн. наук, зав. лабораторией, ведущий научный сотрудник

ш. Подбельского, д. 3, г. Пушкин, г. Санкт-Петербург, 196608

Anatoly K. Lysov, PhD in Engineering, leading researcher, Head of the Laboratory

3, Pushkin, St. Petersburg, 196608

lysov4949@yandex.ruhttps://orcid.org/0000-0001-7299-6394КорниловТ. В.KornilovT. V.

Корнилов Тимур Викторович, ведущий специалист

д. 3, г. Пушкин г. Санкт-Петербург, 196608

Timur V. Kornilov, leading specialist

3, Pushkin, St. Petersburg, 196608

info@vizr.spb.ruhttps://orcid.org/0000-0003-1479-7746ХюттиА. В.HyuttiA. V.

Хютти Александр Валерьевич, кандидат биол. наук, зав. сектором, старший научный сотрудник

д. 3, г. Пушкин, г. Санкт-Петербург, 196608

Alexander V. Hyutti, PhD in Biological Science, senior researcher, Head of the Sector

3, Pushkin, St. Petersburg, 196608

info@vizr.spb.ruФГБНУ «Всероссийский научно-исследовательский институт защиты растений»; ФГБНУ «Всероссийский научно-исследовательский институт сельскохозяйственной микробиологии»РоссияAll-Russian Research Institute of Plant Protection; All-Russia Research Institute for Agricultural MicrobiologyRussian FederationФГБНУ «Всероссийский научно-исследовательский институт защиты растений»РоссияAll-Russian Research Institute of Plant ProtectionRussian Federation202425042024252283292Copyright © Воробьев Н.И., Лысов А.К., Корнилов Т.В., Хютти А.В., 20242024Воробьев Н.И., Лысов А.К., Корнилов Т.В., Хютти А.В.Vorobyov N.I., Lysov A.K., Kornilov T.V., Hyutti A.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.agronauka-sv.ru/jour/article/view/1611

Статья посвящена изучению возможности использования искусственной нейронной сети WaveLetNN для анализа результатов дистанционного фитосанитарного мониторинга посадок картофеля с целью раннего обнаружения растений, пораженных фитофторозом. Рассмотрены различные методы анализа спектральных характеристик отражения растений, включая метод классификации. Для обнаружения инфицированных фитофторой растений нейронная сеть WaveLetNN анализирует полученные в результате исследований светоотражательные характеристики растений картофеля (в диапазоне 300–1100 нм) и вычисляет индекс когнитивной значимости (CSI = 0…10), характеризующий интенсивность биохимических процессов внутри растений, направленных на противодействие фитопатогенной микрофлоре. При этом установлено, что существенное возрастание индекса CSI сигнализирует об инфицировании растений фитопатогенной микрофлорой и активизации защитных биохимических процессов со стороны растений. Для достоверной индикации зараженных растений нейронная сеть WaveLetNN прошла тестовое обучение на большом количестве светоотражательных спектров незараженных растений и растений, искусственно зараженных фитофторозом. Спектральные характеристики отражения зараженных и незараженных растений снимались в течение 3, 4, 7 и 8 суток после заражения. Обработка полученных спектров с помощью нейронной сети WaveLetNN позволила выявить существенные различия между спектральными характеристиками второго и третьего порядка, у незараженных и зараженных фитофторозом растений на третьи сутки после заражения. Причем значения индекса CSI для зараженных растений равнялись 6,1…6,7, для здоровых – 1,9…2,5. Нейронная сеть WaveLetNN устраняет влияние на светоотражательные спектры пространственного расположения листьев растений, неровностей поверхности почвы и затененности отдельных участков поля, нормируя спектры на суммарную интенсивность отраженного от листьев света. Таким образом, нейронная сеть WaveLetNN может применяться в качестве программного ядра online-систем дистанционного фитосанитарного мониторинга растений картофеля.

The article is devoted to studying the possibility of using the WaveLetNN artificial neural network to analyze the results of remote phytosanitary monitoring of early detection of plants in potato plantings affected by late blight. Various methods for analyzing the spectral characteristics of plant reflection are considered, including the classification method. To detect plants infected with late blight, the WaveLetNN neural network analyzes the light reflective characteristics of potato plants obtained as a result of research (in the range of 300–1100 nm) and calculates the cognitive significance index (CSI = 0...10), which characterizes the intensity of biochemical processes inside plants aimed at countering phytopathogenic microflora. It was found that a significant increase in the CSI index signals infection of plants by phytopathogenic microflora and activation of protective biochemical processes on the part of plants. To reliably indicate infected plants, the WaveLetNN neural network underwent test training on a large number of light reflectance spectra of uninfected plants and plants artificially infected with late blight. The spectral reflectance characteristics of infected and uninfected plants were measured during 3, 4, 7 and 8 days after infection. Processing the obtained spectra using the WaveLetNN neural network made it possible to identify significant differences between the second- and third-order spectral characteristics of uninfected and late blight infected plants on the third day after infection. Moreover, for infected plants the CSI index values were 6.1...6.7, and CSI for healthy plants – 1.9...2.5. The Wave-LetNN neural network eliminates the influence on the light reflectance spectra of the spatial arrangement of plant leaves, unevenness of the soil surface and shading of individual sections of the field, normalizing the spectra to the total intensity of light reflected from the leaves. Thus, the WaveLetNN neural network can be used as the software core of online systems for remote phytosanitary monitoring of potato plants.

фитофторозискусственная нейронная сеть WaveLetNNиндекс когнитивной значимости светоотражательных спектров растенийlate blightartificial neural network WaveLetNNindex of cognitive significance of light-reflective spectra of plantsРабота выполнена при поддержке Минобрнауки в рамках Государственного задания ФГБНУ «Всероссийский научно-исследовательский институт защиты растений» (тема № FGEU-2022-0008). Авторы благодарят рецензентов за их вклад в экспертную оценку работы.The research was carried out under the support of the Ministry of Science and Higher Education of the Russian Federation within the state assignment of All-Russian Research Institute of Plant Protection (theme No. FGEU-2022-0008). The authors thank the reviewers for their contribution to the peer review of this work.ReferencesПавлюшин В. А., Лысов А. К. Фитосанитарная безопасность агроэкосистем и дистанционный фитосанитарный мониторинг в защите растений. Современные проблемы дистанционного зондирования поверхности Земли из космоса. 2019;16(3):69–78. DOI: https://doi.org/10.21046/2070-7401-2019-16-3-69-78 EDN: TLBKYVPavlyushin V. A., Lysov A. K. Phytosanitary safety of agro-ecological systems and remote phytosanitary monitoring. Sovremennye problemy distantsionnogo zondirovaniya poverkhnosti Zemli iz kosmosa = Current problems in remote sensing of the Earth from space. 2019;16(3):69–78. (In Russ.). DOI: https://doi.org/10.21046/2070-7401-2019-16-3-69-78Борзов С. М., Потатуркин О. И. Выбор информативной системы признаков при классификации сельскохозяйственных культур по гиперспектральным данным. Автометрия. 2020;56(4):134–144. DOI: https://doi.org/10.15372/AUT20200414 EDN: DLRSCSBorzov S. M., Potaturkin O. I. Selection of the informative feature system for crops classification using hyperspectral data. Avtometriya. 2020;56(4):134–144. (In Russ.). DOI: https://doi.org/10.15372/AUT20200414Jin X., Jie L., Wang Sh., Qi H. J., Li Sh. W. Classifying Wheat Hyperspectral Pixels of Healthy Heads and Fusarium Head Blight Disease Using a Deep Neural Network in the Wild Field. Remote Sensing. 2018;10(3):395. DOI: https://doi.org/10.3390/rs10030395Jin X., Jie L., Wang Sh., Qi H. J., Li Sh. W. Classifying Wheat Hyperspectral Pixels of Healthy Heads and Fusarium Head Blight Disease Using a Deep Neural Network in the Wild Field. Remote Sensing. 2018;10(3):395. DOI: https://doi.org/10.3390/rs10030395Янишевская Н. А., Болодурина И. П. Применение технологий компьютерного зрения для разработки модели распознавания поражений культурных растений. Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2021;21(3):5–13. DOI: https://doi.org/10.14529/ctcr210301 EDN: LHLMBDYanishevskaya N. A., Bolodurina I. P. Application of computer vision technologies for the development of a model for the recognition of lesions of cultivated plants. Vestnik Yuzhno-Ural'skogo gosudarstvennogo universiteta. Seriya: Komp'yuternye tekhnologii, upravlenie, radioelektronika = Bulletin of South Ural State University, Series «Computer Technologies, Automatic Control, Radio Electronics». 2021;21(3):5–13. (In Russ.). DOI: https://doi.org/10.14529/ctcr210301Militante S. V., Gerardo B. D., Medina R. P. Sugarcane Disease Recognition using Deep Learning. IEEE Eurasia Conference on IOT, Communication and Engineering (ECICE), Yunlin, Taiwan, 2019. рp. 575–578. DOI: https://doi.org/10.1109/ECICE47484.2019.8942690Militante S. V., Gerardo B. D., Medina R. P. Sugarcane Disease Recognition using Deep Learning. IEEE Eurasia Conference on IOT, Communication and Engineering (ECICE), Yunlin, Taiwan, 2019. рp. 575–578. DOI: https://doi.org/10.1109/ECICE47484.2019.8942690Gold K. M., Townsend P. A., Chlus A., Herrmann I., Couture J. J., Larson E. R., Devens A. J. Hyperspectral measurements enable pre-symptomatic detection and differentiation of contrasting physiological effects of late blight and early blight in potato. Remote Sensing. 2020;12(2):286. DOI: https://doi.org/10.3390/rs12020286Gold K. M., Townsend P. A., Chlus A., Herrmann I., Couture J. J., Larson E. R., Devens A. J. Hyperspectral measurements enable pre-symptomatic detection and differentiation of contrasting physiological effects of late blight and early blight in potato. Remote Sensing. 2020;12(2):286. DOI: https://doi.org/10.3390/rs12020286Zhang W., Zhu Q., Huang M., Guo Y., Qin J. Detection and Classification of Potato Defects Using Multispectral Imaging System Based on Single Shot Method. Food Analytical. Methods. 2019;12:2920–2929. DOI: https://doi.org/10.1007/s12161-019-01654-wZhang W., Zhu Q., Huang M., Guo Y., Qin J. Detection and Classification of Potato Defects Using Multispectral Imaging System Based on Single Shot Method. Food Analytical. Methods. 2019;12:2920–2929. DOI: https://doi.org/10.1007/s12161-019-01654-wMoghimi A., Yang C., Anderson J. A., Reynolds S. K. Selecting informative spectral bands using machine learning techniques to detect Fusarium head blight in wheat. ASABE Annual International Meeting. 2019:1900815. DOI: https://doi.org/10.13031/aim.201900815Moghimi A., Yang C., Anderson J. A., Reynolds S. K. Selecting informative spectral bands using machine learning techniques to detect Fusarium head blight in wheat. ASABE Annual International Meeting. 2019:1900815. DOI: https://doi.org/10.13031/aim.201900815Novikova I., Titova Yu. A., Krasnobaeva I., Boikova I., Minin V., Zakharov A., Murzaev E. New polyfunctional biorationals use to achieve competitive yield of organic potatoes in the North-West Russian ecosystem. Plants. 2022;11(7):962. DOI: https://doi.org/10.3390/plants11070962Novikova I., Titova Yu. A., Krasnobaeva I., Boikova I., Minin V., Zakharov A., Murzaev E. New polyfunctional biorationals use to achieve competitive yield of organic potatoes in the North-West Russian ecosystem. Plants. 2022;11(7):962. DOI: https://doi.org/10.3390/plants11070962Lysov A. K., Kornilov T. V., Khyutti A. V. Spectral characteristics of reflection of waves in the optical range of healthy and diseased potato plants by y-virus and late blight. Research on crops. 2021;22(5):38–41. DOI: https://doi.org/10.31830/2348-7542.2021.010Lysov A. K., Kornilov T. V., Khyutti A. V. Spectral characteristics of reflection of waves in the optical range of healthy and diseased potato plants by y-virus and late blight. Research on crops. 2021;22(5):38–41. DOI: https://doi.org/10.31830/2348-7542.2021.010Sutrop U. List task and a cognitive salience index. Field methods. 2001;13(3):263–276. DOI: https://doi.org/10.1177/1525822X0101300303Sutrop U. List task and a cognitive salience index. Field methods. 2001;13(3):263–276. DOI: https://doi.org/10.1177/1525822X0101300303Маркова Л. В., Корчевская Е. А. Численные методы нахождения собственных векторов и собственных значений матриц. Витебск: УО «ВГУ им. П. М. Машерова», 2011. 47 с.Markova L. V., Korchevskaya E. A. Numerical methods for finding eigenvectors and eigenvalues of matrices. Vitebsk: UO «VGU im. P. M. Masherova», 2011. 47 p.Воровьев Н. И., Лысов А. К. Нейросетевая программа WaveLet анализа спектрально-отражательных характеристик растений: свидетельство о государственной регистрации программы для ЭВМ №2023669473 Российская Федерация. №2023668120: заявл. 01.09.2023; опубл. 14.09.2023.Vorovyov N. I., Lysov A. K. WaveLet neural network program for analyzing spectral-reflective characteristics of plants: certificate of state registration of a computer program RF, no 2023669473, 2023.

The authors declare that there are no conflicts of interest present.