Abstract
Точность классификации и локализация растений на снимках, полученных с борта беспилотного летательного аппарата (БПЛА), имеет большое значение при внедрении технологий точного земледелия. Она позволяет эффективно применять технологии переменной нормы, что позволяет не только экономить химические препараты, но и снижать экологическую нагрузку на возделываемые поля. Для классификации растений широко используются алгоритмы машинного обучения. Для одновременной идентификации, локализации и классификации растений ведутся исследования по применению алгоритма YOLO. Однако качество работы алгоритма существенно зависит от обучающего набора. Цель текущей работы, проводимой авторами статьи заключается в том, чтобы не только детектировать культурное растение (сою), но и сорняки, произрастающие на поле. Разработанный в ходе исследований набор данных позволяет решить эту задачу детектируя не только сою, но и 7 видов сорняков. В статье описывается подход к подготовке обучающего набора изображений для полей сои с применением предварительной пороговой и Bound box (Bbox) сегментации размеченных изображений, который позволяет повысить качество классификации и локализации растений. Проведенные исследования и вычислительные эксперименты позволили определить, что Bbox сегментация демонстрирует наилучшие результаты. Kачество классификации и локализации при применении Bbox сегментации существенно возросло (f1_score возрос с 0.64 до 0.79, mAP50(B) с 0.72 до 0.9), а для культурного растения (сои) достигнут наилучший из известных на сегодня результатов классификации по изображениям полученным с борта БПЛА: f1_score= 0.979.