Разработка метода аугментации данных на основе генеративно-состязательной сети (CycleGAN) для задач мониторинга садовых насаждений
DOI:
https://doi.org/10.28983/asj.y2025i12pp172-180Ключевые слова:
аугментация данных, генеративно-состязательные сети, мониторинг садов, компьютерное зрение, глубокое обучениеАннотация
Эффективность современных нейросетевых моделей, таких как YOLO, Faster R-CNN и других, напрямую зависит от объема и качества размеченных данных, сбор которых в условиях сада затруднен из-за сезонности и природно-климатических факторов. В статье представлен комплексный метод аугментации данных (искусственного расширения обучающих выборок) для задач компьютерного зрения в садоводстве, мониторинга садовых насаждений, включающий в себя классические методы и генеративно-состязательную сеть CycleGAN. Разработана программа на языке программирования Python с графическим интерфейсом (PyQt5), реализующая четыре категории аугментаций: агроклиматические условия (дождь, туман, солнечные засветы), физиологические изменения растений, оптические искажения съемочной аппаратуры и фитопатогенные поражения. Экспериментальные исследования проведены на датасете из 320 изображений промышленного сада. Применение предложенного метода позволило увеличить обучающую выборку в 8 раз (с 224 до 1792 изображений) за счет генерации вариантов изображений с имитацией солнечных засветов. Сравнительный анализ эффективности различных методов аугментации показал, что разработанный комбинированный метод с использованием CycleGAN повышает точность модели YOLO12 на 12-16 % по метрике средней точности (mAP50). Установлено, что наибольший прирост точности метод обеспечивает при работе с малыми выборками (<500 изображений). Разработанное ПО позволяет генерировать семантически сложные преобразования изображений, недоступные классическим методам аугментации, и может быть адаптирован для других областей компьютерного зрения, где актуальна проблема недостатка размеченных данных.
Скачивания
Библиографические ссылки
Кутырев А.И. Распознавание и классификация болезней листьев яблони на осно-ве анализа их изображений моделями сверточных нейронных сетей (CNN) // Вестник Ульяновской государственной сельскохозяйственной академии. 2023. № 3 (63). С. 215–223. [Kutyrev A.I. Recognition and classification of apple tree leaf diseases based on image analysis with convolutional neural network models (CNN). Vestnik of Ulyanovsk state agricultural acade-my. 2023;3(63):215–223. (In Russ.)].
Кутырев А.И., Смирнов И.Г., Андриянов Н.А. Сравнительный анализ моделей нейронных сетей для распознавания плодов яблони на кроне дерева // Садоводство и ви-ноградарство. 2023. № 5. С. 56–63. [Kutyrev A.I. Smirnov I.G., Andrianov N.A. Neural net-work models of apple fruit identification in tree crowns: comparative analysis. Horticulture and viticulture. 2023;5:56–63. (In Russ.)].
Федоренко В.Ф., Смирнов И.Г., Кутырев А.И. Инновационные решения в мони-торинге цветения садовых насаждений: повышение урожайности и качества плодов // Техника и оборудование для села. 2025. № 2 (332). С. 8–12. [Fedorenko V.F., Smirnov I.G., Kutyrev A.I. Innovative solutions in monitoring the horticulture planting blossoming: increasing the yield and quality of fruits. Machinery and Equipment for Rural Areas. 2025;2(332):8–12. (In Russ.)].
Alotaibi A. Deep Generative Adversarial Networks for Image-to-Image Translation: A Re-view. Symmetry. 2020;12(10):1705.
Cao D., Luo W., Tang R., Liu Y., Zhao J., Li X., Yuan L. Research on Apple Detection and Tracking Count in Complex Scenes Based on the Improved YOLOv7-Tiny-PDE. Agriculture. 2025;15(5):483.
Hai T., Wang W., Yan F., Liu M., Li C., Li S., Hu R., Lv C. A Deep Learning-Based Ap-proach to Apple Tree Pruning and Evaluation with Multi-Modal Data for Enhanced Accuracy in Agricultural Practices. Agronomy. 2025;15(5):1242.
Jin T, Kang S.M., Kim N.R., Kim H.R., Han X. Comparative Analysis of CNN-Based Semantic Segmentation for Apple Tree Canopy Size Recognition in Automated Variable-Rate Spraying. Agriculture. 2025;15(7):789.
Lee S., Lee S. Efficient Data Augmentation Methods for Crop Disease Recognition in Sustainable Environmental Systems. Big Data and Cognitive Computing. 2025;9(1):8.
Li H., Guo W., Lu G., Shi Y. Augmentation Method for High Intra-Class Variation Data in Apple Detection. Sensors. 2022;22(17):6325.
Wang X., Cao W. GACN: Generative Adversarial Classified Network for Balancing Plant Disease Dataset and Plant Disease Recognition. Sensors. 2023;23(15):6844.
Wu F., Zhu R., Meng F., Qiu J., Yang X., Li J., Zou X. An Enhanced Cycle Generative Adversarial Network Approach for Nighttime Pineapple Detection of Automated Harvesting Ro-bots. Agronomy. 2024;14(12):3002.
Yan Z., Wu Y., Zhao W., Zhang S., Li X. Research on an Apple Recognition and Yield Estimation Model Based on the Fusion of Improved YOLOv11 and DeepSORT. Agriculture. 2025; 15(7):765.
Yang X., Gao Y., Yin M., Li H. Automatic Apple Detection and Counting with AD-YOLO and MR-SORT. Sensors. 2024;24(21):7012.
Zhao Z., Yin C., Guo Z., Zhang J., Chen Q., Gu Z. Research on Apple Recognition and Localization Method Based on Deep Learning. Agronomy. 2025;15(2):413.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2025 Аграрный научный журнал
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
