Вернуться к статье

Повышение продуктивности агрофитоценозов на основе оперативного мониторинга и интеллектуальных аналитических систем для критических этапов онтогенеза в условиях Юга России

Сопоставление характеристик различных нейросетевых архитектур, используемых в мировом агромониторинге

Архитектура ИНС

Область применения в агросекторе

Точность (Accuracy / mAP), %

Особенности и ограничения

VGG16 / VGG19

Классификация стрессов зерновых, болезни риса/картофеля

92,89 - 97,8

Высокая точность, но массивность параметров и падение до 60% при малых выборках

Inception V2 / V3

Детекция сорняков, болезни яблони и томатов

95,4 - 98,0

Эффективные блоки параллельных сверток, низкий риск переобучения

Swin-Transformer + YOLOv5s

Детекция малых объектов на аэроснимках (БПЛА)

mAP 74,7 (до 81,9 P)

Отличный учет глобального контекста через сдвигающиеся окна внимания

Предлагаемая гибридная ИНС

Мониторинг агрофитоценозов ЮФО, дефекты кущения

91,2 (валидация), до 96 класс

Детерминированная инициализация весов, адаптация к БПЛА и малым выборкам