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 |
