##plugins.themes.bootstrap3.article.main##
Анотація
Дослідження спрямоване на розв’язання проблеми ідентифікації сільськогосподарських шкідників шляхом створення мобільного застосунку, що використовує моделі згорткових нейронних мереж.
У роботі проведено аналіз сучасних наукових досліджень, присвячених ідентифікації сільськогосподарських шкідників із використанням згорткових нейронних мереж, візуальних трансформерів та, зокрема, моделей сімейства YOLO. Аналіз літератури показав, що найефективнішим підходом є використання YOLO-моделей завдяки їх високій швидкодії та конкурентній точності, в тому числі в реальному часі. Окрему увагу приділено дослідженням, у яких моделі YOLO інтегруються у мобільні застосунки та системи моніторингу, що підтверджує практичну доцільність такого підходу.
Для навчання моделі використано підмножину набору даних IP102, що містить шість класів поширених шкідників. З метою підвищення якості ідентифікації було застосовано методи розширення тренувальної вибірки шляхом трансформації зображень, зокрема перевертання, зміщення відтінку та розмиття. Проведено порівняльний аналіз двох моделей YOLOv11-N, навчених на початковій та розширеній вибірках, за метриками влучності, повноти, mAP50 та mAP50-95.Результати експериментів показали, що використання розширеної вибірки дозволяє суттєво покращити всі основні показники якості моделі, зокрема підвищити mAP50 з 81,5% до 95,9%. Для практичного використання моделі розроблено розподілену систему з хмарною серверною частиною та мобільним застосунком-клієнтом, що забезпечує зручну взаємодію користувача з моделлю та доступ до результатів ідентифікації. Запропоноване рішення демонструє практичність використання легковагових моделей сімейства YOLO у поєднанні з мобільними інтерфейсами для задач ідентифікації сільськогосподарських шкідників у реальному часі.
##plugins.themes.bootstrap3.article.details##
Посилання
2. Kannan M. et al. Nanopesticides in agricultural pest management and their environmental risks: a review // International Journal of Environmental Science and Technology. 2023. Vol. 20, no. 9. P. 10507–10532. DOI: 10.1007/s13762-023-04795-y.
3. Кучмійова Т. С., Мороз Т. О., Шешунова А. В. Використання штучного інтелекту в сільському господарстві // Modern Economics. 2023. № 39. С. 69–74. DOI: https://doi.org/10.31521/modecon.V39(2023)-10.
4. Hassan S. M., Maji A. K. Pest Identification Based on Fusion of Self-Attention With ResNet // IEEE Access. 2024. Vol. 12. P. 6036–6050. DOI: 10.1109/ACCESS.2024.3351003.
5. Вакалюк Т., Фуріхата Д., Янчук В., Леут Н. Розробка та оцінка ефективності моделі розпізнавання рукописного тексту на основі згорткових нейронних мереж // Вісник Херсонського національного технічного університету. 2025. № 2. С. 67–75. DOI: 10.35546/kntu2078-4481.2025.2.2.8.
6. Yang S. et al. Maize-YOLO: A New High-Precision and Real-Time Method for Maize Pest Detection // Insects. 2023. Vol. 14, no. 3. P. 278. DOI: 10.3390/insects14030278.
7. Li H. et al. Plant disease and insect pest identification based on vision transformer // Proceedings of the International Conference on Internet of Things and Machine Learning (IoTML 2021). SPIE, 2022. P. 6. DOI: 10.1117/12.2628467.
8. Xia W. et al. An ensemble learning integration of multiple CNN with improved vision transformer models for pest classification // Annals of Applied Biology. 2022. Vol. 182, no. 2. P. 144–158. DOI: 10.1111/aab.12804.
9. Tian Y., Wang S., Li E., Yang G., Liang Z., Tan M. MD-YOLO: Multi-scale Dense YOLO for small target pest detection // Computers and Electronics in Agriculture. 2023. Vol. 213. Art. 108233. DOI: 10.1016/j.compag.2023.108233.
10. Wen C. et al. Pest-YOLO: A model for large-scale multi-class dense and tiny pest detection and counting // Frontiers in Plant Science. 2022. Vol. 13. DOI: 10.3389/fpls.2022.973985.
11. Karar M. E., Alsunaydi F., Albusaymi S., Alotaibi S. A new mobile application of agricultural pests recognition using deep learning in cloud computing system // Alexandria Engineering Journal. 2021. Vol. 60, no. 5. P. 4423–4432. DOI: 10.1016/j.aej.2021.03.009.
12. Yulita I. N. et al. A Convolutional Neural Network Algorithm for Pest Detection Using GoogleNet // AgriEngineering. 2023. Vol. 5, no. 4. P. 2366–2380. DOI: 10.3390/agriengineering5040145.
13. Chen J.-W., Lin W.-J., Cheng H.-J., Hung C.-L., Lin C.-Y., Chen S.-P. A Smartphone-Based Application for Scale Pest Detection Using Multiple-Object Detection Methods // Electronics. 2021. Vol. 10, no. 4. P. 372. DOI: 10.3390/electronics10040372.
14. Wong M. O., Abubacker N. F. YOLO-Driven Lightweight Mobile Real-Time Pest Detection and Web-Based Monitoring for Sustainable Agriculture // International Journal of Advanced Computer Science and Applications. 2024. Vol. 15, no. 12. DOI: 10.14569/IJACSA.2024.0151267.
15. Nugroho E. D. Development of YOLO-Based Mobile Application for Detection of Defect Types in Robusta Coffee Beans // Journal of Applied Informatics and Computing. 2025. Vol. 9, no. 1. P. 153–160.
16. Mamun S. B., Payel I. J., Ahad M. T., Atkins A. S., Song B., Li Y. Grape Guard: A YOLO-based mobile application for detecting grape leaf diseases // Journal of Electronic Science and Technology. 2025. Vol. 23, no. 1. Art. 100300. DOI: 10.1016/j.jnlest.2025.100300.
17. Zheng H. et al. An android-smartphone application for rice panicle detection and rice growth stage recognition using a lightweight YOLO network // Frontiers in Plant Science. 2025. Vol. 16. Art. 1561632. DOI: 10.3389/fpls.2025.1561632.
18. Semerikov S. et al. Models and Technologies for Autoscaling Based on Machine Learning for Microservices Architecture // Proceedings of the 8th International Conference on Computational Linguistics and Intelligent Systems. 2024. Vol. I. P. 316–330. URL: https://ceur-ws.org/Vol-3664/paper22.pdf (дата звернення: 2025).
19. Mahasin M., Dewi I. A. Comparison of CSPDarkNet53, CSPResNeXt-50, and EfficientNet-B0 Backbones on YOLO v4 as Object Detector // International Journal of Engineering Science and Information Technology. 2022. Vol. 2, no. 3. P. 64–72. DOI: 10.52088/ijesty.v2i3.291.
20. Chen H., Chen Z., Yu H. Enhanced YOLOv5: An Efficient Road Object Detection Method // Sensors. 2023. Vol. 23, no. 20. P. 8355. DOI: 10.3390/s23208355.
21. Ali M. L., Zhang Z. The YOLO Framework: A Comprehensive Review of Evolution, Applications, and Benchmarks in Object Detection // Computers. 2024. Vol. 13, no. 12. P. 336. DOI: 10.3390/computers13120336.
22. Pest-dataset Computer Vision Dataset [Electronic resource]. Roboflow, 2022. URL: https://universe.roboflow.com/varshine/pest-dataset-l3ph3 (date of access: 2025).