10.14489/td.2025.11.pp.045-053

2025, 11 ноябрь (November)

DOI: 10.14489/td.2025.11.pp.045-053

Юдаев В. А., Балабанов П. В., Гребенникова Н. М., Дивин А. Г., Егоров А. С., Любимова Д. А.
МЕТОДИКА ДИАГНОСТИРОВАНИЯ ГЕРБИЦИДНЫХ ТРАВМ ПОДСОЛНЕЧНИКА НА ОСНОВЕ АНАЛИЗА ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ ЕГО РАСТИТЕЛЬНЫХ ТКАНЕЙ
(с. 45-53)

Аннотация. Предложена методика диагностирования повреждений растительных тканей подсолнечника сорта «Спартак», вызванных реакцией на гербицид трибенурон-метил. Диагностика осуществляется на основе анализа гиперспектральных изображений объектов контроля, полученных в диапазоне длин волн от 350 до 1002 нм. Методика предусматривает сбор и анализ гиперспектральных изображений на этапах роста. Для получения гиперспектральных изображений использована информационно-измерительная система на основе камеры Cubert X20 Plus. В результате анализа полученных изображений методом PCA определены информативные длины волн 502, 670, 718, 770 и 930 нм. С помощью методов машинного обучения, таких как линейный дискриминантный анализ, метод случайного леса, логистической регрессии, k-ближайших соседей (kNN) и опорных векторов (SVM), были получены модели машинного обучения для классификации по категориям объектов в поле зрения камеры. Для выбора оптимальной модели использован комплексный показатель качества, включающий два критерия – время и качество классификации. Определена оптимальная модель машинного обучения, полученная на основе линейного дискриминантного анализа.

Ключевые слова: гиперспектральные изображения, контроль неразрушающий, гербицидные травмы, культурные растения, подсолнечник, классификация, модели, машинное обучение, информационно-измерительная система.

Yudaev V. A., Balabanov P. V., Grebennikova N. M., Divin A. G., Egorov A. S., Lyubimova D. A.
METHODOLOGY FOR DIAGNOSING HERBICIDE INJURIES TO SUNFLOWER BASED ON THE ANALYSIS OF HYPERSPECTRAL IMAGES OF ITS PLANT TISSUES
(pp. 45-53)

Abstract. The paper proposes a technique for diagnosing damage to plant tissues of the Spartak sunflower variety caused by a reaction to the herbicide tribenuron-methyl. Diagnostics is based on the analysis of hyperspectral images of control objects obtained in the wavelength range from 350 to 1002 nm. The technique involves collecting and analyzing hyperspectral images at growth stages. An information-measuring system based on the Cubert X20 Plus camera was used to obtain hyperspectral images. As a result of analyzing the obtained images using the PCA method, informative wavelengths of 502, 670, 718, 770 and 930 nm were determined. Using machine learning methods such as linear discriminant analysis, random forest, logistic regression, k-nearest neighbors (kNN) and SVM, machine learning models were obtained for classifying objects in the camera's field of view by category. To select the optimal model, a complex quality indicator was used, including two criteria ‒ time and quality of classification. An optimal machine learning model obtained on the basis of linear discriminant analysis is determined.

Keywords: hyperspectral images, non-destructive control, herbicide injuries, crops, sunflower, classification, models, machine learning, information and measuring system.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

В. А. Юдаев, П. В. Балабанов, Н. М. Гребенникова, А. Г. Дивин, А. С. Егоров, Д. А. Любимова (ФГБОУ ВО «Тамбовский государственный технический университет», Тамбов, Россия) E-mail: Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.

Eng

V. A. Yudaev, P. V. Balabanov, N. M. Grebennikova, A. G. Divin, A. S. Egorov, D. A. Lyubimova (Tambov State Technical University, Tambov, Russia) E-mail: Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра. , Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.

+ - Библиографический список (References) Click to collapse

Рус

1. Ye W., Yan T., Zhang C., et al. Detection of Pesticide Residue Level in Grape Using Hyperspectral Imaging with Machine Learning // Foods. 2022. Vol. 11. P. 1 – 16. DOI: 10.3390/foods11111609
2. Armenta S., Garrigues S., de la Guardia M. Partial Least Squares-Near Infrared Determination of Pesticides in Commercial Formulations // Vibrational Spectroscopy. 2007. Vol. 44. P. 273 – 278. DOI: 10.1016/j.vibspec.2006.12.005
3. Brunet D., Woignier T., Lesueur-Jannoyer M., et al. Determination of soil content in chlordecone (organochlorine pesticide) using near infrared reflectance spectroscopy (NIRS) // Environmental Pollution. 2009. Vol. 157. P. 3120 – 3125. DOI: 10.1016/j.envpol.2009.05.026
4. Makio T., Hiroaki I., Tomohiro T., et al. Classification of Pesticide Residues in the Agricultural Products Based on Diffuse Reflectance IR Spectroscopy // SICE Annual conference. 2007. P. 216 – 219. DOI: 10.1109/SICE.2007.4420979
5. Khanmohammadi M., Armenta S., Garrigues S., de la Guardia M. Mid-and Near-Infrared Determination of Metribuzin in Agrochemicals // Vibrational Spectroscopy. 2008. Vol. 46. P. 82 – 88. DOI: 10.1016/j.vibspec.2007.10.005
6. Scholten R. C., Hill J., Werner W., et al. Hyperspectral VNIR-Spectroscopy and Imagery as a Tool for Monitoring Herbicide Damage in Wilding Conifers // Biological Invasions. 2019. Vol. 21. P.3395 – 3413. DOI: 10.1007/s10530-019-02055-0
7. Shao Y., Jiang L., Zhou H., et al. Identification of Pesticide Varieties by Testing Microalgae using Visible/Near Infrared Hyperspectral Imaging Technology // Scientific Reports. 2016. Vol. 6. P. 1 – 11. DOI: 10.1038/srep24221
8. Scherrer B., Sheppard J. W., Jha P., et al. Hyperspectral Imaging and Neural Networks to Classify herbicide-Resistant Weeds // Journal of Applied Remote Sensing. 2019. Vol. 13. P. 1 – 15. DOI: 10.1117/1.JRS.13.044516
9. Cong S., Liu C., Zhu Z., Hu A. Study on Identification of Multiple Pesticide Residues in Lettuce Leaves Based on Hyperspectral Technology // Advances in Artificial Intelligence and Security: 7th International Conference, ICAIS. 2021. P. 537 – 550. DOI: 10.1007/978-3-030-78621-2_45
10. Ghosh S., Alkafaas S. S., Bornman C., et al. The Application of Rapid Test Paper Technology for Pesticide Detection in Horticulture Crops: a Comprehensive Review // Beni-Suef University Journal of Basic and Applied Sciences. 2022. Vol. 11. P. 1 – 28. DOI: 10.1186/s43088-022-00248-6

Eng

1. Ye, W., Yan, T., Zhang, C., et al. (2022). Detection of pesticide residue level in grape using hyperspectral imaging with machine learning. Foods, 11, 1–16. https://doi.org/10.3390/foods11111609
2. Armenta, S., Garrigues, S., & de la Guardia, M. (2007). Partial least squares-near infrared determination of pesticides in commercial formulations. Vibrational Spectroscopy, 44, 273–278. https://doi.org/10.1016/j.vibspec.2006.12.005
3. Brunet, D., Woignier, T., Lesueur-Jannoyer, M., et al. (2009). Determination of soil content in chlordecone (organochlorine pesticide) using near infrared reflectance spectroscopy (NIRS). Environmental Pollution, 157, 3120–3125. https://doi.org/10.1016/j.envpol.2009.05.026
4. Makio, T., Hiroaki, I., Tomohiro, T., et al. (2007). Classification of pesticide residues in the agricultural products based on diffuse reflectance IR spectroscopy. SICE Annual Conference, 216–219. https://doi.org/10.1109/SICE.2007.4420979
5. Khanmohammadi, M., Armenta, S., Garrigues, S., & de la Guardia, M. (2008). Mid-and near-infrared determination of metribuzin in agrochemicals. Vibrational Spectroscopy, 46, 82–88. https://doi.org/10.1016/j.vibspec.2007.10.005
6. Scholten, R. C., Hill, J., Werner, W., et al. (2019). Hyperspectral VNIR-spectroscopy and imagery as a tool for monitoring herbicide damage in wilding conifers. Biological Invasions, 21, 3395–3413. https://doi.org/10.1007/s10530-019-02055-0
7. Shao, Y., Jiang, L., Zhou, H., et al. (2016). Identification of pesticide varieties by testing microalgae using Visible/Near Infrared Hyperspectral Imaging technology. Scientific Reports, 6, 1–11. https://doi.org/10.1038/srep24221
8. Scherrer, B., Sheppard, J. W., Jha, P., et al. (2019). Hyperspectral imaging and neural networks to classify herbicide-resistant weeds. Journal of Applied Remote Sensing, 13, 1–15. https://doi.org/10.1117/1.JRS.13.044516
9. Cong, S., Liu, C., Zhu, Z., & Hu, A. (2021). Study on identification of multiple pesticide residues in lettuce leaves based on hyperspectral technology. Advances in Artificial Intelligence and Security: 7th International Conference, ICAIS, 537–550. https://doi.org/10.1007/978-3-030-78621-2_45
10. Ghosh, S., Alkafaas, S. S., Bornman, C., et al. (2022). The application of rapid test paper technology for pesticide detection in horticulture crops: A comprehensive review. Beni-Suef University Journal of Basic and Applied Sciences, 11, 1–28. https://doi.org/10.1186/s43088-022-00248-6

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 700 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/td.2025.11.pp.045-053

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 700 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/td.2025.11.pp.045-053

and fill out the form