XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

Современное сельское хозяйство находится в фазе активной цифровизации, когда интеллектуальные технологии становятся ключевым инструментом повышения эффективности агропроизводства. В условиях роста рыночных требований, климатических изменений и увеличения нагрузки на аграрный сектор особое значение приобретает создание автоматизированных систем мониторинга состояния посевов и вредоносных объектов. Одним из наиболее критичных элементов такого мониторинга является своевременное и точное распознавание вредителей зерновых культур, поскольку допущенные ошибки приводят к снижению урожайности, экономическим потерям и неэффективности защитных мероприятий.

Традиционные методы контроля вредителей основаны на визуальном осмотре и определении вида специалистом-энтомологом. Несмотря на высокую точность экспертного анализа, данный подход отличается низкой оперативностью, зависит от квалификации специалиста и не масштабируется для больших площадей. Эти факторы стали стимулом для внедрения технологий компьютерного зрения и нейросетей, способных классифицировать вредителей по изображениям в автоматическом режиме.

Однако нейросети, обученные исключительно на датасетах изображений, обладают фундаментальными ограничениями. Многие вредители зерновых культур визуально схожи на разных стадиях развития, имеют минимальные морфологические различия или отличаются лишь половыми признаками. Это приводит к ошибкам классификации при использовании только визуальных данных, снижает устойчивость системы к изменениям условий съёмки и ограничивает возможности масштабирования.

Для анализа существующего процесса и выявления его слабых мест была построена архитектурная диаграмма разработки нейросети для распознавания вредителей зерновых культур по фотографиям насекомых, модель «как есть», в нотации ArchiMate (рисунок 1).

Рисунок 1 – Диаграмма архитектуры разработки нейросети для распознавания вредителей зерновых культур по фотографиям, модель «как есть»

Диаграмма на рисунке 1 отражает, что текущая архитектура опирается исключительно на работу с датасетом изображений вредителей. Основные этапы включают сбор сведений и фотографий насекомых, формирование датасета, программирование нейросети, её обучение и последующую проверку. Взаимодействие разработчика и эксперта ограничено только созданием и проверкой выборки, а знания об особенностях вредителей не переходят в цифровую форму. Такая архитектура разработки делает нейросеть зависимой от качества и разнообразия изображений, а отсутствие семантического описания морфологии и биологии вредителей создаёт ограничения для точной классификации, особенно в случае визуально схожих видов. Для обоснования необходимости архитектурной трансформации исследуемой предметной области была разработана мотивационная диаграмма распознавания вредителей зерновых культур на основе нейронных сетей (рисунок 2).

Рисунок 2 – Мотивационная диаграмма распознавания вредителей зерновых культур на основе нейронных сетей

Мотивационная модель (рисунок 2) раскрывает причины, по которым существующие системы распознавания вредителей зерновых культур на основе нейронных сетей не удовлетворяют требованиям стейкхолдеров. Сельхозпроизводители и государственные организации заинтересованы в получении качественного урожая и развитии цифровизации агропромышленного комплекса. Энтомологи и научно-исследовательские учреждения в вопросе распознавания вредителей зерновых культур ориентированы на такие драйверы как необходимость применения экспертных знаний при классификации и потребность в интерпретируемости решений ИИ. На практике многие вредители обладают высокой вариативностью морфологических признаков, что усложняет определение вида по изображению. В результате ключевыми оценками указанных драйверов являются недостаточная точность классификации, низкая устойчивость к ошибкам распознавания, высокий процент ошибок между морфологически схожими видами и недостаточная интерпретируемость работы модели. Эти оценки формируют потребность в создании гибридной нейросетевой системы, интегрирующей онтологию как основу экспертных знаний. Выявленные мотивы архитектурной трансформации стали основанием для разработки целевой архитектурной модели разработки нейросети для распознавания вредителей зерновых культур, представленной на рисунке 3.

Диаграмма модели «как будет» демонстрирует расширенную архитектуру разработки нейросети для распознавания вредителей зерновых культур, включающую этап создания онтологии вредителей зерновых культур. На этом этапе формируется структурированная база знаний, содержащая морфологические признаки, таксономию, стадии развития, биологические характеристики и связи между элементами предметной области. Онтология используется разработчиком нейросети и интегрируется в процесс обучения модели, дополняя изображения семантическими данными. Это обеспечивает формирование гибридной архитектуры, которая сочетает анализ визуальных признаков с экспертными знаниями, что значительно повышает точность и устойчивость классификации вредителей зерновых культур.

Рисунок 3 – Диаграмма архитектуры разработки нейросети для распознавания вредителей зерновых культур на основе онтологии, модель «как будет»

Онтологический подход позволяет решать задачи, недоступные чисто визуальным нейросетям: учитывать скрытые морфологические зависимости, различать виды с минимальными визуальными отличиями и объяснять, по каким признакам модель приняла решение. Кроме того, онтология упрощает масштабирование системы: добавление нового вида вредителя требует лишь внесения сведений в базу знаний, а не полного переобучения модели. Таким образом, онтология становится ключевым элементом цифровой платформы мониторинга вредителей, обеспечивая комплексность, интерпретируемость и расширяемость системы [1].

В заключение следует отметить, что разработка онтологии при создании нейросетевой модели распознавания вредителей зерновых культур представляет собой перспективное направление цифровой трансформации АПК. Она обеспечивает решение ограничений существующего подхода, основанного только на изображениях, и формирует интеллектуальную основу для повышения качества и эффективности мониторинга. Интеграция онтологии в архитектуру позволяет создать устойчивую, точную и объяснимую систему, отвечающую требованиям современной аграрной отрасли и поддерживающую дальнейшее развитие цифрового земледелия.

Список использованных источников

1. Цуканова Н. И. Онтологическая модель представления и организации знаний. – М. ИНФРА-М, 2015. – 9 с.