XVIII Международная студенческая научная конференция Студенческий научный форум - 2026

В условиях активной цифровизации агропромышленного комплекса сельскохозяйственные предприятия вынуждены адаптироваться к изменяющимся условиям производства и повышающимся требованиям к эффективности управления посевами. Одной из ключевых задач растениеводства является своевременное выявление заболеваний сельскохозяйственных культур, в частности пшеницы, от которого напрямую зависит урожайность и экономическая эффективность производства.

Несмотря на развитие цифровых технологий, на практике значительная часть сельскохозяйственных производителей продолжает использовать традиционные, неформализованные подходы к диагностике заболеваний растений. Процесс выявления болезней пшеницы во многом основан на визуальном осмотре посевов и экспертной оценке агрономов, что приводит к высокой зависимости от человеческого фактора и субъективности принимаемых решений.

С учётом того, что современные методы компьютерного зрения и машинного обучения позволяют автоматически анализировать изображения растений, сохранение ручной модели диагностики становится сдерживающим фактором развития аграрных предприятий. Таким образом, возникает противоречие между текущим состоянием архитектуры процесса определения болезни пшеницы [1] и возможностями, предоставляемыми современными цифровыми технологиями.

В связи с обозначенной проблемой актуальной является задача анализа текущего состояния архитектуры процесса определения болезни пшеницы и проектирования целевого состояния, ориентированного на внедрение автоматизированной системы диагностики на основе искусственного интеллекта.

В данной работе для формализации и визуализации архитектурных изменений используется язык моделирования ArchiMate [2-3], позволяющий комплексно рассмотреть бизнес-, прикладной и технологический слои и обосновать необходимость цифровой трансформации процесса выявления заболеваний пшеницы [1].

На рисунке 1 представлена диаграмма ArchiMate мотивационного слоя, отражающая анализ перехода от ручного определения болезни пшеницы к автоматизированной системе диагностики на основе искусственного интеллекта, диаграмма разработана в среде Archi 4.0

На рисунке 2 представлена модель архитектуры определения болезни пшеницы в состоянии «Как есть», разработанная с использованием языка моделирования ArchiMate в среде Archi 4.0.

Согласно архитектуре «Как есть» (рисунок 2), определение болезни пшеницы начинается с визуального осмотра посевов и выявления внешних признаков заболеваний. Фермер делает фотографии поражённых растений и передаёт их агроному посредством мессенджеров или электронной почты для последующей передачи специалисту лаборатории.

Агроном визуально анализирует полученные изображения, определяет тип заболевания и формирует рекомендации по обработке посевов. Результаты диагностики передаются фермеру в текстовой форме и, как правило, не сохраняются в структурированном виде. Хранение информации осуществляется неформализованно и не предполагает накопления данных для последующего анализа.

Рисунок 1 – Диаграмма ArchiMate мотивационного слоя определения болезни пшеницы

Рисунок 2 – Архитектура определения болезни пшеницы в нотации ArchiMate, модель «Как есть»

В архитектуре состояния «Как есть» в прикладной слой не используются специализированные информационные системы для анализа изображений и хранения результатов диагностики. Технологический слой представлен минимальным набором средств, включающим мобильные устройства и средства связи. Отсутствие цифровой инфраструктуры приводит к фрагментарности данных и высокой зависимости процесса от человеческого фактора.

Выявленные ограничения подтверждают необходимость перехода к целевой архитектуре, ориентированной на автоматизацию процесса определения болезни пшеницы с использованием искусственного интеллекта.

На рисунке 3 представлена модель архитектуры определения болезни пшеницы в состоянии «Как будет», разработанная с использованием языка моделирования ArchiMate в среде Archi 4.0.

Рисунок 3 – Архитектура определения болезни пшеницы в нотации ArchiMate, модель «Как будет»

Согласно архитектуре «Как будет» (рисунок 3), процесс «Идентификация болезней пшеницы» реализуется с использованием мобильного приложения диагностики на основе искусственного интеллекта. Бизнес-актор «Агроном» загружает фотографию растения в систему через пользовательский интерфейс, после чего происходит автоматическая обработка изображения.

Реализация процесса обеспечивается компонентом прикладного слоя «Серверный модуль ИИ анализа», который выполняет предварительную обработку фото, анализ признаков и определение типа заболевания. Результаты диагностики автоматически сохраняются в базе данных и отображаются пользователю в виде структурированного отчёта с рекомендациями.

Функционирование прикладного слоя поддерживается технологическим слоем, включающим серверную инфраструктуру, систему управления базой данных и программные средства машинного обучения. Данная архитектура обеспечивает устойчивую работу системы, централизованное хранение данных и возможность их последующего анализа.

Таким образом, целевая архитектура определения болезни пшеницы, представленная с использованием языка ArchiMate, демонстрирует переход от ручной и неформализованной диагностики к цифрово-ориентированной модели на основе искусственного интеллекта, обеспечивающей повышение точности, скорости и эффективности определения болезней пшеницы, что соответствует требованиям современной цифровой аграрной среды.

Список используемых источников

1. Койшыбаев М. Болезни пшеницы. - UML: https://openknowledge.fao.org/server/api/core/bitstreams/e74442eb-7653-4ca2-9ac7-843e6b15db5b/content (дата обращения: 07.12.2025).

2. Онлайн учебник архитектура предприятия: сайт. – UML: https://urait.ru/viewer/arhitektura-predpriyatiya-539842 (дата обращения: 03.12.2025).

3. Ширяева Е.В. Моделирование архитектуры сельскохозяйственного предприятия в среде ARCHI 4 / Материалы конференции «Оптимизация сельскохозяйственного землепользования и усиление экспортного потенциала АПК РФ на основе конвергентных технологий». – Волгоград: ФГБОУ ВО Волгоградский ГАУ, 2020. – С. 299-307.