АРХІТЕКТУРА ІНТЕЛЕКТУАЛЬНОЇ ПІДСИСТЕМИ ВИЯВЛЕННЯ ТЕПЛОКРОВНИХ ШКІДНИКІВ ПРИ МОНІТОРИНГУ ВИРОБНИЧИХ ПРОЦЕСІВ В АГРОНОМІЇ
DOI:
https://doi.org/10.31548/itees.2026.01.075Ключові слова:
агрономія, автоматизована система моніторингу, комп’ютерний зір, теплокровні шкідники, точне землеробство, тепловізійне знімання, виявлення об’єктів, YOLO, IoTАнотація
У статті розглянуто побудову інтелектуальної підсистеми виявлення теплокровних шкідників як складової автоматизованої системи моніторингу виробничих процесів в агрономії. Актуальність роботи зумовлена потребою у своєчасному виявленні факторів біологічної загрози на посівах, що призводять до значних економічних збитків та зниження якості кінцевої продукції, зниженні залежності від ручного обстеження полів та підвищенні оперативності прийняття рішень в умовах точного землеробства. На основі аналізу сучасних підходів до комп’ютерного зору, тепловізійного спостереження, безпілотного моніторингу та IoT-інфраструктури сформовано вимоги до архітектури підсистеми, яка повинна забезпечувати збір різнорідних даних, попередню обробку, локалізацію потенційно небезпечних об’єктів, оцінювання рівня загрози та передавання результатів до контуру підтримки управлінських рішень. Метою дослідження є обґрунтування структури такої підсистеми, визначення основних функціональних модулів та вибір придатних класів моделей детектування для польових умов. У роботі використано методи системного аналізу, функціональної декомпозиції, порівняльного аналізу архітектур детекторів об’єктів і узагальнення результатів сучасних публікацій за тематикою точного землеробства. У результаті запропоновано багаторівневу архітектуру, що поєднує рівень сенсорного збору даних, рівень аналітичної обробки, рівень просторової верифікації та рівень підтримки рішень. Обґрунтовано доцільність комбінування RGB- і тепловізійних даних, а також використання одноетапних детекторів класу YOLO для оперативного польового виявлення об’єктів. Практичне значення запропонованого підходу полягає у можливості його подальшої інтеграції в автоматизовані системи агровиробництва та розвитку спеціалізованих сервісів раннього попередження.
Отримано 2026-04-01
Прийнято 2026-04-20
Посилання
1. Monteiro, A., Santos, S., & Gonçalves, P. (2021). Precision agriculture for crop and livestock farming – Brief review. Animals, 11(8), Article 2345. https://doi.org/10.3390/ani11082345.
2. Shahab, H., Iqbal, M., Sohaib, A., Ullah Khan, F., & Waqas, M. (2024). IoT-based agriculture management techniques for sustainable farming: A comprehensive review. Computers and Electronics in Agriculture, 220, Article 108851. https://doi.org/10.1016/j.compag.2024.108851.
3. Khan, Z., Shen, Y., & Liu, H. (2025). Object detection in agriculture: A comprehensive review of methods, applications, challenges, and future directions. Agriculture, 15(13), Article 1351. https://doi.org/10.3390/agriculture15131351.
4. Rakhmatulin, I., Kamilaris, A., & Andreasen, C. (2021). Deep neural networks to detect weeds from crops in agricultural environments in real-time: A review. Remote Sensing, 13(21), Article 4486. https://doi.org/10.3390/rs13214486.
5. Christiansen, P., Steen, K. A., Jørgensen, R. N., & Karstoft, H. (2014). Automated detection and recognition of wildlife using thermal cameras. Sensors, 14(8), 13778–13793. https://doi.org/10.3390/s140813778.
6. Zheng, S., Zhou, C., Jiang, X., Huang, J., & Xu, D. (2022). Progress on infrared imaging technology in animal production: A review. Sensors, 22(3), Article 705. https://doi.org/10.3390/s22030705.
7. Rietz, J., Calkoen, F., von Hoermann, C., et al. (2023). Drone-based thermal imaging in the detection of wildlife carcasses and disease management. Transboundary and Emerging Diseases, 2023, Article 5517000. https://doi.org/10.1155/2023/5517000.
8. Zhang, W., Huang, H., Sun, Y., & Wu, X. (2022). AgriPest-YOLO: A rapid light-trap agricultural pest detection method based on deep learning. Frontiers in Plant Science, 13, Article 1079384. https://doi.org/10.3389/fpls.2022.1079384.
9. Ahmed, S., Marwat, S. N. K., Ben Brahim, G., et al. (2024). IoT based intelligent pest management system for precision agriculture. Scientific Reports, 14, Article 31917. https://doi.org/10.1038/s41598-024-83012-3.
10. Kiktiev, M. O., Hradoboiev, D. A., Opryshko, O. O., Karmatskykh, A. A., & Melnyk, D. O. (2025). Identyfikatsiia lokatsii hryzuniv na poliakh dlia orhanizatsii zakhysnykh zakhodiv v ahronomii [Identification of rodents locations in fields for organization of protective measures in agronomy]. Enerhetyka i avtomatyka [Energy and Automation], 2(78), 158–172. https://doi.org/10.31548/energiya2(78).2025.158.
11. Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 779–788). IEEE. https://doi.org/10.1109/CVPR.2016.91.
12. Carion, N., Massa, F., Synnaeve, G., Usunier, N., Kirillov, A., & Zagoruyko, S. (2020). End-to-end object detection with transformers. In Computer Vision — ECCV 2020 (pp. 213–229). Springer. https://doi.org/10.1007/978-3-030-58452-8_13.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Інформаційні технології в економіці та природокористуванні
Усі матеріали розповсюджуються згідно з умовами міжнародної публічної ліцензії Creative Commons Attribution 4.0 International Public License, що дозволяє іншим поширювати статтю з визнанням авторства та першої публікації в цьому журналі.
