Підхід до нейромережевого визначення стадій розвитку агрокультур за візуальними ознаками з використанням хмарних технологій

Abstract

UA: У роботі представлено підхід до автоматизованого визначення стадій розвитку агрокультур за візуальними ознаками з використанням глибоких згорткових нейронних мереж у хмарному середовищі. Запропонований метод базується на архітектурі EfficientNet-B0 із компаундним масштабуванням, що забез-печує оптимальний баланс між обчислювальними витратами та точністю класифікації. Система здійснює попередню обробку зображень, їх перетворення в ознаковий простір за допомогою MBConv-блоків та кла-сифікацію восьми стадій розвитку через софтмакс-активацію. Результати експериментів показали точність понад 99%, що на 8% перевищує існуючі аналоги. Оригінальність підходу полягає у використанні лише візуальних даних без потреби в мультиспектральних сенсорах, що робить метод доступним для мобільних і польових застосувань. Практичне значення полягає у можливості інтеграції рішення в аграрні інформаційні системи для моніторингу посівів, планування агротехнічних заходів і підвищення ефективності управління ресурсами. /// EN: The study aims to develop an approach for automated identification of crop growth stages based on visual features using neural networks and cloud technologies. The core objective is to improve the accuracy and efficiency of recognizing phenological phases of plants through computer vision, thereby advancing digital agrotechnical monitoring and supporting informed decision-making in agricultural production.The proposed approach employs pre-trained deep convolutional neural networks, particularly EfficientNet-B0, which combines compound scaling and high computational performance. Input images undergo preprocessing steps such as normalization, scaling, and noise reduction. Feature extraction is conducted using MBConv blocks with residual connections, followed by classification through a softmax activation layer. Deployment and computation are performed within a cloud environment, ensuring scalability, accessibility, and integration into diverse agricultural platforms.The developed system demonstrated over 99% classification accuracy in identifying phenological crop stages. Experimental validation confirmed the robustness of the model under varying lighting conditions and image acquisition angles, which is crucial for field applications.The originality of this research lies in integrating cloud computing with an optimized EfficientNet architecture, which ensures a balance between classification accuracy and computational efficiency while relying solely on RGB images. This eliminates the need for multispectral data or computationally intensive solutions.The proposed approach provides practical benefits for agricultural applications, enabling mobile and cloud-based decision-support tools for agronomists, farmers, and consultants. With high accuracy and adaptability, the system can be incorporated into digital platforms for real-time crop monitoring and agrotechnical planning.The integration of neural networks and cloud technologies facilitates automation and objectification of crop growth stage identification. Future work will focus on dataset expansion, adaptation to multiple crop types, and the development of field-ready cloud services for agricultural use.