МАТЕМАТИЧЕСКОЕ ОБОСНОВАНИЕ АРХИТЕКТУРЫ КОМБИНИРОВАННОЙ НЕЙРОННОЙ СЕТИ С ДЕТЕРМИНИРОВАННОЙ ПАРАМЕТРИЗАЦИЕЙ ВЕСОВ В МОБИЛЬНЫХ КИБЕРФИЗИЧЕСКИХ СИСТЕМАХ ДЛЯ МОНИТОРИНГА ПОСЕВОВ

Рогачев А.Ф.

doi:10.60797/IRJ.2026.169.19

МАТЕМАТИЧЕСКОЕ ОБОСНОВАНИЕ АРХИТЕКТУРЫ КОМБИНИРОВАННОЙ НЕЙРОННОЙ СЕТИ С ДЕТЕРМИНИРОВАННОЙ ПАРАМЕТРИЗАЦИЕЙ ВЕСОВ В МОБИЛЬНЫХ КИБЕРФИЗИЧЕСКИХ СИСТЕМАХ ДЛЯ МОНИТОРИНГА ПОСЕВОВ

Научная статья

Рогачев Алексей Фруминович0000-0002-3077-6622Волгоградский государственный аграрный университет, Волгоград, Российская Федерация

Рогачев А. Ф.

https://doi.org/10.60797/IRJ.2026.169.19

DOI:

https://doi.org/10.60797/IRJ.2026.169.19

EDN:

LPRXTA

Предложена:

21.06.2026

Принята:

14.07.2026

Опубликована:

17.07.2026

Выпуск: № 7 (169), 2026

Правообладатель: авторы. Лицензия: Attribution 4.0 International (CC BY 4.0)

30

0

XML

PDF

Аннотация

Научная проблема. Внедрение алгоритмов глубокого обучения в мобильные киберфизические системы (беспилотные летательные аппараты) для мониторинга агроценозов ограничивается стохастической природой инициализации весов нейронных сетей. Случайный выбор начальных параметров приводит к попаданию модели в локальные минимумы целевой функции, длительному времени обучения и, как следствие, к снижению точности классификации минорных классов (дефектов и стрессов посевов) на заведомо несбалансированных агрономических датасетах.

Цель исследования заключается в математическом обосновании архитектуры комбинированной нейронной сети и разработке детерминированного метода параметризации ее весов для обеспечения высокоточного и робастного выявления дефектных участков по RGB-изображениям высокого разрешения.

Новизна методологических подходов состоит в синтезе комбинированной архитектуры сверточных слоев (с блоками нормализации и регуляризации) и модифицированного алгоритма нормализованной инициализации весов, математически адаптированного для полулинейных функций активации (ReLU). Предложенный подход позволяет аналитически нивелировать влияние стохастичности, дисперсию активаций на прямом и обратном проходах, что гарантирует устойчивую сходимость модели и предотвращает ее переобучение на мажоритарных классах без применения ресурсоемких процедур предварительного обучения (pre-training) или многократных перезапусков.

Результаты и научная значимость. В ходе численных экспериментов подтверждена научная гипотеза о том, что детерминированная инициализация статистически значимо повышает обобщающую способность сети. Получены следующие метрики качества модели: средняя точность на обучающей выборке — 0.958 (максимальная — 0.967); средняя точность на проверочной выборке — 0.912 (максимальная — 0.921). Научная значимость результатов заключается в доказательстве возможности устойчивого распознавания минорных классов агрономических аномалий (дефицита питательных веществ) на несбалансированных данных. Это создает теоретическую и алгоритмическую базу для развертывания легковесных нейросетевых моделей на бортовых вычислителях мобильных роботов и БПЛА в системах точного земледелия реального времени.

Ключевые слова:

RGB-изображения высокого разрешения, автоматизация выявления дефектов, архитектура нейронной сети, беспилотные летательные аппараты, глубокое обучение, детерминированная инициализация весов, несбалансированные выборки, мобильные киберфизические системы.

1. Введение

Глобальный рост населения и увеличение спроса на сельскохозяйственную продукцию диктуют необходимость повышения эффективности агропроизводства без ущерба для качества продуктов и окружающей среды

, . Ключевым инструментом в решении этой задачи становится автоматизированный анализ изображений сельскохозяйственных полей, позволяющий оценивать состояние почв, выявлять стрессовые факторы и болезни растений на ранних стадиях , .

Развитие информационных технологий, включая Интернет вещей (IoT), облачные вычисления и дистанционное зондирование Земли с помощью беспилотных летательных аппаратов (БПЛА), революционизирует понимание агроэкосистем

, . БПЛА обеспечивают неинвазивный сбор данных на обширных и труднодоступных территориях, формируя массивы плотных и сложных изображений . Если традиционные методы компьютерного зрения, опирающиеся на ручное извлечение признаков (HOG, SIFT, SURF) и классификаторы типа SVM, демонстрировали низкую эффективность в условиях плотных сцен и значительных перекрытий объектов , , то глубокое обучение (Deep Learning, DL), в частности сверточные нейронные сети (CNN), показало выдающиеся результаты в агропроизводственных задачах компьютерного зрения , .

Современные исследования подтверждают, что методы DL статистически значимо превосходят традиционные подходы в задачах выявления болезней растений (точность до 97,8% на моделях VGG19 для картофельных листьев

), обнаружения сорняков (до 98% на архитектуре Inception V2), а также классификации типов землепользования по мультиспектральным снимкам . Тем не менее, внедрение нейросетевых моделей в мобильные киберфизические системы (на борт БПЛА или наземные робототехнические комплексы) сталкивается с рядом фундаментальных проблем: «исчезающий градиент», переобучение, высокая вычислительная сложность и, что особенно важно, стохастическая природа начальной инициализации весов , , .

Архитектуры искусственных нейросетей (ИНС), например, Inception и ResNet, успешно решают часть этих задач за счет многоуровневой абстракции и специфических функций активации

, , однако вопрос влияния случайного выбора начальных параметров на сходимость модели при работе с несбалансированными агрономическими датасетами (где классы «дефицит питательных веществ» или «болезнь» представлены минорно) остается открытым. Стандартная стохастическая инициализация часто приводит к необходимости многократных перезапусков процедуры обучения (до 10 раз), что неприемлемо в условиях ограниченных вычислительных ресурсов мобильных платформ.

Проблема исчезающего градиента может решаться в сетях с рекуррентными слоями, например, «Long Short-Term Memory» (LSTM), представленными на рис.1-а. Комбинация сверточных слоев со слоями подвыборки, например в архитектуре Inception, обеспечивает более релевантные результаты.

Элементы архитектуры слоев ИНС:

a) LSTM; b) ячейка Inception

В связи с этим настоящее исследование ориентировано на математическое обоснование архитектуры комбинированной нейронной сети и разработку детерминированного метода параметризации ее весов для обеспечения робастной мультиклассовой классификации дефектных участков агроценозов по RGB-изображениям высокого разрешения.

Цель исследования и математическая постановка задачи

Цель исследования — математическое обоснование архитектуры комбинированной сверточной нейронной сети и разработка детерминированного метода параметризации её весов для обеспечения робастной мультиклассовой классификации дефектных участков агроценозов по RGB-изображениям высокого разрешения, получаемым с БПЛА в составе мобильных киберфизических систем.

Научная гипотеза

Предполагается, что замена стохастической инициализации весов детерминированной (нормализованной) инициализацией, математически согласованной с полулинейной функцией активации ReLU, позволяет:

1) аналитически нивелировать дисперсию активаций на прямом и обратном проходах сети;

2) исключить попадание траектории градиентного спуска в локальные минимумы целевой функции;

3) статистически значимо повысить точность классификации минорного класса (дефицит питательных веществ) на заведомо несбалансированном агрономическом датасете без применения ресурсоёмких процедур предварительного обучения и многократных перезапусков.

Математическая постановка задачи

Задача автоматизированного выявления дефектных участков посевов по цветным аэрофотоснимкам формализуется как задача мультиклассового распознавания образов.

Пусть

— пространство входных RGB-изображений, где H = W = 300 пикселей, C = 3 (по числу каналов R, G, B). Пусть Y = {y1, y2, y3, y4} — конечное множество классов, кодируемых one-hot-векторами:

Y = {A, B, C, D} = {(1,0,0,0), (0,1,0,0), (0,0,1,0), (0,0,0,1)},

где A — оптимальное развитие, B — локальное компенсаторное развитие, C — среднее развитие, D — дефицит питательных веществ и микроэлементов.

Задана обучающая выборка

(1)

причём распределение классов P(Y) является несбалансированным:

P(yD) << P(yA).

Требуется построить параметрическое отображение

(2)

где

— (K-1)-мерный вероятностный симплекс, а

— вектор обучаемых параметров сети (P ≈ 43 106).

Отображение fθ реализуется как композиция L функциональных слоёв:

(3)

где φl — операции свёртки (Conv2D), пакетной нормализации (BatchNorm), подвыборки (MaxPooling) и регуляризации (Dropout); σ — функция softmax на выходном полносвязном слое.

Целевая функция обучения — категориальная кросс-энтропия:

(4)

Оптимальный вектор параметров определяется как:

(5)

При стандартной стохастической инициализации

траектория обучения

определяемая правилом обновления оптимизатора Adam:

(6)

обладает высокой дисперсией сходимости:

что обусловлено зависимостью от начальной точки θ0 и приводит к необходимости многократных перезапусков (M ≈ 10) процедуры обучения.

Формулировка задачи оптимизации архитектуры

Требуется найти такую детерминированную инициализацию θ0 = θdet, при которой:

(7)

при одновременном выполнении условия повышения метрики F1-score для минорного класса D:

(8)

2. Методы и принципы исследования

Исходные RGB-изображения агроценозов высокого разрешения (4К) получены с помощью мультиспектральных камер, установленных на квадрокоптерах DJI Phantom 4, в период вегетации сельскохозяйственных культур

, , , .

Предобработка данных включает:

1. Приведение пространственной размерности к 300 х 300 пикселей;

2. Нормализацию интенсивности по каждому RGB-каналу:

(9)

где mc, σc — выборочное среднее и стандартное отклонение по c-му каналу;

3. Разбиение датасета в соотношении 80/10/10 (обучающая / валидационная / тестовая выборки);

4. Аугментацию данных (повороты, отражения) для расширения обучающего множества.

Архитектура сети. Разработана комбинированная ИНС из 14 слоёв, включающая блоки пакетной нормализации, сверточные слои вида Conv2D(32, (3 х 3), padding = 'same', activation = 'ReLU',

слои подвыборки MaxPooling2D(2 х 2), слои регуляризации Dropout(p = 0,25) и выходной полносвязный слой Dense(4, activation = 'softmax'. Общее число обучаемых параметров - P ≈ 43 106.

В качестве функции активации использовалась полулинейная зависимость (ReLU)

, :

(10)

Обучение проводилось с использованием оптимизатора Adam и целевой функции L(θ) = categorical_crossentropy и детерминированной инициализации весов, математическое обоснование которой приведено в разделе 4.

3. Основные результаты

3.1. Особенности датасета и базовой архитектуры ИНС

Экспериментально исследуемые изображения анализируемых участков агрополей были получены с помощью камер с разрешением 4К, установленных на квадрокоптерах DJI Phontom 4.

Поскольку качество и производительность проектируемой нейросети существенно зависят не только от архитектуры ИНС, но и от параметров обучающего датасета, то применялись различные способы предварительной обработки исходных цветных изображений, включая корректировку их размерности. Типичные изображения, получаемые с помощью БПЛА, представлены на рисунке 2.

Исходные изображения для нейросетевого анализа:

a) нормальное развитие растений; b) изреженные всходы

Архитектура базовой разрабатываемой и исследуемой нейросети включала сверточные слои, включая пэддинг

model.add(Conv2D(32, (3,3), padding=‘same', activation='relu'),

чередующиеся со слоем подвыборки вида

(MaxPooling2D(pool_size=(2, 2))),

а также слои регуляризации

(dropout (0.25)).

Выходной полносвязный слой

model.add(Dense(4, activation=’softmax'))

с 4-мя нейронами по числу выявляемых классов (без учета сорняков).

Диаграммы обучения разработанной ИНС комбинированного типа, решающей сформулированную выше задачу, приведены на рисунке 3.

Процессы обучения ИНС при распознавании состояния посевов:

а) базового; б) оптимизированного

В процессе оптимизации архитектуры, в блоке классификатора был введен дополнительный полносвязный dense-слой, повысивший устойчивость процедуры обучения и значение метрики «accuracy» (рисунок 3-б).

Анализ диаграмм процессов обучения разработанных ИНС показывает рост значений долей верных классификаций, представленные на рисунке 3, показывают их рост в пределах 0,1…0,95.

3.2. Обоснование детерминированной инициализации весов

Особенностью обучения глубоких сетей является стохастический выбор начальных весов, что часто приводит к неопределенности траектории обучения и необходимости многократных запусков (до 10 раз) для достижения глобального минимума

, . При использовании сигмоидальных функций активации в сочетании со случайной инициализацией наблюдается быстрое насыщение нейронов, что делает такой подход непригодным для глубоких архитектур .

Для проверки выдвинутой научной гипотезы в работе был применен детерминированный подход к инициализации весов, основанный на нормализованном распределении начальных параметров. В отличие от стандартной инициализации θ0 ∼ U(0,1), нормализованная инициализация снижает дисперсию активаций на прямом и обратном проходах

. Начальные значения весов сети W определялись по модифицированной зависимости (аналог инициализации Xavier):

(11)

где U — функция равномерного распределения, nj — число нейронов на текущем слое, n{j+1} — на следующем.

При использовании полулинейной функции активации (ReLU) веса определялись по зависимости He

:

(12)

Применение формул (11) и (12) позволило:

- ускорить обучение без необходимости предварительного обучения (pre-training);

- исключить многократные перезапуски процедуры обучения;

- обеспечить устойчивую сходимость модели к глобальному минимуму целевой функции (5).

3.3. Численные результаты

Тестирование разработанной ИНС проводилось с оптимизатором «Adam»

. Численные эксперименты подтвердили проверяемую научную гипотезу: детерминированная инициализация обеспечила высокую устойчивость обучения. Несмотря на то, что класс «D» (дефицит питательных веществ) был представлен в датасете минорно, модель продемонстрировала высокую способность к его распознаванию без существенного переобучения на мажоритарных классах.

Получены следующие значения метрик качества:

Полученные значения точности обучения ИНС

DOI:10.60797/IRJ.2026.169.19.4

Выборка	Средняя точность	Максимальная точность
обучающая	0,958	0,967
проверочная	0,912	0,921

Матрицы рассеяния для базового варианта на обучающей и проверочной выборках представлены на рис. 4.

Матрицы рассеяния для базового варианта:

а) на обучающей выборке; b) на проверочной выборке

4. Обсуждение

Анализ матриц рассеяния показал, что предложенная комбинированная архитектура успешно справляется с задачей мультиклассового распознавания плотных сцен, что согласуется с данными мировых исследований, отмечающих превосходство CNN над традиционными методами в задачах выявления стрессовых состояний растений

, , . В частности, полученные результаты сопоставимы с точностью моделей VGG16 и ResNet50 при классификации болезней сельскохозяйственных культур (92…97% ), однако достигнуты при существенно меньших вычислительных затратах, что критично для развертывания на мобильных платформах , , .

Представляются целесообразными следующие научные направления продолжения исследований:

- расширение датасета за счет аугментации и балансировки классов для повышения робастности модели на минорных классах агрономических аномалий

.

- усиление архитектуры за счет трансфера обучения (Transfer Learning) с использованием предобученных сетей (VGG16, ResNet50, MobileNet);

- количественная оценка уверенности модели с применением метрик Maximum Softmax Probability (MSP), Mutual Information (MI) и энтропии распределения вероятностей:

(13)

где низкие значения энтропии указывают на высокую уверенность нейросети, что критично для принятия агрономических решений в режиме реального времени

, .

5. Заключение

1. Разработана и математически обоснована архитектура комбинированной нейронной сети, включающей 14 функциональных слоёв (блоки нормализации, свёртки, подвыборки и регуляризации), которая успешно решает задачу мультиклассовой классификации цветных изображений характерных участков сельскохозяйственных полей с общим числом обучаемых параметров 43⋅106.

2. Научная гипотеза подтверждена, при этом применение детерминированного метода инициализации весов (формулы (11) и (12)), математически согласованного с полулинейной функцией активации ReLU, позволило:

- аналитически нивелировать влияние стохастичности начальных параметров;

- исключить попадание траектории градиентного спуска в локальные минимумы целевой функции;

- обеспечить высокую точность (0.912 на проверочной выборке) при работе с несбалансированным датасетом, включая сложную диагностику минорного класса «Дефицит питательных веществ».

3. Результаты исследования могут быть использованы для построения нейросетевых моделей, ориентированных на мобильные киберфизические системы и БПЛА. Разработанная архитектура обеспечивает высокую точность при ограниченных вычислительных ресурсах, что критично для систем точного земледелия реального времени.

Дополнительные материалы

Не указаны

Финансирование

Российский научный фонд (РНФ)
Грант No. 25-21-20019 Российского научного фонда и Администрации Волгоградской области.

Благодарности

Не указаны

Конфликт интересов

Не указаны

Список литературы

Srihith I.V.D. A Short Review on Deep Learning in Agriculture / I.V.D. Srihith // Journal of Advanced Research in Artificial Intelligence & It's Applications. — 2024. — 1(3). — P. 23–39.

Kamilaris A. Deep learning in agriculture: A survey / A. Kamilaris // Computers and electronics in agriculture. — 2018. — 147. — P. 70–90.

Liakos K.G. Machine Learning in Agriculture: A Review / K.G. Liakos, P. Busato, D. Moshou et al. // Sensors. — 2018. — 18. — P. 2674.

LeCun Y. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. — 2015. — 521. — P. 436–444.

He K. Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification. / K. He, X. Zhang, Sh. Ren et al. // Proceedings of the IEEE International Conference on Computer Vision (ICCV); — Preprint: arXiv, 2015. — P. 1026–1034. DOI: 10.48550/arXiv.1502.01852

Krizhevsky A. ImageNet Classification with Deep Convolutional Neural Networks / A. Krizhevsky, I. Sutskever, G.E. Hinton // Advances in Neural Information Processing Systems (NIPS). — 2012. — 25. — P. 1097–1105.

Николенко С. Глубокое обучение. Визуальное руководство / С. Николенко. — Санкт-Петербург: Питер, 2018. — 480 c.

Гудфеллоу Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль. — Москва: ДМК Пресс, 2018. — 652 c.

Созыкин А.В. Обзор методов обучения глубоких нейронных сетей / А.В. Созыкин // Вестник ЮУрГУ. Сер. Вычислительная математика и информатика. — 2017. — 6(3). — C. 28–59.

Szegedy C. Going Deeper with ConvolutionsGoing Deeper with Convolutions / C. Szegedy // IEEE Conference on Computer Vision and Pattern Recognition. — 2015. — № 1. — URL: https://ieeexplore.ieee.org/xpl/conhome/7293313/proceeding (accessed: 24.06.26) — DOI: 10.1109/CVPR.2015.7298594.

Cho K. Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine Translation / K. Cho, B. van Merrienboer, C. Gulcehre et al. // Proceedings of the EMNLP. — 2014. — 6. — P. 1724–1734. — DOI: 10.3115/v1/D14-1179

Бисчоков Р.М. Анализ и прогноз урожайности кукурузы искусственной нейронной сетью / Р.М. Бисчоков, Р.Е. Шокумова // Вестник Курганской ГСХА. — 2015. — 3(55). — C. 3–10.

Михайленко И.М. Развитие методов и средств применения данных дистанционного зондирования земли в сельском хозяйстве / И.М. Михайленко // Тенденции развития науки и образования. — 2018. — 41(3). — C. 70–83.

Рогачев А.Ф. Исследование развития и продуктивности сельскохозяйственных культур с применением беспилотных летательных аппаратов / А.Ф. Рогачев, Е.В. Мелихова, И.С. Белоусов // Известия Нижневолжского агроуниверситетского комплекса. — 2019. — 4(56). — C. 329–339.

Захарова Р.В. Применение беспилотного летательного аппарата при десикации масличных культур / Р.В. Захарова, И.Г. Гайнутдинов // Вектор экономики. — 2018. — 11 (29). — C. 118.

Список литературы

Srihith I.V.D.
A Short Review on Deep Learning in Agriculture
/ I.V.D. Srihith //
Journal of Advanced Research in Artificial Intelligence & It's Applications
. — 2024. — 1(3). — P. 23–39.
Kamilaris A.
Deep learning in agriculture: A survey
/ A. Kamilaris //
Computers and electronics in agriculture
. — 2018. — 147. — P. 70–90.
Liakos K.G.
Machine Learning in Agriculture: A Review
/ K.G. Liakos, P. Busato, D. Moshou et al. //
Sensors
. — 2018. — 18. — P. 2674.
LeCun Y.
Deep learning
/ Y. LeCun, Y. Bengio, G. Hinton //
Nature
. — 2015. — 521. — P. 436–444.
He K. Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification. / K. He, X. Zhang, Sh. Ren et al. // Proceedings of the IEEE International Conference on Computer Vision (ICCV); — Preprint: arXiv, 2015. — P. 1026–1034. DOI: 10.48550/arXiv.1502.01852
Krizhevsky A.
ImageNet Classification with Deep Convolutional Neural Networks
/ A. Krizhevsky, I. Sutskever, G.E. Hinton //
Advances in Neural Information Processing Systems (NIPS)
. — 2012. — 25. — P. 1097–1105.
Николенко С.
Глубокое обучение. Визуальное руководство
/ С. Николенко. — Санкт-Петербург: Питер, 2018. — 480 c.
Гудфеллоу Я.
Глубокое обучение
/ Я. Гудфеллоу, И. Бенджио, А. Курвилль. — Москва: ДМК Пресс, 2018. — 652 c.
Созыкин А.В.
Обзор методов обучения глубоких нейронных сетей
/ А.В. Созыкин //
Вестник ЮУрГУ. Сер. Вычислительная математика и информатика
. — 2017. — 6(3). — C. 28–59.
Szegedy C. Going Deeper with ConvolutionsGoing Deeper with Convolutions / C. Szegedy // IEEE Conference on Computer Vision and Pattern Recognition. — 2015. — № 1. — URL: https://ieeexplore.ieee.org/xpl/conhome/7293313/proceeding (accessed: 24.06.26) — DOI: 10.1109/CVPR.2015.7298594.
Cho K.
Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine Translation
/ K. Cho, B. van Merrienboer, C. Gulcehre et al. //
Proceedings of the EMNLP
. — 2014. — 6. — P. 1724–1734. — DOI: 10.3115/v1/D14-1179
Бисчоков Р.М.
Анализ и прогноз урожайности кукурузы искусственной нейронной сетью
/ Р.М. Бисчоков, Р.Е. Шокумова //
Вестник Курганской ГСХА
. — 2015. — 3(55). — C. 3–10.
Михайленко И.М.
Развитие методов и средств применения данных дистанционного зондирования земли в сельском хозяйстве
/ И.М. Михайленко //
Тенденции развития науки и образования
. — 2018. — 41(3). — C. 70–83.
Рогачев А.Ф.
Исследование развития и продуктивности сельскохозяйственных культур с применением беспилотных летательных аппаратов
/ А.Ф. Рогачев, Е.В. Мелихова, И.С. Белоусов //
Известия Нижневолжского агроуниверситетского комплекса
. — 2019. — 4(56). — C. 329–339.
Захарова Р.В.
Применение беспилотного летательного аппарата при десикации масличных культур
/ Р.В. Захарова, И.Г. Гайнутдинов //
Вектор экономики
. — 2018. — 11 (29). — C. 118.

Рецензия

Рецензент:Сообщество рецензентов Международного научно-исследовательского журнала

1 раунд рецензирования

Текст рецензии

DOI:10.60797/IRJ.2026.169.19.6

1. Краткое описание проблемы, которой посвящена статья.

Статья «МАТЕМАТИЧЕСКОЕ ОБОСНОВАНИЕ АРХИТЕКТУРЫ КОМБИНИРОВАННОЙ НЕЙРОННОЙ СЕТИ С ДЕТЕРМИНИРОВАННОЙ ПАРАМЕТРИЗАЦИЕЙ ВЕСОВ В МОБИЛЬНЫХ КИБЕРФИЗИЧЕСКИХ СИСТЕМАХ ДЛЯ МОНИТОРИНГА ПОСЕВОВ» посвящена математическому обоснованию архитектуры комбинированной нейронной сети и разработке детерминированного метода параметризации ее весов для обеспечения высокоточного и робастного выявления дефектных участков агроценозов по RGB-изображениям высокого разрешения.

2. Степень актуальности предоставляемой статьи.

Актуальность предоставляемой статьи характеризуется новизной методологических подходов синтеза комбинированной архитектуры сверточных слоев и модифицированного алгоритма нормализованной инициализации весов, математически адаптированного для полулинейных функций активации. Предложенный в статье подход позволяет аналитически нивелировать влияние стохастичности, дисперсию активаций на прямом и обратном проходах, что гарантирует устойчивую сходимость модели и предотвращает ее переобучение на мажоритарных классах без применения ресурсоемких процедур предварительного обучения или многократных перезапусков.

3. Наиболее важные аспекты, раскрытые автором в статье.

В работе приведены численные экспериментальные подтверждения научной гипотезы о том, что детерминированная инициализация статистически значимо повышает обобщающую способность сети. Получены следующие метрики качества модели: средняя точность на обучающей выборке — 0.958 (максимальная — 0.967); средняя точность на проверочной выборке — 0.912 (максимальная — 0.921). Научная значимость результатов заключается в доказательстве возможности устойчивого распознавания минорных классов агрономических аномалий (дефицита питательных веществ) на несбалансированных данных. Это создает теоретическую и алгоритмическую базу для развертывания легковесных нейросетевых моделей на бортовых вычислителях мобильных роботов и БПЛА в системах точного земледелия реального времени.

4. Оценка актуальности списка литературы.

Список литературы состоит из 15 источников, которые соответствуют исследуемой проблематике. В списке литературы приведены актуальные статьи и обзоры последних лет отечественных и иностранных ученых.

5. Изложение конкретных положительных и отрицательных сторон работы, а также предложения по доработке и дополнению статьи.

Положительные стороны статьи:

- статья посвящена актуальной научной тематике, написана грамотным научным языком, выводы обоснованы и аргументированы. Научная значимость результатов не вызывает сомнений.

- в работе приведена математически обоснована архитектура комбинированной нейронной сети, включающей 14 функциональных слоёв (блоки нормализации, свёртки, подвыборки и регуляризации), которая успешно решает задачу мультиклассовой классификации цветных изображений характерных участков сельскохозяйственных полей с общим числом обучаемых параметров.

- научная гипотеза подтверждена. Применение детерминированного метода инициализации весов (формулы 11 и 12), математически согласованного с полулинейной функцией активации ReLU, позволило: - аналитически нивелировать влияние стохастичности начальных параметров; - исключить попадание траектории градиентного спуска в локальные минимумы целевой функции; - обеспечить высокую точность (0.912 на проверочной выборке) при работе с несбалансированным датасетом, включая сложную диагностику минорного класса «Дефицит питательных веществ».

- результаты исследования могут быть использованы для построения нейросетевых моделей, ориентированных на мобильные киберфизические системы и БПЛА. Разработанная архитектура обеспечивает высокую точность при ограниченных вычислительных ресурсах, что критично для систем точного земледелия реального времени.

6. Вынесение вердикта о возможности публикации статьи, возможности публикации с внесением указанных доработок, невозможности публикации.

Представленная статья посвящена актуальной тематике, содержит интересный научный материал и может быть опубликована.

Информация об авторах

ORCID:0000-0002-3077-6622
АффилиацияВолгоградский государственный аграрный университет, Волгоград, Российская Федерация
Роль:Автор, Концептуализация
ELIBRARY AUTHOR ID:167723
RESEARCHER ID:O-4768-2015

Метрика статьи

Скачиваний:0

ПросмотрыСкачивания

Просмотры

Всего: