Обгрунтування архітектури YOLO11 для визначення фракційного складу зернових сумішей озимої пшениці

Автор(и)

  • Сергій Петрович Степаненко Інститут механіки та автоматики агропромислового виробництва Національної академії аграрних наук України, Україна https://orcid.org/0000-0002-8331-4632
  • Альвіан Ярославович Кузьмич Інститут механіки та автоматики агропромислового виробництва Національної академії аграрних наук України, Україна https://orcid.org/0000-0003-3102-0840
  • Андрій Миколайович Борис Інститут механіки та автоматики агропромислового виробництва Національної академії аграрних наук України, Україна https://orcid.org/0000-0003-2874-7053
  • Віктор Ігорович Днесь Інститут механіки та автоматики агропромислового виробництва Національної академії аграрних наук України, Україна https://orcid.org/0000-0002-4166-2276
  • Serhii Kharchenko Lublin University of Technology, Польща https://orcid.org/0000-0002-4883-2565
  • Іван Леонідович Роговський Національний університет біоресурсів і природокористування України, Україна https://orcid.org/0000-0002-6957-1616
  • Геннадій Анатолійович Голуб Національний університет біоресурсів і природокористування України, Україна https://orcid.org/0000-0002-2388-0405
  • Микола Георгійович Березовий Національний університет біоресурсів і природокористування України, Україна https://orcid.org/0000-0001-9221-9787
  • Андрій Васильович Луцюк Національний університет «Львівська політехніка», Україна https://orcid.org/0009-0000-5622-5215

DOI:

https://doi.org/10.15587/1729-4061.2025.338124

Ключові слова:

машинний зір, сегментація зображень, YOLO, зернові суміші, озима пшениця, фракційний склад

Анотація

Об'єктом дослідження є процес визначення фракційного складу зернових сумішей озимої пшениці за допомогою методів комп'ютерного зору та глибокого навчання. Основною проблемою, що вимагає вирішення, є висока трудомісткість, суб'єктивність та швидкість визначення фракційного складу зерна традиційними методами. Отримані результати демонструють успішне навчання та порівняльний аналіз кількох моделей сегментації екземплярів YOLO11-seg на спеціалізованому датасеті, розгорнутих на платформі NVIDIA Jetson Orin. Зокрема, модель YOLO11m-seg з розміром зображень 640 × 640 пікселів досягла оптимального компромісу між точністю та швидкістю, досягнувши показника Mask mAP50-95 0,558 при швидкості виведення 62,5 мс/зображення. Навчання моделі YOLO11n-seg 1280 × 1280 забезпечило найкращі показники середньої точності сегментації (Mask mAP50-95 0,640) за рахунок підвищення продуктивності визначення об’єктів «складних» класів, що є ключовими для точного визначення фракційного складу. Отримані результати дозволили вирішити досліджувану проблему завдяки емпірично обґрунтованому вибору архітектури. На відміну від гіпотетичних підходів, дослідження надає конкретні кількісні дані про продуктивність різних архітектур YOLO11-seg. Це дозволило обґрунтовано вибрати модель, яка найкраще відповідає вимогам точності та швидкості для практичного розгортання, вирішуючи проблему невизначеності у виборі архітектури. Отримані результати створюють основи для автоматизації контролю якості зерна, підвищуючи її ефективність, об'єктивність, а також суттєво зменшуючи трудомісткість за рахунок автоматизації рутинних операцій. Для практичного використання системи необхідне забезпечення стабільних умов освітлення, а також наявність цифрової камери, комп'ютера та відповідного програмного забезпечення

Біографії авторів

Сергій Петрович Степаненко, Інститут механіки та автоматики агропромислового виробництва Національної академії аграрних наук України

Доктор технічних наук, старший науковий співробітник

Відділ механіко-технологічних проблем збирання і післязбиральної обробки урожаю зернових та олійних культур

Альвіан Ярославович Кузьмич, Інститут механіки та автоматики агропромислового виробництва Національної академії аграрних наук України

Кандидат технічних наук, старший дослідник

Відділ механіко-технологічних проблем збирання і післязбиральної обробки урожаю зернових та олійних культур

Андрій Миколайович Борис, Інститут механіки та автоматики агропромислового виробництва Національної академії аграрних наук України

Кандидат технічних наук, старший дослідник

Відділ агронавігації та автоматизації мобільних процесів

Віктор Ігорович Днесь, Інститут механіки та автоматики агропромислового виробництва Національної академії аграрних наук України

Кандидат технічних наук, старший дослідник

Відділ моделювання технологічних процесів у рослинництві

Serhii Kharchenko, Lublin University of Technology

Doctor of Technical Sciences, Professor

Department of Fundamentals of Production Engineering 

Іван Леонідович Роговський, Національний університет біоресурсів і природокористування України

Доктор технічних наук, професор

Кафедра технічного сервісу та інженерного менеджменту імені М. П. Момотенка

Геннадій Анатолійович Голуб, Національний університет біоресурсів і природокористування України

Доктор технічних наук, професор

Кафедра технічного сервісу та інженерного менеджменту ім. М. П. Момотенка

Микола Георгійович Березовий, Національний університет біоресурсів і природокористування України

Кандидат технічних наук, доцент

Кафедра механіки

Андрій Васильович Луцюк, Національний університет «Львівська політехніка»

Аспірант

Кафедра електронних засобів інформаційно-комп’ютерних технологій

Інститут інформаційно-комунікаційних технологій та електронної інженерії

Посилання

  1. Walker, C. K., Assadzadeh, S., Wallace, A. J., Delahunty, A. J., Clancy, A. B., McDonald, L. S. et al. (2023). Technologies and Data Analytics to Manage Grain Quality On-Farm—A Review. Agronomy, 13 (4), 1129. https://doi.org/10.3390/agronomy13041129
  2. Barbedo, J. G. A. (2025). A Review of Artificial Intelligence Techniques for Wheat Crop Monitoring and Management. Agronomy, 15 (5), 1157. https://doi.org/10.3390/agronomy15051157
  3. Looh, G. A., Xie, F., Wang, X., Looh, A. N., Hind, H. (2025). Grain kernel damage during threshing: a comprehensive review of theories and models. Journal of Agricultural Engineering. https://doi.org/10.4081/jae.2025.1674
  4. Stepanenko, S., Kotov, B., Kuzmych, A., Kalinichenko, R., Hryshchenko, V. (2023). Research of the process of air separation of grain material in a vertical zigzag channel. Journal of Central European Agriculture, 24 (1), 225–235. https://doi.org/10.5513/jcea01/24.1.3732
  5. Zhao, W., Liu, S., Li, X., Han, X., Yang, H. (2022). Fast and accurate wheat grain quality detection based on improved YOLOv5. Computers and Electronics in Agriculture, 202, 107426. https://doi.org/10.1016/j.compag.2022.107426
  6. Saini, M., Singh, J., Prakash, N. R. (2014). Analysis of Wheat Grain Varieties Using Image Processing: A Review. International Journal of Science and Research (IJSR), 3 (6), 490–495. Available at: https://www.ijsr.net/getabstract.php?paperid=2014254
  7. Rong, D., Wang, H., Xie, L., Ying, Y., Zhang, Y. (2020). Impurity detection of juglans using deep learning and machine vision. Computers and Electronics in Agriculture, 178, 105764. https://doi.org/10.1016/j.compag.2020.105764
  8. Gupta, P. K., Waoo, A. A. (2024). Analyzing machine learning methods to enhance grain quality assessment and evolution. ShodhKosh: Journal of Visual and Performing Arts, 5 (1). https://doi.org/10.29121/shodhkosh.v5.i1.2024.1876
  9. Sirohi, A., Malik, A. (2021). A Hybrid Model for the Classification of Sunflower Diseases Using Deep Learning. 2021 2nd International Conference on Intelligent Engineering and Management (ICIEM), 58–62. https://doi.org/10.1109/iciem51511.2021.9445342
  10. Ünal, Y., Dudak, M. N. (2024). Deep Learning Approaches for Sunflower Disease Classification: A Study of Convolutional Neural Networks with Squeeze and Excitation Attention Blocks. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 13 (1), 247–258. https://doi.org/10.17798/bitlisfen.1380995
  11. Hu, K., Coleman, G., Zeng, S., Wang, Z., Walsh, M. (2020). Graph weeds net: A graph-based deep learning method for weed recognition. Computers and Electronics in Agriculture, 174, 105520. https://doi.org/10.1016/j.compag.2020.105520
  12. Kaldarova, M., Аkanova, A., Nazyrova, A., Mukanova, A., Tynykulova, A. (2023). Identification of weeds in fields based on computer vision technology. Eastern-European Journal of Enterprise Technologies, 4 (2 (124)), 44–52. https://doi.org/10.15587/1729-4061.2023.284600
  13. Qiu, Z., Wang, F., Wang, W., Li, T., Jin, X., Qing, S., Shi, Y. (2024). YOLO-SDL: a lightweight wheat grain detection technology based on an improved YOLOv8n model. Frontiers in Plant Science, 15. https://doi.org/10.3389/fpls.2024.1495222
  14. Dang, F., Chen, D., Lu, Y., Li, Z. (2023). YOLOWeeds: A novel benchmark of YOLO object detectors for multi-class weed detection in cotton production systems. Computers and Electronics in Agriculture, 205, 107655. https://doi.org/10.1016/j.compag.2023.107655
  15. Sharma, D., Sawant, S. D. (2017). Grain quality detection by using image processing for public distribution. 2017 International Conference on Intelligent Computing and Control Systems (ICICCS), 1118–1122. https://doi.org/10.1109/iccons.2017.8250640
  16. Kaya, E., Saritas, İ. (2019). Towards a real-time sorting system: Identification of vitreous durum wheat kernels using ANN based on their morphological, colour, wavelet and gaborlet features. Computers and Electronics in Agriculture, 166, 105016. https://doi.org/10.1016/j.compag.2019.105016
  17. Kong, Q., Ma, N. (2025). Wheat grain appearance quality detection based on improved YOLOv8n. INMATEH Agricultural Engineering, 356–365. https://doi.org/10.35633/inmateh-75-30
  18. Shen, Y., Yin, Y., Li, B., Zhao, C., Li, G. (2021). Detection of impurities in wheat using terahertz spectral imaging and convolutional neural networks. Computers and Electronics in Agriculture, 181, 105931. https://doi.org/10.1016/j.compag.2020.105931
  19. Ma, N., Su, Y., Yang, L., Li, Z., Yan, H. (2024). Wheat Seed Detection and Counting Method Based on Improved YOLOv8 Model. Sensors, 24 (5), 1654. https://doi.org/10.3390/s24051654
  20. Fan, L., Ding, Y., Fan, D., Di, D., Pagnucco, M., Song, Y. (2022). GrainSpace: A Large-scale Dataset for Fine-grained and Domain-adaptive Recognition of Cereal Grains. 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 21084–21093. https://doi.org/10.1109/cvpr52688.2022.02044
  21. Zhang, J., Min, A., Steffenson, B. J., Su, W.-H., Hirsch, C. D., Anderson, J. et al. (2022). Wheat-Net: An Automatic Dense Wheat Spike Segmentation Method Based on an Optimized Hybrid Task Cascade Model. Frontiers in Plant Science, 13. https://doi.org/10.3389/fpls.2022.834938
  22. Guo, X., Wang, J., Gao, G., Cheng, Z., Qiao, Z., Zhang, R. et al. (2025). LWheatNet: a lightweight convolutional neural network with mixed attention mechanism for wheat seed classification. Frontiers in Plant Science, 15. https://doi.org/10.3389/fpls.2024.1509656
  23. Stepanenko, S., Kuzmych, A., Kharchenko, S., Andrey, B., Dnes, V., Volyk, D., Kalinichenko, R. (2025). A Machine Vision Approach for Grain Quality Control During Separation. Journal of Engineering Sciences, 12 (1), E9–E17. https://doi.org/10.21272/jes.2025.12(1).e2
  24. NVIDIA® Jetson AGX Orin™ 64GB Developer Kit. Stereolabs.
  25. Segmentation Models. Ultralytics. Available at: https://docs.ultralytics.com/tasks/segment/#models
Обгрунтування архітектури YOLO11 для визначення фракційного складу зернових сумішей озимої пшениці

##submission.downloads##

Опубліковано

2025-08-29

Як цитувати

Степаненко, С. П., Кузьмич, А. Я., Борис, А. М., Днесь, В. І., Kharchenko, S., Роговський, І. Л., Голуб, Г. А., Березовий, М. Г., & Луцюк, А. В. (2025). Обгрунтування архітектури YOLO11 для визначення фракційного складу зернових сумішей озимої пшениці. Eastern-European Journal of Enterprise Technologies, 4(2 (136), 81–92. https://doi.org/10.15587/1729-4061.2025.338124

Номер

Том 4 № 2 (136) (2025): Інформаційні технології. Системи управління в промисловості

Розділ

Інформаційні технології

Ліцензія

Авторське право (c) 2025 Serhii Stepanenko, Alvian Kuzmych, Andrii Borys, Viktor Dnes, Serhii Kharchenko, Ivan Rogovskii, Gennadii Golub, Mykola Berezovyi, Andrii Lutsiuk

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.