Міжрегіональна Академія управління персоналом

Науковиця Міжрегіональної Академії управління персоналом Євгенія Знаковська стала співавторкою  дослідження «AI-Based and Cloud-EDGE Solution for Automatic Wheat States Detection in Smart Agriculture», що увійшла до серії Lecture Notes in Networks and Systems (LNNS). Праця опублікована у престижному  видавництві Springer у збірнику матеріалів міжнародної наукової конференції Integrated Computer Technologies in Mechanical Engineering – 2025, що індексується у найбільшій базі наукових праць Scopus.
Разом зі Знаковською співавторами статті стали Максим Іваницький, Юлія Авер’янова, Надія Сауляк та Євгеній Кірчук.

Дослідження присвячена використанню штучного інтелекту, безпілотних літальних апаратів та хмарних і периферійних обчислень для автоматизованого моніторингу стану посівів пшениці. У  вивченні даного питання співаторами разом Є. Знаковською стали Максим Іваницький, Юлія Авер’янова, Надія Сауляк та Євгеній Кірчук. Науковці поєднали технологічні рішення та завдання сучасного сільського господарства, зокрема раннє виявлення захворювань рослин.

Штучний інтелект для моніторингу посівів

Автори розглядають можливості застосування безпілотних літальних апаратів для отримання цифрових зображень сільськогосподарських культур і подальшого автоматизованого аналізу отриманих даних.

Запропонований підхід передбачає поєднання UAV-технологій, штучного інтелекту, хмарних та периферійних обчислень. Така архітектура дає змогу організувати збір, передавання та оброблення інформації про стан рослин для підтримки рішень у точному землеробстві.

Одним із практичних завдань дослідження стало автоматичне визначення ділянок посівів, уражених бурою іржею пшениці. Для аналізу цифрових зображень автори використали алгоритм згорткової нейронної мережі (Convolutional Neural Network, CNN).

Поєднання UAV, Cloud та Edge Computing

Дослідження демонструє можливості інтеграції кількох технологічних компонентів в єдину систему моніторингу. Безпілотні літальні апарати використовуються як інструмент збору візуальної інформації про посіви, тоді як хмарні та периферійні обчислення забезпечують технологічну основу для оброблення даних.

Такий підхід може застосовуватися не лише для виявлення захворювань. Зібрана інформація може використовуватися для оцінювання поточного стану рослин, короткострокового та довгострокового управління посівами, а також для підготовки даних, необхідних під час навчання моделей машинного навчання.

Результати застосування нейронної мережі

У межах дослідження автори перевірили можливість використання CNN для виявлення ділянок, уражених бурою іржею пшениці. Навчання моделі здійснювалося на цифрових зображеннях рослин.

За результатами експерименту точність на тестовій вибірці становила близько 0,8, а на навчальній - близько 0,7. Автори зазначають, що результати отримано на початковому етапі роботи з обмеженою кількістю доступних зображень.

Отримані дані демонструють можливість використання алгоритмів машинного навчання для автоматизованого аналізу стану сільськогосподарських культур. Подальше накопичення результатів і вдосконалення моделей може стати основою для розвитку систем моніторингу, орієнтованих на ширше коло завдань у сфері цифрового сільського господарства.

Дослідження та Цілі сталого розвитку МАУП

Наукова праця відповідає чотирьом Цілям сталого розвитку Академії: Ціль 2: Подолання голоду, Ціль 8: Гідна праця та економічне зростання, Ціль 9: Промисловість, інновації та інфраструктура та Ціль 12: Відповідальне споживання та виробництво.

Ціль 2: Подолання голоду пов’язана з тематикою дослідження через використання цифрових технологій для моніторингу сільськогосподарських культур і підтримки ефективнішого виробництва продовольства. Автоматизоване виявлення захворювань пшениці може сприяти своєчасному отриманню інформації про стан посівів та прийняттю обґрунтованих рішень.

Ціль 8: Гідна праця та економічне зростання відображена через технологічну трансформацію аграрного сектору. Автоматизація моніторингу, оброблення даних і використання алгоритмів машинного навчання створюють можливості для оптимізації виробничих процесів та розвитку нових технологічних компетентностей.

Ціль 9: Промисловість, інновації та інфраструктура безпосередньо пов’язана з технологічною основою дослідження. У роботі поєднано штучний інтелект, машинне навчання, безпілотні літальні апарати, хмарні та периферійні обчислення для формування цифрового середовища точного землеробства.

Ціль 12: Відповідальне споживання та виробництво стосується раціонального використання ресурсів і вдосконалення виробничих процесів. Цифровий моніторинг дає змогу отримувати точніші дані про стан посівів та використовувати їх для обґрунтованого планування аграрних операцій.

Таким чином, дослідження поєднує технологічні інновації з практичними завданнями сільського господарства та демонструє міждисциплінарний характер наукової роботи представників МАУП.

Ознайомитися з текстом наукової праці можна за посиланням: https://link.springer.com/chapter/10.1007/978-3-032-22372-2_19

Бібліографічні дані публікації

Ivanytskyi, M., Averyanova, Y., Znakovska, Y., Sauliak, N., & Kirchuk, Y. (2026). AI-Based and Cloud-EDGE Solution for Automatic Wheat States Detection in Smart Agriculture. In O. Lytvynov, V. Pavlikov, & D. Kritskiy (Eds.), Integrated Computer Technologies in Mechanical Engineering – 2025. ICTM 2025. Lecture Notes in Networks and Systems, 1918, 227–238. Springer, Cham.