Введение и актуальность

В современных условиях развития агропромышленного комплекса Российской Федерации особое значение приобретает диверсификация растениеводства за счет высокобелковых зернобобовых культур. Фасоль обыкновенная ( Phaseolus vulgaris L.) выступает ценнейшим источником растительного белка, а также ключевым элементом биологизации земледелия благодаря способности к симбиотической фиксации атмосферного азота.

Однако масштабное внедрение культуры сдерживается рядом факторов, важнейшим из которых является дефицит качественного, генетически чистого семенного материала. На рынке семян фиксируется значительный объем фальсификации и контрафакта, когда под видом районированных, устойчивых к биотическим и абиотическим стрессам сортов реализуются низкопродуктивные репродукции или несоответствующие генотипы. Существующие методы лабораторной фитоэкспертизы и морфологического анализа трудоемки, требуют значительных временных затрат и высокой квалификации экспертов.

В связи с этим разработка интеллектуальных систем экспресс-диагностики посевного материала на основе технологий компьютерного зрения в сочетании с верифицированной цифровой базой данных является критически актуальной научно-технической задачей.

1. Источниковая база и формирование эталонного фонда данных

Достоверность работы любой системы искусственного интеллекта в агрономии определяется качеством обучающей выборки. В рамках разрабатываемого проекта исключается использование случайных или коммерческих образцов сомнительного происхождения.

Эталонная база формируется на основе коллекций генетических ресурсов растений двух стратегических научно-методических центров страны:

1. ФИЦ «Всероссийский институт генетических ресурсов растений им. Н. И. Вавилова» (ВИР, г. Санкт-Петербург): Обладает уникальным мировым генофондом Phaseolus vulgaris , насчитывающим тысячи образцов различного экологико-географического происхождения. Коллекция ВИР позволяет зафиксировать эталонные фенотипические маркеры для сортов отечественной и зарубежной селекции.
2. Омский государственный аграрный университет им. П. А. Столыпина / СибНИИСХ (г. Омск): Обеспечивает стандартизацию образцов, адаптированных к жестким условиям Сибири и Урала (короткий вегетационный период, перепады температур, засушливые явления в первой половине лета).

Структура базы данных включает:

Морфометрические дескрипторы семян: точные цифровые параметры длины, ширины, толщины, индекса округлости, площади проекции, коэффициента асимметрии и фактора текстурной шероховатости семенной кожуры.

Цветовые и паттерновые характеристики: спектральные профили (RGB/HSV), особенности пигментации, наличие и характер рисунка (крап, полосы, мраморность, монохромность).

Эколого-географические паспорта: требования сортов к сумме активных температур, продолжительности светового дня, оптимальному гранулометрическому составу и кислотности (pH) почв.

2. Модуль компьютерного зрения для валидации сортовой принадлежности

Для оперативной проверки семян, поступающих к сельхозпроизводителям, разрабатывается автоматизированный программный модуль на базе сверточных нейронных сетей (CNN).

Процесс сбора датасета: Семена из эталонных лабораторий СПб и Омска сканируются в контролируемых лабораторных условиях с использованием стандартизированного освещения и калибровочных масштабных платформ. Создается мультиспектральная библиотека изображений для каждого сорта.

Архитектура модели: Используются глубокие сверточные сети (типа EfficientNet или ResNet), дополненные блоками метрического обучения (Metric Learning). Модель проецирует изображения семян в многомерное метрическое пространство, где расстояние между векторами отражает степень фенотипического сходства.

Алгоритм работы: Фермер или специалист хозяйства делает снимок партии семян на смартфон или планшет через мобильное приложение. Нейросеть сопоставляет полученные изображения с эталонными кластерами в базе данных и выдает вероятностную оценку: подтверждает соответствие заявленному сорту либо фиксирует признак примеси или подделки (с точностью до процента сортовой чистоты).

3. Агроэкологическое сопровождение: Оптимальные почвы и регламенты ухода

Помимо верификации семян, система интегрирует блок агрономических рекомендаций, учитывающих региональную специфику почвенного покрова России.

Требования к почвенной среде:

Реакция среды (pH): Наилучшие результаты достигаются на почвах со слабокислой или нейтральной реакцией (pH в водной вытяжке 6,2–7,2). На кислых почвах (pH 5,5 и ниже) блокируется развитие клубеньковых бактерий ( Rhizobium leguminosarum ), что требует обязательного предварительного известкования.

Гранулометрический состав: Предпочтительны легкие и средние суглинки, а также окультуренные супеси с высокой аэрацией. Тяжелые глинистые почвы вызывают заплывание, коркообразование и дефицит кислорода для корневой системы.

Содержание гумуса: Оптимальный уровень гумусированности — от 2,5–3,0 % и выше. Высокая отзывчивость наблюдается на фосфорно-калийное питание (P₂O₅ более 150 мг/кг, K₂O более 120 мг/кг).

— Региональное районирование:

Центрально-Черноземный регион и Южный федеральный округ: Зона максимального потенциала (черноземы типичные и выщелоченные), где лимитирующим фактором может выступать дефицит влаги в фазу цветения (рекомендуется капельное орошение или дождевание).

Сибирский и Уральский регионы: Зона использования скороспелых сортов омской селекции на плодородных лугово-черноземных почвах с жестким контролем сроков сева.

Заключение

Интеграция цифровой базы данных эталонного генофонда фасоли (с опорой на фонды ВИР и Омского ГАУ), нейросетевого модуля верификации семян по фотографии и интеллектуальной системы агрономического сопровождения позволит кардинально решить проблему фальсификации посевного материала в РФ. Данный подход обеспечит рост урожайности культуры, снижение рисков агробизнеса и эффективное вовлечение в оборот новых площадей под ценными зернобобовыми агроценозами.

Литература:

1. Кирюшин В. И. Экологические основы земледелия. — М.: Колос, 1996. — 367 с.
2. Кошкин Е. И. Физиология устойчивости сельскохозяйственных культур к стрессовым факторам. — М.: Дрофа, 2010. — 638 с.
3. Булатова К. М., Алексидзе Г. Н., Дидоренко С. В., Масоничич-Шотунова Р. С., Какабадзе Н., Корахашвили А. Морфологическая и биохимическая характеристика семян коллекционных образцов фасоли // Известия Национальной академии наук Республики Казахстан. — 2015. — № 3. — С. 33–41.
4. Бурцева Т. В., Егорова Г. П., Вишнякова М. А. Паспортная база данных коллекции фасоли ВИР как инструмент систематизации генетического разнообразия, изучения истории коллекции и мониторинга мировой селекции культуры (обзор) // Труды по прикладной ботанике, генетике и селекции. — 2018. — № 4. — С. 164–176.
5. Казыдуб Н. Г., Фрейлих Е. С., Коцубинская О. А., Скопинцева К. В. Технологические и сортовые особенности выращивания фасоли на семена в условиях южной лесостепи Западной Сибири // Вестник Омского ГАУ. — 2018. — № 1 (29). — С. 19–25.
6. Зотиков В. И., Вишнякова М. А., Бударагин В. А. Роль зернобобовых культур в решении проблемы растительного белка и биологизации земледелия // Земледелие. — 2020. — № 4. — С. 8–13.
7. ГОСТ Р 52325–2005. Семена сельскохозяйственных растений. Сортовые и посевные качества. Общие технические условия. — М.: Стандартинформ, 2009. — 20 с.
8. ГОСТ 12042–80. Семена сельскохозяйственных культур. Методы определения массы 1000 семян. — М.: Стандартинформ, 2011. — С. 116–118.
9. Методика проведения испытаний на отличимость, однородность и стабильность (фасоль Phaseolus vulgaris L.). — М., 1996. — 17 с.