КЛАССИФИКАЦИЯ ВНЕКОРНЕВЫХ ЗАБОЛЕВАНИЙ ЯБЛОНЕВЫХ КУЛЬТУР МЕТОДАМИ КОМПЬЮТЕРНОГО ЗРЕНИЯ

  • Sergei N. Tereshchenko ФГБОУ Новосибирский государственный университет экономики и управления http://orcid.org/0000-0003-2309-8445
  • Artem A. Perov ФГБОУ ВО «Московский политехнический университет» http://orcid.org/0000-0003-3401-7751
  • Alexander L. Osipov ФГБОУ Новосибирский государственный университет экономики и управления http://orcid.org/0000-0002-1809-9147
Ключевые слова: нейронные сети, искусственный интеллект, яблоня, листья, заболевание растений, смартфон, глубинное обучение, аугментация

Аннотация

Цель. Разработка модели сверточной нейронной сети для определения внекорневых заболеваний яблонь по фотографиям листьев с мобильного телефона.

Методы и материалы исследования. Материалом для исследований послужили размеченные изображения с различными видами внекорневых заболеваний яблони, опубликованные в открытом доступе платформы Kaggle. Методы исследования: теория проектирования и разработки информационных систем, программирования, методы аугментации и расширения датасетов для задач компьютерного зрения, методы настройки гиперпараметров обучения моделей нейронной сети.

Результаты. Яблоня (Malus) – многолетняя древесная культура рода Malus. Яблоки – основная плодовая культура России. Яблоня как плодовая культура распространена почти во всех странах умеренного климата, а в России она выращивается повсеместно – от северных регионов до юга [3]. Заболевания яблонь является одной из главных причин снижения урожайности садов по всему миру. Для профилактики и раннего предупреждения распространения заболеваний яблонь необходим инструмент в виде модели нейронной сети, позволяющей определить наличия заболевания по фотографии со смартфона листьев яблони. В работе использовались методы глубинного обучения сверточных нейронных сетей, а также концепция «transfer learning». На базе сети EfficientNet была обучена нейронная сеть, позволяющая с точностью 0,9842 по метрике F1-score определять наличие некорневых заболеваний яблони по изображению листьев.

Заключение. Был подготовлен набор данных изображений листьев яблонь, включающий четыре класса, для эффективной классификации нейронной сетью. Два класса с признаками определенного заболевания яблони, один класс для наличия более одного заболевания и один класс для здоровых яблонь. Построена и обучена модель для решения задачи классификации по обнаружению болезни яблонь по изображениям листьев со смартфона.

 

Биографии авторов

Sergei N. Tereshchenko, ФГБОУ Новосибирский государственный университет экономики и управления

заведующий кафедрой «Прикладная информатика», доцент, кандидат технический наук

Artem A. Perov, ФГБОУ ВО «Московский политехнический университет»

ассистент кафедры «Информационная безопасность»

Alexander L. Osipov, ФГБОУ Новосибирский государственный университет экономики и управления

доцент, кандидат технический наук

Литература

Tutygin V.S., Lelyukhin D.O. Sistema diagnostiki zabolevaniy list’ev rasteniy po fotoizobrazheniyam, poluchennym s pomoshch’yu BPLA [A system for diagnosing plant leaf diseases based on photographs obtained with the help of BPLA]. Materialy nauchnoy konferentsii «Nedelya nauki SPbPU». Sankt-Peterburg, 19–24 noyabrya 2018 [Materials of the scientific conference “Science Week of SPbPU”. St. Petersburg, 19-24 November 2018].

Apples, AGRARII. https://agrarii.com/jablonja/ (accessed 20.03.2021).

Apples, AgroWIKI. https://agrostrana.ru/wiki/305 (accessed 20.03.2021).

Amara J., Bouaziz B., Algergawy A. A Deep Learning-based Approach for Banana Leaf Diseases Classification. Conference Datenbanksysteme für Business, Technologie und Web. January 2017. http://btw2017.informatik.uni-stuttgart.de/slidesandpapers/E1-10/paper_web.pdf (дата обращения: 20.03.2021).

Reyes A.K., Caicedo J.C., Camargo J.E. Fine-tuning Deep Convolutional Networks for Plant Recognition. Conference and Labs of the Evaluation Forum - CLEF 2015. http://ceur-ws.org/Vol-1391/121-CR.pdf

Al-Hiary H., Bani-Ah Mad S., Reyalat M., Braik M., ALRahamneh Z. Fast and Accurate Detection and Classification of Plant Diseases. International Journal of Computer Applications (0975 – 8887), March 2011, vol. 17, no. 1, pp. 31-38. https://doi.org/10.5120/2183-2754

Ginsburg I. Exploring convolutional neural network architectures with fast.ai. https://proglib.io/p/issleduem-arhitektury-svertochnyh-neyronnyh-setey-s-pomoshchyu-fast-ai-2020-12-28 (accessed 20.03.2021).

Goncharov P., Nechaevskiy A., Ososkov G., Uzhinskiy A. Disease Detection on the Plant Leaves by Deep Learning. Papers from the XX International Conference on Neuroinformatics. October 8-12, 2018, Moscow, Russia. Advances in Neural Computation, Machine Learning, and Cognitive Research II. pp.151-159. https://doi.org/10.1007/978-3-030-01328-8_16

Rahman C. R., Arko P. S., Ali M. E., Khan M. A. I., Apon S. H., Nowrin F., Wasif A. Identification and Recognition of Rice Diseases and Pests Using Convolutional Neural Networks. Biosystems Engineering, June 2020, vol. 194, pp. 112-120. https://doi.org/10.1016/j.biosystemseng.2020.03.020

Khirade S.D., Patil A.B. Plant Disease Detection Using Image Processing. 2015 International Conference on Computing Communication Control and Automation. 2015, pp. 768-771. https://doi.org/10.1109/ICCUBEA.2015.153

Lee D., Back C. et al. Biological Characterization of Marssonina coronaria Associated with Apple Blotch Disease. Mycobiology, 2011, vol. 39, no. 3. https://doi.org/10.5941/MYCO.2011.39.3.200

Liu B., Zhang Y., He D., Li Y.: Identification of apple leaf diseases based on deep convolutional neural networks. Symmetry, 2017. vol. 10, no. 1, 11. https://doi.org/10.3390/sym10010011

Mahlein A. Plant Disease Detection by Imaging Sensors – Parallels and Specific Demands for Precision Agriculture and Plant Phenotyping. Computational Intelligence and Neuroscience, June 2016. https://doi.org/10.1155/2016/3289801

Mwebaze E., Gebru T., Frome A., Nsumba S., Tusubira J. iCassava 2019 Fine-Grained Visual Categorization Challenge. https://arxiv.org/abs/1908.02900 (accessed 20.03.2021).

Phadikar S., Sil J. Rice Disease Identification Using Pattern Recognition Techniques. 2008 11th International Conference on Computer and Information Technology. J24-27, Dec. 2008. https://doi.org/10.1109/ICCITECHN.2008.4803079

Plant Pathology 2020 - FGVC7, Kaggle. https://www.kaggle.com/c/plant-pathology-2020-fgvc7/overview (accessed 20.03.2021).

Revathi P., Hemalatha M. Classification of Cotton Leaf Spot Diseases Using Image Processing Edge Detection Techniques. International Conference on Emerging Trends in Science, Engineering and Technology (INCOSET). 13-14 Dec. 2012. https://doi.org/10.1109/INCOSET.2012.6513900

Sagar A., J Dheeba J. On Using Transfer Learning For Plant Disease Detection. https://www.biorxiv.org/content/10.1101/2020.05.22.110957v1.full (accessed 20.03.2021).

Sladojevic S., Arsenovic M., Anderla A., Culibrk D. Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification. Computational Intelligence and Neuroscience, June 2016. P. 1-11. https://doi.org/10.1155/2016/3289801

Tan M., Le Q. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. hhttps://arxiv.org/pdf/1905.11946.pdf (accessed 20.03.2021).

Karmokar B. C, Ullah M. S., Siddiquee Md. K., Alam K. Md. R. Tea leaf diseases recognition using neural network ensemble. International Journal of Computer Applications, March 2015, vol. 114, no. 17, pp. 27-30. http://dx.doi.org/10.5120/20071-1993

Tete T. N., Kamlu S. Plant Disease Detection Using Different Algorithms. Proceedings of the Second International Conference on Research in Intelligent and Computing in Engineering, June 2017, vol. 10, pp. 103–106. https://doi.org/10.15439/2017R24

Thapa R., Snavely N., Belongie S., Khan A. The Plant Pathology 2020 challenge dataset to classify foliar disease of apples. https://arxiv.org/pdf/2004.11958.pdf (accessed 20.03.2021).

Osipov A.L., Bobrov L.K. The use of statistical models of recognition in the virtual screening of chemical compounds. Automatic Documentation and Mathematical Linguistics, 2012, vol. 46, no. 4, pp. 153-158. https://link.springer.com/article/10.3103/S0005105512040024

Опубликован
2021-06-30
Как цитировать
Tereshchenko, S., Perov, A., & Osipov, A. (2021). КЛАССИФИКАЦИЯ ВНЕКОРНЕВЫХ ЗАБОЛЕВАНИЙ ЯБЛОНЕВЫХ КУЛЬТУР МЕТОДАМИ КОМПЬЮТЕРНОГО ЗРЕНИЯ. Siberian Journal of Life Sciences and Agriculture, 13(3), 103-118. https://doi.org/10.12731/2658-6649-2021-13-3-103-118
Раздел
Сельскохозяйственные исследования