ДИАГНОСТИКА РЖАВЧИН И ПЯТНИСТОСТЕЙ ПШЕНИЦЫ МЕТОДАМИ КОМПЬЮТЕРНОГО ЗРЕНИЯ
Аннотация
Цель. Исследовать возможность диагностики желтой и бурой ржавчин (Puccinia striiformis f. sp. tritici West. Puccinia triticina f. sp. tritici Erikss), желтой пятнистости (Pyrenophora tritici-repentis (Died.) Drechsler) листьев пшеницы по изображениям с помощью сверточных нейронных сетей, провести сравнение наиболее успешных и компактных нейросетевых архитектур.
Методы и материалы исследования. Материалами для исследований послужили изображения образцов листьев пшеницы, пораженных ржавчинами и пятнистостями, полученные в условиях инфекционных питомников ФГБНУ ВНИИ Биологической защиты растений. Общий объем выборки включал 5169 изображений, в том числе, бурая ржавчина – 227, желтая ржавчина – 1283, желтая пятнистость – 3659. Методы исследования – методы предобработки данных, методы обучения сверточных нейронных сетей.
Результаты. Проведено сравнение четырех наиболее успешных и компактных нейросетевых архитектур GoogleNet, ResNet-18, SqueezeNet-1.0 и DenseNet-121. На тестовых данных – 518 изображений все перечисленные модели продемонстрировали высокое качество предсказания. Лучший результат показала DenseNet-121, обеспечив точность классификации свыше 99 %, с двумя ложными срабатываниями.
Заключение. Проанализирована возможность диагностики грибных болезней пшеницы по изображениям с помощью современных методов компьютерного зрения. Показано, что в контролируемых условиях, при грамотной организации процесса сбора и разметки данных задача успешно решается, а перечисленные модели являются тем резервом, который позволит автоматизировать этап диагностики фитосанитарного мониторинга.
Скачивания
Литература
Anpilogova L. K., Volkova G. V. Metody sozdaniya iskusstvennyh infekcionnyh fonov i ocenki sortoobrazcov pshenicy na ustojchivost’ k vredonosnym boleznyam (fuzariozu kolosa, rzhavchinam, muchnistoj rose) [Methods for creating artificial infectious diseases and assessing wheat variety formers in the event of a viral infection (fusarium spike, rust, powdery rose)]. Krasnodar, RAAS, 2000, 28 p.
Volkova G.V., Vaganova O.F., Kudinova O.A. Effektivnost’ sortosmeshannyh posevov ozimoj pshenicy protiv vozbuditelya buroj rzhavchiny [Efficiency of variety-mixed crops of winter wheat against the causative agent of leaf rust]. Dostizheniya nauki i tekhniki APK [Achievements of science and technology of the agro-industrial complex], 2018, vol. 32, no. 7, pp. 14-16. https://doi.org/10.24411/0235-2451-2018-10703
Kojshibaev M., Sagitov A. O. Zashchita zernovyh kul’tur ot osobo opasnyh boleznej [Protection of grain crops from especially dangerous diseases]. Almaty Publ., 2012, 33 p.
Kremneva O. Y., Volkova G. V. Diagnostika gena Tsn1 Pyrenophoratritici-repentisv sortah pshenicy i ocenka ih ustojchivosti k rasam patogena [Diagnostics of the Tsn1 Pyrenophoratritici-repentis gene in wheat varieties and assessment of their resistance to pathogen races]. Trudy KubGAU [Proceedings of the Kuban State Agrarian University], 2018, vol. 72, pp. 206-210.
Kremneva O.YU., Andronova A.E., Volkova G.V. Vozbuditeli pyatnistostej list’ev pshenicy (pirenoforoz i septorioz), izuchenie ih populyacij po morfologo-kul’tural’nym priznakam i virulentnosti [Pathogens of wheat leaf spot (pyrenophorosis and septoria), study of their population by morpho-cultural manifestations and virulence]. Saint Petersburg Publ., 2009.
Tereshchenko S.N., Perov A.A., Osipov A.L. Klassifikaciya vnekornevyh zabolevanij yablonevyh kul’tur metodami komp’yuternogo zreniya [Apple crops foliar diseases classification by computer vision methods]. Siberian Journal of Life Sciences and Agriculture, 2021, vol. 13, no. 3, pp. 103-118. https://doi.org/10.12731/2658-6649-2021-13-3-103-118
Fedorenko V. F., Mishurov N.P., Nemenushchaya L.A. Perspektivnye tekhnologii diagnostiki patogenov sel’skohozyajstvennyh rastenij: nauchno-analiticheskij obzor [Promising technologies for diagnosing pathogens of agricultural plants: a scientific and analytical review]. Moscow, Rosinformagrotech Publ, 2018, 68 p.
Boulent J., Foucher S., Th´eau J., and St-Charles P.-L. Convolutional neural networks for the automatic identification of plant diseases. Frontiers in plant science, 2019, vol. 10. https://doi.org/10.3389/fpls.2019.00941
FAO. 2021. World Food and Agriculture - Statistical Yearbook 2021. Rome. https://doi.org/10.4060/cb4477en
He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770–778.
Huang K.Y. Application of artificial neural network for detecting Phalaenopsis seedling diseases using color and texture features. Comput. Electron. Agric., 2007. vol. 57, no.1, pp. 3-11. https://doi.org/10.1016/j.compag.2007.01.015
Ji M., Zhang K., Wu Q., Deng Z. Multi-label learning for crop leaf diseases recognition and severity estimation based on convolutional neural networks. Soft Computing, 2020 vol. 24, pp. 15327–15340. https://doi.org/10.1007/s00500-020-04866-z
Mohanty S. P., Hughes D. P., Salathe M. Using deep learning for image-based plant disease detection. Frontiers in plant science, 2016, vol. 7, p. 1419. https://doi.org/10.3389/fpls.2016.01419
Moshou D., Pantazi X., Kateris D., Gravalos I. Water stress detection based on optical multisensor fusion with a least squares support vector machine classifier. Biosystems Engineering, 2014, no. 117, pp. 15–22.
Peterson R.F., Cempbell A.B., Hannah A.E. Adiagrammatic scale for estimating rust intensity of leaves and stem of cereals. Canad. J. Rev., 1948, vol. 26, pp. 495-500.
Roelfs A.P., Singh R.P., Saari E.E. Rust deseases of wheat: concepts and methods management. Mexico. 1992. CIMMIT. 81 P.
Saari E.E., Prescott I.M.A scale for appraising the foliar intensity of wheat diseases. Plant Disease Report, 1975, vol. 59, 377 p.
Subhadra K., Kavitha N. Multi-label leaf disease classification using enhanced deep convolutional neural network. Journal of Advanced Research in Dynamical and Control Systems, 2020, vol. 12, 04-Special Issue. https://doi.org/10.5373/JARDCS/V12SP4/20201470
Suresha M., Shreekanth K.N., Thirumalesh B.V. Recognition of diseases in paddy leaves using kNN classifier. 2nd International Conference for Convergence in Technology (I2CT). 2017, pp. 663-666. https://doi.org/10.1109/I2CT.2017.8226213
Too E., Yujian L., Njuki S., Yingchun L. A comparative study of fine-tuning deep learning models for plant disease identification. Computers and Electronics in Agriculture, 2018, no. 161, pp. 272–279. https://doi.org/10.1016/j.compag.2018.03.032
Xiao M., Ma Y., Feng Z., Deng Z., Hou S., Shu L., Lu Z. Rice blast recognition based on principal component analysis and neural Network. Computers and Electronics in Agriculture, 2018, no. 154, pp. 482–490. https://doi.org/10.1016/j.compag.2018.08.028
Yao Q., Guan Z. et al. Application of support vector machine for detecting rice diseases using shape and color texture features. 2009 International Conference on Engineering Computation. 2009. https://doi.org/10.1109/ICEC.2009.73
Просмотров аннотации: 287 Загрузок PDF: 265
Copyright (c) 2022 Irina V. Arinicheva, Igor V. Arinichev, Galina V. Volkova, Sergey V. Polyanskikh
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
