ОПРЕДЕЛЕНИЕ ЗАБОЛЕВАНИЙ МАНИОКА МЕТОДАМИ КОМПЬЮТЕРНОГО ЗРЕНИЯ

Ключевые слова: нейронные сети, искусственный интеллект, маниок, кассава, урожайность, заболевание растений, смартфон, глубинное обучение, аугментация

Аннотация

Цель. Разработка модели сверточной нейронной сети для определения заболеваний маниока по фотографии с мобильного телефона.

Методы и материалы исследования. Материалом для исследований послужили размеченные изображения с различными видами заболеваний маниока, 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. Маниок съедобный – одна из ключевых культур для сельского хозяйства многих регионов мира. Одной из главных причин плохой урожайности является различного вида заболевания. Для профилактики и раннего предупреждения распространения заболевания растений необходим инструмент в виде модели нейронной сети, позволяющей определить наличия заболевания по фотографии со смартфона. В работе использовались методы глубинного обучения сверточных нейронных сетей, а также концепция «transfer learning». На базе сети ResNet 50 была обучена нейронная сеть, позволяющая с точностью 0,93 по метрике F1-score определять наличие заболевания у растения маниок съедобный по изображению.

Заключение. Был подготовлен набор данных изображений маниоки, включающий пять классов, для эффективной классификации нейронной сетью. Четыре класса с признаками определенных заболеваний листьев маниоки и один класс для здоровых растений. Была построена и обучена модель для решения задачи классификации по обнаружению болезни листьев маниоки по изображениям со смартфона.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

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

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

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

ассистент кафедры «Информационная безопасность»

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

кандидат технический наук, доцент

Литература

Perov A.A., Pestunov A.I. Prikladnaya diskretnaya matematika, 2020, no. 3 (49), pp. 46-57. https://doi.org/10.17223/20710410/49/4

Tutygin V.S., Lelyukhin D.O. Nedelya nauki SPbPU: materialy nauchnoy konferentsii s mezhdunarodnym uchastiem (g. Sankt-Peterburg, 19-24 noyabrya 2018 g.) [SPbPU Week: proceedings of a scientific conference with international participation (St. Petersburg, November 19-24, 2018)]. Polytech-Press, 2019, pp. 209-214.

Reyes Angie K., Caicedo Juan C., Camargo Jorge E. Fine-tuning Deep Convolutional Networks for Plant Recognition. CLEF, 2015. http://ceur-ws.org/Vol-1391/121-CR.pdf

Cassava Leaf Disease Classification. Identify the type of disease present on a Cassava Leaf image. https://www.kaggle.com/c/cassava-leaf-disease-classification/overview

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

He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016, pp. 770-778. https://doi.org/10.1109/CVPR.2016.90

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, Pune, India, 2015, pp. 768-771, https://doi.org/10.1109/ICCUBEA.2015.153

Liu B., Zhang Y., He D., Li Y. Identification of Apple Leaf Diseases Based on Deep Convolutional Neural Networks. Symmetry, 2018, vol. 10, no. 1, 11. https://doi.org/10.3390/sym10010011

Mwebaze E., Gebru T., Frome A., Nsumba S., Tusubira J. iCassava 2019 Fine-Grained Visual Categorization Challenge. https://arxiv.org/abs/1908.02900 (accessed 08.08.2019).

OECD-FAO Agricultural Outlook 2016-2025, OECD Publishing, Paris, 2016. http://dx.doi.org/10.1787/agr_outlook-2016-en

Otim-Nape G.W., Alicai T., Thresh J.M. Changes in the incidence and severity of Cassava mosaic virus disease, varietal diversity and cassava production in Uganda. Annals of Applied Biology, 2001, vol. 138, no. 3, pp. 313-327. https://doi.org/10.1111/j.1744-7348.2001.tb00116.x

Phadikar S., Sil J. Rice disease identification using pattern recognition techniques. 2008 11th International Conference on Computer and Information Technology, Khulna, Bangladesh, 2008, pp. 420-423, https://doi.org/10.1109/ICCITECHN.2008.4803079

Revathi P., Hemalatha M. Classification of cotton leaf spot diseases using image processing edge detection techniques. 2012 International Conference on Emerging Trends in Science, Engineering and Technology (INCOSET), Tiruchirappalli, India, 2012, pp. 169-173, https://doi.org/10.1109/INCOSET.2012.6513900

Sagar A., Dheeba J. On Using Transfer Learning For Plant Disease Detection. https://doi.org/10.1101/2020.05.22.110957

Karmokar B.C., Ullah M.S., Siddiquee M.K., Alam K.R. Tea leaf diseases recognition using neural network ensemble. International Journal of Computer Applications, March 2015. vol. 114, no. 17, pp. 27-30. https://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, Vijender Kumar Solanki, Vijay Bhasker Semwal, Rubén González Crespo, Vishwanath Bijalwan (eds). ACSIS, 2017, vol. 10, pp. 103-106. https://doi.org/10.15439/2017R24

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


Просмотров аннотации: 391
Загрузок PDF: 344
Опубликован
2021-02-28
Как цитировать
Tereshchenko, S., Perov, A., & Osipov, A. (2021). ОПРЕДЕЛЕНИЕ ЗАБОЛЕВАНИЙ МАНИОКА МЕТОДАМИ КОМПЬЮТЕРНОГО ЗРЕНИЯ. Siberian Journal of Life Sciences and Agriculture, 13(1), 144-155. https://doi.org/10.12731/2658-6649-2021-13-1-144-155
Раздел
Сельскохозяйственные исследования