Использование цифровых интеллектуальных технологий для диагностики заболеваний хлебных злаков Кубани
DOI:
https://doi.org/10.28983/asj.y2022i5pp70-73Ключевые слова:
машинное зрение, сверточная нейросеть, грибные болезни злаков, классификация болезней, computer vision, convolutional neural network, fungal diseases, diseases classificationАннотация
В статье исследуется возможность применения методов машинного зрения для обнаружения и классификации грибных болезней пшеницы и риса по изображениям. Показано, что современные нейросетевые архитектуры способны качественно обнаруживать и классифицировать такие грибные болезни как желтая пятнистость, желтая и бурая ржавчины, пирикуляриоз и бурая пятнистость. Для рассмотренных моделей значения метрик классификации (accuracy, precision, recall, f1) колеблются в пределах от 0,95 до 0,99, что указывает на возможность использования цифровых интеллектуальных технологий для диагностики заболеваний злаков с точностью, не уступающей эксперту-фитопатологу. Используемая при этом архитектура нейронной сети достаточно легковесна, что делает возможным ее использования на мобильных устройствах.
Скачивания
Библиографические ссылки
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. DOI: https://doi.org/10.3389/fpls.2019.00941.
Polyanskikh S., Arinicheva I., Arinichev I., Volkova G. Autoencoders for semantic segmentation of rice fungal diseases // Agronomy Research 19(X), xxx–ccc, 2021. https://doi.org/10.15159/ar.21.019.
Ариничева И.В., Ариничев И.В., Полянских С.В., Волкова Г.В. Распознавание болезней риса с помощью современных методов компьютерного // Аграрная наука. 2021;(3):90-94. https://doi.org/10.32634/0869-8155-2021-345-2-90-94.
Ариничева И.В., Ариничев И.В.Современный математический инструментарий в решении проблем производства важнейших хлебных злаков на Кубани. Краснодар, 2021. 155 с.
Uzhinskiy A., Ososkov G., Goncharov P., Nechaevskiy A., Smetanin A.Oneshot learning with triplet loss for vegetation classification tasks // Computer Optics 2021; 45(4): 608-614. DOI: 10.18287/2412-6179-CO-856.
Матвеева И. П., Шумилов Ю. В., Волкова Г. В. Скрининг источников устойчивости к Puccinia striiformis West. среди сортообразцов пшеницы различного географического происхождения // Научное обеспечение агропромышленного комплекса: IX Всерос. конф. молодых ученых, посвящ. 75-летию В.М. Шевцова. Краснодар, 2016. С. 214-215.
Huy Do Rice Diseases Image Dataset: An image dataset for rice and its diseases. Режим доступа: https://www.kaggle.com/minhhuy2810/rice-diseases-image-dataset
LeCun Y., Bose, B., Denker J.S., Henderson D., Howard R.E., Hubbard W., Jackel L.D., Backpropagation Applied to Handwritten Zip Code Recognition // Neural Computation.1989.1(4):541-551. DOI:10.1162/neco.1989.1.4.541
Андриянов Н.А., Дементьев В.Е., Ташлинский А.Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана–Пирсона к детекторам на базе нейронных сетей EfficientDet // Компьютерная оптика. 2022. Т. 46. № 1. С. 139-159. DOI: 10.18287/2412-6179-CO-922.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2022 Аграрный научный журнал
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
