Розробка методу розпізнавання причин відхилень у розвитку рослини Aloe arborescens L. із застосуванням можливостей машинного навчання
DOI:
https://doi.org/10.15587/1729-4061.2021.228219Ключові слова:
нейронна мережа, машинне навчання, гідропонні системи, розпізнавання образів, Aloe arborescens L.Анотація
Розглянуто процес розробки методу розпізнавання причин відхилень від нормального росту рослини із застосуванням досягнень штучного інтелекту. Як об'єкт досліджень було обрано лікарську рослину Aloe arborescens L., так як протягом десятиліть ця рослина є одним з найбільш продаваних у світовому випуску нових продуктів. Aloe arborescens L. славиться своїми лікарськими властивостями, використовуваними в медицині, косметології та навіть в харчовій промисловості. Своєчасна та точна діагностика відхилень у розвитку рослини грає важливу роль в запобіганні втрати продуктивності рослинницької продукції.
В ході дослідження було розроблено метод розпізнавання причин відхилень у розвитку Aloe arborescens L., викликаних нестачею поливу або освітлення, заснований на застосуванні трансферного навчання згорткової нейронної мережі VGG-16 (Сполучене Королівство). Дана архітектура орієнтована на розпізнавання об'єктів на зображеннях, що є головною причиною її використання для досягнення поставленої мети.
Аналіз метрик якості запропонованого процесу класифікації зображень за заданими класами показав високу вірогідність розпізнавання (для рослини, що нормально розвивається – 91 %, для рослини без належного поливу – 89 % і для рослини без належного висвітлення – 83 %). Аналіз достовірності розпізнавання тестових зразків показав схожу достовірність віднесення рослини до одного з трьох класів: 92,6 %, 87,5 % та 85,5 %, відповідно.
Отримані результати дозволяють доповнити автоматизовані системи управління режимними параметрами гідропонних установок основних світових виробників головним зворотним зв'язком по відхиленню розвитку рослини від заданих значень
Посилання
- Tikhomirova, L. I., Bazarnova, N. G., Il'icheva, T. N., Sysoeva, A. V. (2016). Process for the preparation of medicinal plants of Potentilla alba (Potentilla alba L.) under hydroponics. Chemistry of Plant Raw Material, 3, 59–66. doi: https://doi.org/10.14258/jcprm.2016031228
- Vardanyan, A. P. (2009) Sopryazhennyy metod kul'tury in vitro i gidroponiki dlya sohraneniya prirodnyh resursov Hypericum perforatum. Flora, rastitel'nost' i rastitel'nye resursy Armenii, 17, 108–110. Available at: http://takhtajania.asj-oa.am/392/
- Dorais, M., Papadopoulos, A. P., Luo, X., Leonhart, S., Gosselin, A., Pedneault, K. et. al. (2001). Soilless Greenhouse Production of Medicinal Plants in North Eastern Canada. Acta Horticulturae, 554, 297–304. doi: https://doi.org/10.17660/actahortic.2001.554.32
- Ustanovka "Podsolnuh". Available at: https://gidroponika.com/content/view/330/142/
- AeroFlo 14. Available at: https://www.gidroponika.su/g/gidroponnye-ustanovki/ghe-sistema/aeroflo-14-kupit.html
- Kim, G., Demyanenko A. (2019). A review of automated hydroponic systems of the main world manufacturers. VESTNIK KazNRTU, 4 (134), 370–376. Available at: https://official.satbayev.university/download/document/12092/%D0%92%D0%95%D0%A1%D0%A2%D0%9D%D0%98%D0%9A-2019%20%E2%84%964.pdf
- Villanueva, M. B., Salenga, M. L. M. (2018). Bitter Melon Crop Yield Prediction using Machine Learning Algorithm. International Journal of Advanced Computer Science and Applications, 9 (3). doi: https://doi.org/10.14569/ijacsa.2018.090301
- Türkoğlu, M., Hanbay, D. (2019). Plant disease and pest detection using deep learning-based features. Turkish Journal of Electrical Engineering & Computer Sciences, 27 (3), 1636–1651. doi: https://doi.org/10.3906/elk-1809-181
- Amara, J., Bouaziz, B., Algergawy, A. (2017). A Deep Learning-based Approach for Banana Leaf Diseases Classification. Conference: Datenbanksysteme für Business, Technologie und Web (BTW 2017). Bonn: Gesellschaft für Informatik e.V., 79–88. Available at: https://dl.gi.de/bitstream/handle/20.500.12116/944/paper09.pdf?sequence=1&isAllowed=y
- Ishikawa, T., Hayashi, A., Nagamatsu, S., Kyutoku, Y., Dan, I., Wada, T. et. al. (2018). Classification of strawberry fruit shape by machine learning. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLII-2, 463–470. doi: https://doi.org/10.5194/isprs-archives-XLII-2-463-2018
- Ullah, A., Mohd Nawi, N., Arifianto, A., Ahmed, I., Aamir, M., Khan, S. N. (2019). Real-Time Wheat Classification System for Selective Herbicides Using Broad Wheat Estimation in Deep Neural Network. International Journal on Advanced Science, Engineering and Information Technology, 9 (1), 153. doi: https://doi.org/10.18517/ijaseit.9.1.5031
- Wang, H., Li, G., Ma, Z., Li, X. (2012). Application of neural networks to image recognition of plant diseases. 2012 International Conference on Systems and Informatics (ICSAI2012). doi: https://doi.org/10.1109/icsai.2012.6223479
- ChandraKarmokar, B., Samawat Ullah, M., Kibria Siddiquee, M., Md. Rokibul Alam, K. (2015). Tea Leaf Diseases Recognition using Neural Network Ensemble. International Journal of Computer Applications, 114 (17), 27–30. doi: https://doi.org/10.5120/20071-1993
- Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S. et. al. (2015). ImageNet Large Scale Visual Recognition Challenge. International Journal of Computer Vision, 115 (3), 211–252. doi: https://doi.org/10.1007/s11263-015-0816-y
- Lecun, Y., Bottou, L., Bengio, Y., Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86 (11), 2278–2324. doi: https://doi.org/10.1109/5.726791
- Krizhevsky, A., Sutskever, I., Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60 (6), 84–90. doi: https://doi.org/10.1145/3065386
- LeCun, Y., Bengio, Y., Hinton, G. (2015). Deep learning. Nature, 521 (7553), 436–444. doi: https://doi.org/10.1038/nature14539
- Srivastava, R. K., Greff, K., Schmidhuber, J. (2015). Training Very Deep Networks. arXiv. Available at: https://arxiv.org/pdf/1507.06228.pdf
- Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D. et. al. (2015). Going deeper with convolutions. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). doi: https://doi.org/10.1109/cvpr.2015.7298594
- He, K., Zhang, X., Ren, S., Sun, J. (2016). Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). doi: https://doi.org/10.1109/cvpr.2016.90
- Du, W., Rao, N., Liu, D., Jiang, H., Luo, C., Li, Z. et. al. (2019). Review on the Applications of Deep Learning in the Analysis of Gastrointestinal Endoscopy Images. IEEE Access, 7, 142053–142069. doi: https://doi.org/10.1109/access.2019.2944676
- VGG16 model for Keras. Available at: https://gist.github.com/baraldilorenzo/07d7802847aaad0a35d3
- Large Scale Visual Recognition Challenge 2012. Available at: http://image-net.org/challenges/LSVRC/2012/
- Keras. Available at: https://keras.io/
- TensorFlow. Available at: https://www.tensorflow.org/
- Theano. Available at: https://github.com/Theano/Theano
- The Microsoft Cognitive Toolkit (2017). Available at: https://docs.microsoft.com/en-us/cognitive-toolkit
- NVIDIA cuDNN. Available at: https://developer.nvidia.com/cudnn
- Nikolenko, S., Kadurin, A., Arhangel'skaya, E. (2018). Glubokoe obuchenie. Sankt-Peterburg: Piter, 480.
- Kingma, D. P., Ba, J. (2014). Adam: A Method for Stochastic Optimization. International Conference on Learning Representations. arXiv. Available at: https://arxiv.org/pdf/1412.6980.pdf
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2021 Gulnar Kim, Alexandr Demyanenko, Alexey Savostin, Kainizhamal Iklassova
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.