Оцінка виявлення хвороб рослин шляхом глибокого навчання
DOI:
https://doi.org/10.15587/1729-4061.2023.274483Ключові слова:
обробка зображень, Inception v3, глибоке навчання, класифікація, хвороби рослин, кластеризаціяАнотація
Машини для виявлення хвороб рослин і шкідників спочатку використовувалися в сільському господарстві та певною мірою замінили традиційну візуальну ідентифікацію. Хвороби та шкідники рослин є важливими факторами, що визначають продуктивність і якість рослин. За допомогою цифрової обробки зображень можна ідентифікувати хвороби та шкідників рослин. Відповідно до різниці в структурі мережі, ця стаття представляє дослідження щодо виявлення хвороб рослин і шкідників на основі трьох аспектів мережі класифікації, мережі виявлення та мережі сегментації за останні роки, а також узагальнює переваги та недоліки кожного з методів. Представлено загальний набір даних і порівняно результати існуючих досліджень. У цьому дослідженні обговорюються можливі проблеми в практичному застосуванні виявлення хвороб рослин і шкідників на основі глибокого навчання.
Звичайні алгоритми обробки зображень або ручний описовий дизайн і класифікатори часто використовуються для традиційного комп’ютерного зору на основі виявлення хвороб рослин і шкідників. Цей метод зазвичай використовує різні характеристики хвороб рослин і шкідників для створення компонування зображення та вибирає корисне джерело світла та кут зйомки для створення рівномірно освітлених зображень.
Метою роботи є ідентифікація групи шкідників і хвороб домашніх і городніх рослин за допомогою мобільного додатку та відображення кінцевого результату на екрані мобільного пристрою. У цій роботі були використані дані з 38 різних класів, включаючи зображення хворих і здорових листків 13 рослин з plantVillage. В експерименті Inception v3 має тенденцію до постійного підвищення точності зі збільшенням кількості епох без ознак переобладнання та погіршення продуктивності. Keras із серверною частиною Theano використовується для навчання архітектурі
Спонсор дослідження
- For providing data on agricultural crops of Northern Kazakhstan in the preparation of this article, the author expresses gratitude to the Scientific and Production Center of Grain Farming named after A. I. Barayev.
Посилання
- Mathew, A., Amudha, P., Sivakumari, S. (2020). Deep Learning Techniques: An Overview. Advanced Machine Learning Technologies and Applications, 599–608. doi: https://doi.org/10.1007/978-981-15-3383-9_54
- Ahmad, J., Farman, H., Jan, Z. (2018). Deep Learning Methods and Applications. SpringerBriefs in Computer Science, 31–42. doi: https://doi.org/10.1007/978-981-13-3459-7_3
- Golenko, Y., Ismailova, A., Shaushenova, A., Mutalova, Z., Dossalyanov, D., Ainagulova, A., Naizagarayeva, A. (2022). Implementation of machine learning models to determine the appropriate model for protein function prediction. Eastern-European Journal of Enterprise Technologies, 5 (4 (119)), 42–49. doi: https://doi.org/10.15587/1729-4061.2022.263270
- Tussupov, J., La, L., Mukhanova, A. (2014). A model of fuzzy synthetic evaluation method realized by a neural network. International Journal of Mathematical Models and Methods in Applied Sciences, 8, 103–106. Available at: https://www.naun.org/main/NAUN/ijmmas/2014/a142001-069.pdf
- Orazayeva, A., Wójcik, W., Pavlov, S., Tymchenko, L., Kokriatska, N., Tverdomed, V. et al. (2022). Biomedical image segmentation method based on contour preparation. Photonics Applications in Astronomy, Communications, Industry, and High Energy Physics Experiments 2022. doi: https://doi.org/10.1117/12.2657929
- Burger, W., Burge, M. J. (2022). Scale-Invariant Feature Transform (SIFT). Digital Image Processing, 709–763. doi: https://doi.org/10.1007/978-3-031-05744-1_25
- Yang, J., Huang, J., Jiang, Z., Dong, S., Tang, L., Liu, Y. et al. (2020). SIFT-aided path-independent digital image correlation accelerated by parallel computing. Optics and Lasers in Engineering, 127, 105964. doi: https://doi.org/10.1016/j.optlaseng.2019.105964
- Awaludin, M., Yasin, V. (2020). Application of Oriented Fast and Rotated Brief (Orb) and Bruteforce Hamming in Library Opencv for Classification of Plants. JISAMAR (Journal of Information System, Applied, Management, Accounting and Research), 4 (3), 51–59. Available at: https://journal.stmikjayakarta.ac.id/index.php/jisamar/article/view/247
- Rahmad, C., Asmara, R. A., Putra, D. R. H., Dharma, I., Darmono, H., Muhiqqin, I. (2020). Comparison of Viola-Jones Haar Cascade Classifier and Histogram of Oriented Gradients (HOG) for face detection. IOP Conference Series: Materials Science and Engineering, 732 (1), 012038. doi: https://doi.org/10.1088/1757-899x/732/1/012038
- Mohanty, A., Nam, A., Pozhitkov, A., Yang, L., Srivastava, S., Nathan, A. et al. (2020). A Non-genetic Mechanism Involving the Integrin β4/Paxillin Axis Contributes to Chemoresistance in Lung Cancer. IScience, 23 (9), 101496. doi: https://doi.org/10.1016/j.isci.2020.101496
- Charbuty, B., Abdulazeez, A. (2021). Classification Based on Decision Tree Algorithm for Machine Learning. Journal of Applied Science and Technology Trends, 2 (01), 20–28. doi: https://doi.org/10.38094/jastt20165
- Yessenova, M., Abdikerimova, G., Adilova, A., Yerzhanova, A., Kakabayev, N., Ayazbaev, T. et al. (2022). Identification of factors that negatively affect the growth of agricultural crops by methods of orthogonal transformations. Eastern-European Journal of Enterprise Technologies, 3 (2 (117)), 39–47. doi: https://doi.org/10.15587/1729-4061.2022.257431
- Chen, S., Webb, G. I., Liu, L., Ma, X. (2020). A novel selective naïve Bayes algorithm. Knowledge-Based Systems, 192, 105361. doi: https://doi.org/10.1016/j.knosys.2019.105361
- Hameed, Z., Zahia, S., Garcia-Zapirain, B., Javier Aguirre, J., María Vanegas, A. (2020). Breast Cancer Histopathology Image Classification Using an Ensemble of Deep Learning Models. Sensors, 20 (16), 4373. doi: https://doi.org/10.3390/s20164373
- Vangara, R. V. B., Thirupathur, K., Vangara, S. P. (2020). Opinion Mining Classification u sing Naive Bayes Algorithm. International Journal of Innovative Technology and Exploring Engineering, 9 (5), 495–498. doi: https://doi.org/10.35940/ijitee.e2402.039520
- Jignesh Chowdary, G., Punn, N. S., Sonbhadra, S. K., Agarwal, S. (2020). Face Mask Detection Using Transfer Learning of InceptionV3. Lecture Notes in Computer Science, 81–90. doi: https://doi.org/10.1007/978-3-030-66665-1_6
- Degadwala, S., Vyas, D., Biswas, H., Chakraborty, U., Saha, S. (2021). Image Captioning Using Inception V3 Transfer Learning Model. 2021 6th International Conference on Communication and Electronics Systems (ICCES). doi: https://doi.org/10.1109/icces51350.2021.9489111
- Berrar, D. (2019). Bayes’ Theorem and Naive Bayes Classifier. Encyclopedia of Bioinformatics and Computational Biology, 403–412. doi: https://doi.org/10.1016/b978-0-12-809633-8.20473-1
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2023 Akan Alpyssov, Nurgul Uzakkyzy, Ayazbaev Talgatbek, Raushan Moldasheva, Gulmira Bekmagambetova, Mnyaura Yessekeyeva, Dossym Kenzhaliev, Assel Yerzhan, Ailanysh Tolstoy
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.
