Вдосконалення методів побудови нейронних мереж як інструменту для екологізації методів захисту соняшника
DOI:
https://doi.org/10.15587/1729-4061.2025.321956Ключові слова:
нейронні мережі, діагностика хвороб соняшника, метод захисту рослин, вуглецевий слідАнотація
Об'єктом дослідження є процеси ідентифікації хвороб соняшника за допомогою нейронних мереж та їх вплив на ефективність і екологічність біологічних методів захисту. Дослідження присвячено вирішенню проблеми підвищення точності діагностики захворювань соняшника за умов обмежених реальних даних. Зокрема, пошуку шляхів вдосконалення методів побудови нейронних мереж в умовах обмеженості реальних даних. Особливістю отриманих результатів є здатність алгоритму інтеграції синтетичних даних досягати високої точності навіть при обмеженій кількості реальних даних, що вигідно відрізняє його від традиційних методів, які вимагають великих обсягів інформації.
Застосовання математичного моделювання та алгоритмів Few-shot learning у поєднанні з генеративними змагальними мережами (GAN) для генерації синтетичних зображень дозволило підвищити точність діагностики захворювань до 93–95% навіть на малих наборах даних. Це стало можливим завдяки високій узагальнюючій здатності моделі, що навчалась на варіативних синтетичних даних, враховуючи різні польові умови.
Отримані результати дозволяють ефективно застосовувати біологічні методи захисту, оптимізуючи діагностику захворювань на основі математичного моделювання взаємозв’язків між умовами навколишнього середовища та біологічними агентами.
Практичне значення результатів полягає у можливості аграріїв використовувати інноваційні методи діагностики для підвищення врожайності соняшника та зниження залежності від хімічних засобів захисту. Запропоновані підходи сприяють реалізації міжнародних екологічних стандартів і можуть бути інтегровані у програми декарбонізації сільського господарства. Впровадження біологічного захисту дозволяє знижувати екологічні ризики, економити ресурси та підтримувати продуктивність агросистем
Посилання
- Sirohi, A., Malik, A. (2021). A Hybrid Model for the Classification of Sunflower Diseases Using Deep Learning. 2021 2nd International Conference on Intelligent Engineering and Management (ICIEM), 58–62. https://doi.org/10.1109/iciem51511.2021.9445342
- Bantan, R. A. R., Ali, A., Naeem, S., Jamal, F., Elgarhy, M., Chesneau, C. (2020). Discrimination of sunflower seeds using multispectral and texture dataset in combination with region selection and supervised classification methods. Chaos: An Interdisciplinary Journal of Nonlinear Science, 30 (11). https://doi.org/10.1063/5.0024017
- Waheed, A., Goyal, M., Gupta, D., Khanna, A., Hassanien, A. E., Pandey, H. M. (2020). An optimized dense convolutional neural network model for disease recognition and classification in corn leaf. Computers and Electronics in Agriculture, 175, 105456. https://doi.org/10.1016/j.compag.2020.105456
- Nagaraju, M., Chawla, P. (2020). Systematic review of deep learning techniques in plant disease detection. International Journal of System Assurance Engineering and Management, 11 (3), 547–560. https://doi.org/10.1007/s13198-020-00972-1
- Altınbılek, H. F., Kızıl, Ü. (2024). Identification of Some Sunflower Diseases Using Deep Convolutional Neural Networks. ÇOMÜ Ziraat Fakültesi Dergisi, 12 (1), 11–19. https://doi.org/10.33202/comuagri.1387580
- Ünal, Y., Dudak, M. N. (2024). Deep Learning Approaches for Sunflower Disease Classification: A Study of Convolutional Neural Networks with Squeeze and Excitation Attention Blocks. Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, 13 (1), 247–258. https://doi.org/10.17798/bitlisfen.1380995
- Gulzar, Y., Ünal, Z., Aktaş, H., Mir, M. S. (2023). Harnessing the Power of Transfer Learning in Sunflower Disease Detection: A Comparative Study. Agriculture, 13 (8), 1479. https://doi.org/10.3390/agriculture13081479
- Ghosh, P., Mondal, A. K., Chatterjee, S., Masud, M., Meshref, H., Bairagi, A. K. (2023). Recognition of Sunflower Diseases Using Hybrid Deep Learning and Its Explainability with AI. Mathematics, 11 (10), 2241. https://doi.org/10.3390/math11102241
- Dawod, R. G., Dobre, C. (2022). Automatic Segmentation and Classification System for Foliar Diseases in Sunflower. Sustainability, 14 (18), 11312. https://doi.org/10.3390/su141811312
- Lati, R. N., Filin, S., Elnashef, B., Eizenberg, H. (2019). 3-D Image-Driven Morphological Crop Analysis: A Novel Method for Detection of Sunflower Broomrape Initial Subsoil Parasitism. Sensors, 19 (7), 1569. https://doi.org/10.3390/s19071569
- Arribas, J. I., Sánchez-Ferrero, G. V., Ruiz-Ruiz, G., Gómez-Gil, J. (2011). Leaf classification in sunflower crops by computer vision and neural networks. Computers and Electronics in Agriculture, 78 (1), 9–18. https://doi.org/10.1016/j.compag.2011.05.007
- Jin, X., Zhao, Y., Wu, H., Sun, T. (2022). Sunflower seeds classification based on sparse convolutional neural networks in multi-objective scene. Scientific Reports, 12 (1). https://doi.org/10.1038/s41598-022-23869-4
- Kurtulmuş, F. (2020). Identification of sunflower seeds with deep convolutional neural networks. Journal of Food Measurement and Characterization, 15 (2), 1024–1033. https://doi.org/10.1007/s11694-020-00707-7
- Luan, Z., Li, C., Ding, S., Wei, M., Yang, Y. (2020). Sunflower seed sorting based on Convolutional Neural Network. Eleventh International Conference on Graphics and Image Processing (ICGIP 2019). https://doi.org/10.1117/12.2557789
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Andriy Kokhan, Iryna Kravets, Sergiy Sokolov, Halyna Yevtushenko, Volodymyr Blahodtnyi, Nataliya Gurets, Oleksii Ovcharenko, Svitlana Melnychuk, Oksana Yablonska, Oleksandr Marynets
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.
