Введение 3
1 Анализ предметной области 6
1.1 Методы глубокого обучения как подход к решению 7
1.2 Сверточные нейронные сети 9
2 Сравнение методов распознавания раковых клеток 26
2.1 Библиотеки и инструменты 26
2.2 Подготовка данных и построение модели 28
2.3 Анализ результатов 31
2.4 Разработка пользовательского приложения 36
Заключение 38
Список использованных источников 40
Приложение 43
По данным Продовольственной и сельскохозяйственной организации ООН [1], нападения вредителей и болезни растений считаются двумя основными причинами снижения доступности продовольствия и гигиены питания. Болезни растений варьируются в зависимости от сезона в зависимости от наличия возбудителя, условий окружающей среды и типа культуры. Культуры могут испытывать экологический стресс из-за следующих факторов: абиотических (засуха, заболачивание, засоление и др.), биотических (насекомые, вредители, сорняки, вирусы и др.) или изменения климата [2]. Повреждения сельскохозяйственных культур в зависимости от болезни и стадии развития варьируются от простых физиологических дефектов до гибели растений. Использование пестицидов является обычной практикой для ограничения ущерба, причиняемого микроорганизмами (вирусами, бактериями и грибками) [3]. Помимо негативного воздействия на природу, необоснованное применение пестицидов может привести к гибели вспомогательных насекомых, используемых в биологической борьбе, и/или развитию генетической резистентности [4].
Диагностика болезней растений является актуальной, поскольку позволяет снизить экономические потери. В настоящее время активно применяются два метода – экспертная диагностика и анализ патогенов. Первый используется специалистами по защите растений с многолетним опытом работы в полевых условиях и опытом проведения расследований в реальном времени, которые позволяют диагностировать степень поражения растений. Этот метод в значительной степени опирается на опыт привлекаемых к работе экспертов и склонен к субъективным различиям и низкой точности [5]. Второй метод включает культивирование и микроскопическое наблюдение за патогенами. Этот метод имеет высокий показатель диагностической точности, но требует больших временных затрат и является довольно громоздким, что в настоящее время делает его непригодным [6].
В последние годы быстрое развитие компьютерного зрения и искусственного интеллекта привело к прогрессу в различных областях – промышленных, сельскохозяйственных и т.п. [7]. Для решения задачи обнаружения болезней растений широко используются методы, основанные на видимом свете и спектроскопических цифровых изображениях ближнего инфракрасного диапазона. Спектроскопические изображения в ближней инфракрасной области предоставляют информацию о пространственном распределении болезней растений и в последние годы стали предпочтительными технологиями для многих исследователей [8]. Однако оборудование для получения спектральных изображений является дорогостоящим и трудно переносимыми; следовательно, эта технология тоже не может быть широко применена. Получение изображений в видимом свете является относительно простым и может быть достигнуто с помощью различных обычных электронных устройств, таких как цифровые камеры и смартфоны, что значительно упрощает исследования распознавания изображений.
В последние годы были предложены многообещающие подходы к обнаружению и локализации заболеваний растений с использованием автоматических систем мониторинга, в основе которых лежат современные методы машинного и глубокого обучения (многослойные нейронные сети) [9]. Для точного распознавания болезней растений в сложных природных условиях в последние годы были созданы модели на основе сверточных нейронных сетей [10], которые доказали свою высокую эффективность в решении различных задач классификации объектов на изображениях. В настоящей работе рассматриваются современные методы на основе глубокого обучения для решения задачи распознавания болезней растений. Целью является сравнительный анализ некоторых существующих методов и создание модифицированной нейросетевой модели, позволяющей превзойти по точности распознавания и затратам памяти существующие методы.
Для достижения цели в работе необходимо решить следующие задачи:
получить основные теоретические сведения о выбранной предметной области;
провести исследование методов глубокого обучения, в частности, сверточных нейронных сетей, предназначенных для реализации эксперимента;
выполнить сравнительный анализ существующих методов глубокого обучения – применить модели сверточных нейронных сетей на основе изученных методов, обучить и протестировать эти модели, выполнив программную реализацию;
предложить и программно реализовать модифицированный метод распознавания болезней растений на основе глубокого обучения, позволяющий превзойти по точности распознавания и затратам памяти существующие модели.
Работа состоит из введения, двух глав, заключения, библиографии и одного приложения. Объем работы составляет 39 страниц, объем приложения составляет 10 страниц, объем библиографии содержит 27 источников.
Сельскохозяйственное производство является неотъемлемой частью экономического развития страны. На сельскохозяйственные культуры влияет климат, который может сделать их восприимчивыми к патогенным инфекциям в период роста, что приводит к снижению урожайности. В тяжелых случаях листья рано опадают, вследствие чего растения погибают.
Традиционные методы обнаружения и локализации болезней растений включают прямую визуальную диагностику путем визуальной идентификации симптомов болезни, появляющихся на листьях растений, а также химические методы, включающие молекулярные тесты на листьях растений. Эти методы трудоемки и требуют большого количества экспертов соответствующей квалификации. Технологические достижения в области применения датчиков, хранения данных, вычислительных ресурсов и искусственного интеллекта продемонстрировали огромный потенциал для эффективной борьбы с болезнями растений. Растущий объем исследований признает важность использования различных подходов в области машинного и глубокого обучения для построения моделей обнаружения, прогнозирования, анализа, оценки и т. д.
В ходе работы был предложен подход на основе сверточных нейронных сетей для распознавания болезней растений. С точки зрения производительности архитектуры сверточных нейронных сетей очень эффективны по сравнению с другими. Они просты в реализации и требуют меньше параметров для обучения, а также могут быть использованы в различных областях и выполнять различные прикладные задачи, такие как распознавание лиц, анализ документов, прогнозирование климата, распознавание изображений, идентификация объектов и т.п.
Переобучение – распространенная проблема при обучении модели, особенно когда недостаточно данных для обучения модели. Эта проблема была решена путем увеличения данных за счет аугментации. Еще одна распространенная проблема – потеря данных в процессе обучения, которую можно уменьшить, увеличив количество эпох и объем данных за счет аугментации. Если сеть имеет несколько слоев, то процесс обучения требует больших временных затрат, и в этой ситуации скорость отклика модели также играет решающую роль. В качестве сравниваемых алгоритмов глубокого обучения были выбраны EfficientNet-B5, ResNet50 и VGG16, основанные на сверточных нейронных сетях.
В рамках работы впервые было выполнено комплексное исследование применения различных моделей глубокого обучения в качестве основного метода решения задачи распознавания болезней растений. Выполнено сравнение изученных методов по критериям достигнутой точности и величины ошибки – обучены и протестированы модели на рассмотренном наборе экземпляров (базы данных изображений с различными пораженными растениями). Таким образом, решена проблема, имеющая важное значение для будущих исследований в области распознавания болезней растений. Практическая значимость состоит в создании модели распознавания, позволяющей превзойти по точности и затратам памяти существующие модели. Доля верных откликов предложенной модели составила в среднем 91%. Также модель была успешно протестирована в пользовательском веб-приложении на неизученных данных.
Помощь студентам и аспирантам в выполнении работ от наших партнеров
