Помощь студентам в учебе
Учебно-методический материал.
Предоставляется в ознакомительных и исследовательских целях
Предоставляется в ознакомительных и исследовательских целях
📄Работа №128800
Тема: Проектирование нейронной сети для классификации изображений
Тип работы
Курсовые работы
Предмет
информационные системы
Объем:
52 листов
Год:
2023
Просмотров:
218
700
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Материал размещён в информационных целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки
📋 Содержание
Есть приложение (программный код).
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
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
📖 Введение
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.
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.
✅ Заключение
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.
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.
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.