Аннотация
Введение 4
1 Искусственные нейронные сети 6
1.1 Определение и понятие нейронной сети 6
1.2 Нейрон и нейронные связи 7
1.3 Архитектура нейронных сетей 7
1.4 Принцип работы нейронных сетей 9
1.4.1 Функция активации 10
1.4.2 Нейрон смещения 12
1.4.3 Предсказания сети 12
2 Обучение нейронной сети 14
2.1 Методы обучения нейронных сетей 14
2.2 Метрики 15
2.3 Функция потерь 19
2.4 Алгоритмы обучения нейронных сетей 20
3 Свёрточные нейронные сети 22
3.1 Ядро и карта признаков 22
3.2 Padding 24
3.3 Stride 24
3.4 Pooling 25
3.5 Модели свёрточных нейронных сетей 25
3.5.1 Модель ResNet 26
3.5.2 Модель YOLO 27
4 Решение задачи классификации 28
4.1 Подбор архитектуры 28
4.2 Набор данных и гиперпараметры 28
4.3 Подготовка среды разработки, тренировочного набора данных и моделей 29
5 Решение задачи детекции 31
6 Результаты 32
6.1 Задача классификации 32
6.2 Задача детекции 36
Заключение 39
Список использованных источников и литературы 40
Приложение А Цикл обучения моделей ResNet 42
Приложение Б Реализация архитектуры ResNet 44
Приложение В Аугментация тренировочных файлов 47
Приложение Г Цикл обучения модели YOLO12 48
На сегодняшний день одной из глобальных проблем является нехватка продовольствия. Данная проблема вызвана ростом населения, нехваткой ресурсов и рабочей силы. Быстрый рост населения стимулирует всё больший спрос на продовольствие, что, в свою очередь, влечёт за собой требования максимального увеличения скорости производства продуктов с существующих сельскохозяйственных угодий. Такие факторы, как нехватка плодородной земли для выращивания сельскохозяйственных продуктов, засуха, нехватка рабочей силы, а также требования постоянного наблюдения ещё больше усложняют ситуацию.
Одним из решений данной проблемы является гидропоника. В этом способе выращивания растений отсутствует необходимость в почве, так как растения получают питательные элементы через питательный раствор, а также для этого не требуется большого земельного участка, так как способ предполагает выращивание растений в гидропонных теплицах. Преимущества гидропоники на этом не заканчиваются - как и любой технологический процесс, в гидропонную систему можно внедрить систему автоматизации, что исключает необходимость постоянного присутствия человека, а также делает возможным непрерывную работу.
В зарубежных исследованиях на эту тему [1-7] всё чаще прибегают к использованию искусственных нейронных сетей для мониторинга процесса созревания, выявления патологий и болезней растений. Благодаря этому нет необходимости в постоянном присутствии человека на месте выращивания.
Система мониторинга состояния растений представляет собой камеру, установленную в теплице, для слежения за состоянием растений. Изображение с камеры подаётся на вход заранее обученной свёрточной нейронной сети и, если поставлена задача классификации, нейросеть предсказывает класс объекта на изображении или, если поставлена задача детекции, предсказывает класс объекта, а также координаты центра, высоту и ширину ограничивающей рамки. Требуется обучить свёрточную нейронную сеть распознавать и детектировать спелые плоды для дальнейшего сбора урожая.
Целью работы стало подбор и обучение моделей свёрточных нейронных сетей для решения задач детекции и классификации спелых и созревших плодов растений.
Поставлены следующие задачи:
• Изучение принципов работы искусственных нейронных сетей
• Изучение и освоение фреймворков и библиотек машинного обучения
• Поиск и создание данных для обучения нейронных сетей для решения задач классификации и детекции
• Обучение свёрточных нейронных сетей и их тестирование
В ходе проделанной работы были изучены принципы работы искусственных нейронных сетей. Для решения задачи классификации были подобраны две модели свёрточных нейронных сетей ResNet, а для решения задачи детекции - модель YOLO12. Из открытого источника данных Kaggle были взяты данные для обучения, для задачи детекции данные были размечены вручную. По итогу под имеются четыре модели классификации ResNet и одна модель детекции YOLO12. Модели показывают хорошие результаты работы на реальных изображениях. Модели также демонстрируют удовлетворительные результаты работы с видео.
Отталкиваясь от показателей метрик, были сделаны выводы о подходах к обучению свёрточных нейронных сетей. На основе полученных результатов решения задачи детекции также были сделаны выводы касательно методов обучения и подбора гиперпараметров. Полученный опыт позволит в дальнейшем построить хорошую модель, позволяющую автоматизировать процесс сбора урожая.
