Распознавание болезней риса с помощью современных методов компьютерного зрения

 Актуальность. Сегодня при борьбе с болезнями риса, по-прежнему, широко практикуется прием равномерного опрыскивания всего поля либо в качестве превентивной меры, либо при обнаружении каких-либо симптомов заболеваний. При этом зачастую болезни на ранних стадиях идентифицируются неверно и комплекс препаратов подбирается некорректно. В статье исследуются возможность детекции и классификации некоторых грибных  болезней риса по фотографии с помощью машинного обучения. Рассмотрены две болезни: пирикуляриоз и группа болезней – бурая пятнистость.

Методика. Основной идеей, стоящей за сверточными нейронными сетями, является попытка приблизить работу сети к механизму работы зрения человека. Для определения наличия на изображении того или иного заболевания используются современные методы компьютерного зрения, 
основанные на сверточных нейронных сетях. Сбор датасета нужно в первую очередь ориентировать на конечного пользователя модели. Но даже следя за качеством и условиями съемки как при сборе данных, так и при использовании обученной модели, может возникнуть ряд проблем принципиального характера, могущих существенно ухудшить качество модели. Среди них: недостаточный объем выборки; естественная инвариантность предсказаний относительно поворотов/отражений изображения; неустойчивость предсказаний, когда даже незначительный шум может изменить результат; эффект переобучения, когда качество предсказаний на новых изображениях оказывается значительно ниже, чем на обучающих. Проводится сравнение четырех наиболее успешных и компактных архитектур сверточных нейросетей: GoogleNet, ResNet-18, SqueezeNet-1.0 и DenseNet-121. Показано, что в  используемом для анализа наборе данных болезнь можно выявить с точностью не ниже 95%.

Результаты. Полученные результаты могут быть  использованы для автоматического распознавания грибных заболеваний риса и принятия решения о проведении защитных мероприятий, которое можно было бы осуществить с минимальными трудовыми и временными затратами. 

1. Лукьянова И. В. Сортовые особенности устойчивости стеблей риса к полеганию с учетом их физико-механических свойств: автореф. дис… канд. биол. наук / И. В. Лукьянова. – Краснодар: КубГАУ, 2000. – 24 с.

2. Barbedo, J.G.A. A review on the main challenges in automatic plant disease identification based on visible range images // Bio systems Engineering, 144, pp. 52–60. 2016

3. Vimal K. Shrivastava, Monoj K. Pradhan, Sonajharia Minz, Mahesh P. Thakur. Rice plant disease classification using transfer learning of deep convolutional neural network // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLII-3/W6, New Delhi, India. 2019.

4. Jitesh P. Shah, Harshadkumar B. Prajapati, Vipul K. Dabhi. A survey on detection and classification of rice plant diseases // In current trends in Advanced Computing (ICCTAC), IEEE International Conference, pp. 1–8. 2016.

5. Pantazi, X.E., Tamouridou, A.A., Alexandridis, T.K., Lagopodi, A.L., Kontouris, G., Moshou, D. Detection of Silybum marianum infection with Microbotryum silybum using VNIR field spectroscopy // Comput. Electron. Agric., 137, 130–137. 2017.

6. Sanyal, P., Patel, S.C. Pattern recognition method to detect two diseases in rice plants // The Imaging Science Journal, 56, pp. 319-325. 2008.

7. Joshi, A.A., Jadhav, B.D. Monitoring and controlling rice diseases using image processing techniques. International Conference on Computing, Analytics and Security Trends (CAST), pp. 471–476. 2016.

8. Bidaux J.M. Screening for horizontal resistance to rice blast (Pyricularia oryzae) in Africa // In: Buddenhagen I.W., Persley G.J. (Eds.). Rice in Africa. London: Acad. Press, pp.159–174. 1978.

9. Методические указания по диагностике, учету и оценке вредоносности пирикуляриоза риса // ВНИИФ / Отв. ред. Кирюхина Р. И. М.: ВАСХНИЛ, 1988. – 40 С.

10. Aneja, K.R. Experiments in Microbiology Plant Pathology and Biotechnology // 4th edn New Age International Publishers, New Delhi. 2005.

11. Jena K.K., Moon H.P., Mackill D.J. Marker assisted selection – a new paradigm in plant breeding // Korean J. Breed., V.35. P. 133–140. 2003.

12. Мухина Ж. М. Создание внутригенных молекулярных маркеров риса для повышения эффективности селекционного и семеноводческого процессов / Ж. М. Мухина, С. В. Токмаков, Ю. А. Мягких, Е. В. Дубина // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) [Электронный ресурс]. – Краснодар: КубГАУ, 2011. – № 03 (67).

13. – Шифр Информрегистра: 0421100012115 – Режим доступа: http://ej.kubagro.ru/2011/03/pdf/19.pdf.

14. Huy Do Rice Diseases Image Dataset: An image dataset for rice and its diseases from: https://www.kaggle.com/minhhuy2810/rice-diseases-image-dataset. 2019.