Использование нейронной сети для выявления больных растений картофеля

Актуальность. Для получения высококачественного семенного материала семеноводческие хозяйства должны уделять большое внимание технологиям возделывания культуры. При этом важную роль играет выполнение такого селекционного мероприятия, как фитопрочистка селекционных и семенных делянок с целью выявления и устранения зараженных растений. Однако стоит отметить тот факт, что для осуществления подобного мероприятия требуется наличие высококвалифицированных специалистов, способных выявлять заболевания растений на ранних стадиях. Однако в настоящее время в сельском хозяйстве наблюдается дефицит подобных сотрудников, в связи с чем актуальной задачей является разработка инновационных цифровых технологий, направленных на выявления зараженных растений. В настоящее время активно развиваются технологии машинного зрения и нейронных сетей, предназначенные для решения подобных задач.
Методы. В рамках исследований были проанализированы существующие технологии машинного зрения, а также разработанные технологии машинного обучения. Затем по результатам проведенного анализа был разработан программный комплекс на основе сверточной нейронной сети. В ходе обучения и тестирования нейронной сети использовались технологии кадрирования, методы аффинного преобразования, информационно-логического анализа исходной информации.
Результаты. Для определения качества работы программного комплекса по выявлению заболевших растений картофеля была проведена серия испытаний. В ходе исследований оценивалось, с какой точностью производилось распределение растений в ту или иную группу. Анализ полученных результатов показал, что выбранная конструкция нейронной сети успешно справилась с поставленной экспериментальной задачей. При этом для дальнейшего развития данного направления необходимо создать обширную информационную базу по заболеваниям картофеля, что позволит в перспективе разработать программно-аппаратный комплекс по анализу посадок картофеля и выявлению зараженных растений в режиме реального времени.

1. Зейрук В.Н., Васильева С.В., Новикова И.И., Белякова Н.А., Деревягина М.К., Белов Г.Л. Перспективы развития экологических приемов защиты картофеля от болезней и вредителей. Аграрная наука. 2019;3:54-59

2. Старовойтова О. А., Жевора С. В., Старовойтов В. И. [и др.] Конкурентоспособные технологии семеноводства, производства и хранения картофеля. — Москва: Российский научно-исследовательский институт информации и технико-экономических исследований по инженерно-техническому обеспечению агропромышленного комплекса, 2018. — 236 с. — ISBN 978-5-7367-1433-9

3. Передовые методы диагностики патогенов картофеля / С. В. Жевора, В. Н. Зейрук, Г. Л. Белов [и др.]. — Москва: Российский научно-исследовательский институт информации и технико-экономических исследований по инженерно-техническому обеспечению агропромышленного комплекса, 2019. — 92 с. — ISBN 978-5-7367-1504-6

4. Islam M. et al. Detection of potato diseases using image segmentation and multiclass support vector machine //2017 IEEE 30th canadian conference on electrical and computer engineering (CCECE). — IEEE, 2017. — С. 1-4

5. Wang H. et al. Image recognition of plant diseases based on backpropa-gation networks //2012 5th International Congress on Image and Signal Pro-cessing. — IEEE, 2012. — С. 894-900

6. Liu B. et al. Identification of apple leaf diseases based on deep convolu-tional neural networks //Symmetry. — 2018. — Т. 10. — №. 1. — С. 11.

7. Qin F. et al. Identification of alfalfa leaf diseases using image recognition technology //PLoS One. — 2016. — Т. 11. — №. 12. — С. e0168274.

8. Cruz A. C. et al. X-FIDO: An effective application for detecting olive quick decline syndrome with deep learning and data fusion //Frontiers in plant science. — 2017. — Т. 8. — С. 1741.

9. Anand R., Veni S., Aravinth J. An application of image processing tech-niques for detection of diseases on brinjal leaves using k-means clustering method //2016 international conference on recent trends in information tech-nology (ICRTIT). — IEEE, 2016. — С. 1-6.

10. Johannes A. et al. Automatic plant disease diagnosis using mobile capture devices, applied on a wheat use case //Computers and electronics in agriculture. — 2017. — Т. 138. — С. 200-209.

11. Krithika N., Selvarani A. G. An individual grape leaf disease identification using leaf skeletons and KNN classification //2017 International Conference on Innovations in Information, Embedded and Communication Systems (ICIIECS). — IEEE, 2017. — С. 1-5.

12. Es-saady Y. et al. Automatic recognition of plant leaves diseases based on serial combination of two SVM classifiers //2016 International Conference on Electrical and Information Technologies (ICEIT). — IEEE, 2016. — С. 561-566

13. Rothe P. R., Kshirsagar R. V. Automated extraction of digital images features of three kinds of cotton leaf diseases //2014 International Conference on Electronics, Communication and Computational Engineering (ICECCE). — IEEE, 2014. — С. 67-71.

14. Padol P. B., Sawant S. D. Fusion classification technique used to detect downy and Powdery Mildew grape leaf diseases //2016 International Conference on Global Trends in Signal Processing, Information Computing and Communication (ICGTSPICC). — IEEE, 2016. — С. 298-301.

15. Fuentes A. et al. A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition //Sensors. — 2017. — Т. 17. — №. 9. — С. 2022.

16. Barbedo J. G. A. Factors influencing the use of deep learning for plant disease recognition //Biosystems engineering. — 2018. — Т. 172. — С. 84-91.

17. Barbedo J. G. A. Plant disease identification from individual lesions and spots using deep learning //Biosystems Engineering. — 2019. — Т. 180. — С. 96-107.

18. Nachtigall L. G., Araujo R. M., Nachtigall G. R. Classification of apple tree disorders using convolutional neural networks //2016 IEEE 28th International Conference on Tools with Artificial Intelligence (ICTAI). — IEEE, 2016. — С. 472-476.

19. Liu B. et al. Identification of apple leaf diseases based on deep convolutional neural networks //Symmetry. — 2018. — Т. 10. — №. 1. — С. 11

20. Cruz A. C. et al. X-FIDO: An effective application for detecting olive quick decline syndrome with deep learning and data fusion // Frontiers in plant science. — 2017. — Т. 8. — С. 1741.

21. Dhakal A., Shakya S. Image-based plant disease detection with deep learning //International Journal of Computer Trends and Technology. — 2018. — Т. 61. — №. 1. — С. 26-29.