Применение методов доменной адаптации в задаче классификации растений по изображениям их листьев
Автор: Резвая Екатерина Петровна, Гончаров Павел Владимирович, Ососков Геннадий Алексеевич
Журнал: Сетевое научное издание «Системный анализ в науке и образовании» @journal-sanse
Статья в выпуске: 2, 2020 года.
Бесплатный доступ
Потери урожая из-за болезней растений являются серьезной проблемой для сельского хозяйства и экономики. В ЛИТ ОИЯИ была разработана платформа для определения болезней растений (PDDP). В PDDP для решения проблемы распознавания болезней растений по фотографиям их листьев успешно используются методы глубокого обучения. Такие методы требуют большой обучающей выборки. В то же время существует ряд методов, используемых для решения задач классификации в случае малой обучающей выборки. К таким методам относятся методы доменной адаптации. В работе проведено сравнение трех методов: Domain-Adversarial Training of Neural Networks (DANN), двухэтапный перенос обучения и Unsupervised Domain Adaptation with Deep Metric Learning (M-ADDA). M-ADDA позволил достигнуть точности классификации 92%. Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 18- 07-00829.
Классификация болезней растений, глубокое обучение, доменная адаптация, искусственные нейронные сети
Короткий адрес: https://sciup.org/14123315
IDR: 14123315 | УДК: 004.89
Using deep domain adaptation for image-based plant disease detection
Crop losses due to plant diseases is a serious problem for the farming sector of agriculture and the economy. Therefore, a multi-functional Plant Disease Detection Platform (PDDP) was developed in the LIT JINR. Deep learning techniques are successfully used in PDDP to solve the problem of recognizing plant diseases from photographs of their leaves. However, such methods require a large training dataset. At the same time, there are number of methods used to solve classification problems in cases of a small training dataset, as for example, domain adaptation (DA) methods. In this paper, a comparative study of three DA methods is performed: Domain-Adversarial Training of Neural Networks (DANN), two-steps transfer learning and Unsupervised Domain Adaptation with Deep Metric Learning (M-ADDA). The advantage of the M-ADDA method was shown, which allowed to achieve 92% of classification accuracy. The reported study was funded by RFBR according to the research project № 18-07-00829.
Список литературы Применение методов доменной адаптации в задаче классификации растений по изображениям их листьев
- Потеря урожая // Справочник «Экология». — 2019. — [Электронный ресурс]. URL: https://ru-ecology.info/term/9058/.
- Платформа для определения болезней растений // ЛИТ ОИЯИ. — 2019. — [Электронный ресурс]. URL: http://pdd.jinr.ru/.
- Uzhinskiy A. et al. Multifunctional Platform and Mobile Application for Plant Disease Detection / A. Uzhinskiy, G. Ososkov, P. Goncharov, A.Nechaevskiy //Proceedings of the 27th Symposium on Nuclear Electronics and Computing (NEC 2019), Budva, Montenegro. — 2019. — Vol. 2507. — P. 110-114.
- Приложение для определения болезней растений // Plantix. — 2019. — [Электронный ресурс]. URL: https://plantix.net/en/.
- Goncharov P. et al. Deep Siamese Networks for Plant Disease Detection / Pavel Goncharov, Alexander Uzhinskiy, Gennady Ososkov, Andrey Nechaevskiy and Julia Zudikhina // EPJ Web of Conferences. — EPJ Sciences, 2020. — Vol. 226. — P. 03010.
- One Model To Learn Them All // Cornell University. — 2019. — [Электронный ресурс]. URL: https://arxiv.org/pdf/1707.00600.pdf.
- Rice Leaf Diseases Classification Using CNN With Transfer Learning. — [Электронный ресурс]. URL: https://ieeexplore.ieee.org/abstract/document/9106423.
- Dataset of diseased plant leaf images and corresponding labels. — [Электронный ресурс]. URL: https://github.com/spMohanty/PlantVillage-Dataset.
- Николенко С., Кадурин А., Архангельская Е. Глубокое обучение // Спб.: Питер, 2018. — С. 480.
- ImageNet. — [Электронный ресурс]. URL: http://www.image-net.org/.
- Сметанин А. А., Гончаров П. В., Ососков Г. А. Выбор методов глубокого обучения для решения задачи распознавания болезней растений в условиях малой обучающей выборки // Системный анализ в науке и образовании: сетевое научное издание. №1. — Дубна, 2020. — №1. — [Электронный ресурс]. URL: http://www.sanse.ru/archive/55.
- Обзор основных методов Deep Domain Adaptation (Часть 1) // Блог компании Mail.ru Group. — 2018. — [Электронный ресурс]. URL: https://habr.com/ru/company/mailru/blog/426803/.
- Batch Normalization для ускорения обучения нейронных сетей. — [Электронный ресурс]. URL: https://habr.com/ru/post/309302/.
- Функции активации нейросети. — [Электронный ресурс]. URL: https://neurohive.io/ru/osnovy-data-science/activation-functions/.
- PyTorch optim. — [Электронный ресурс]. URL: https://pytorch.org/docs/stable/optim.html.
- Florian Schroff, Dmitry Kalenichenko, James Philbin // FaceNet: A Unified Embedding for Face Recognition and Clustering. — [Электронный ресурс]. URL: https://arxiv.org/pdf/1503.03832.pdf.
- Открытая программная библиотека для машинного обучения TensorFlow. — [Электронный ресурс]. URL: https://www.tensorflow.org/.
- Репозиторий GitHub. — [Электронный ресурс]. URL: https://github.com/rezvaya/.
