Применение сиамских нейронных сетей для классификации биомассы растений по визуальному состоянию
Автор: Смирнов А.В., Тищенко И.П.
Журнал: Программные системы: теория и приложения @programmnye-sistemy
Рубрика: Искусственный интеллект и машинное обучение
Статья в выпуске: 3 (62) т.15, 2024 года.
Бесплатный доступ
В настоящей статье предложен метод классификации биомассы растений по визуальному состоянию с использованием изображений, снятых в специально сконструированной теплице, и технологий искусственных нейронных сетей Сиамской архитектуры. Определены критерии различных состояний биомассы растений. Сформирован собственный набор данных для обучения Сиамских нейронных сетей, содержащий в себе образцы состояний биомассы в форме текстур. В результате была получена точность при обучении в 91.6% и средняя точность классификации отдельных состояний биомассы в 73.6%.
Сиамские нейронные сети, набор данных, биомасса растений, классификация
Короткий адрес: https://sciup.org/143183468
IDR: 143183468 | DOI: 10.25209/2079-3316-2024-15-3-53-74
Список литературы Применение сиамских нейронных сетей для классификации биомассы растений по визуальному состоянию
- G. E. C. Gall, T. D. Pereira, A. Jordan, Y. Meroz. “Fast estimation of plant growth dynamics using deep neural networks”, Plant Methods, 18 (2022), id. 21, 11 pp. https://doi.org/10.1186/s13007-022-00851-9
- M. Taewon, C. Woo-Joo, J. Se-Hun, C. Da-Seul, O. Myung-Min. “Growth analysis of plant factory-grown lettuce by deep neural networks based on automated feature extraction”, Horticulturae, 8:12 (2022), id. 1124, 9 pp. https://doi.org/10.3390/horticulturae8121124
- P. Savitha, S. Mungamuri. “Accurate plant species analysis for plant classification using convolutional neural network architecture”, International Journal of Reconfigurable and Embedded Systems (IJRES), 13:1 (2024), pp. 160–170. https://doi.org/10.11591/ijres.v13
- T. N. Quoc, V. T. Hoang. “VNPlant-200 — A public and large-scale of Vietnamese medicinal plant images dataset”, Integrated Science in Digital Age 2020, ICIS 2020, Lecture Notes in Networks and Systems, vol. 136, Springer, Cham, 2020, ISBN 978-3-030-49263-2, pp. 406–411. https://doi.org/10.1007/978-3-030-49264-9_37
- D. S. Joseph, P. M. Pawar, R. Pramanik. “Intelligent plant disease diagnosis using convolutional neural network: a review”, Multimedia Tools and Applications, 82:14 (2023), pp. 21415–21481. https://doi.org/10.1007/s11042-022-14004-6
- M. Khanna, L. K. Singh, S. Thawkar, M. Goyal. “PlaNet: a robust deep convolutional neural network model for plant leaves disease recognition”, Multimedia Tools and Applications, 83:2 (2024), pp. 4465–4517. https://doi.org/10.1007/s11042-023-15809-9
- M. Faisal, J. S. Leu, C. Avian, S. W. Prakosa, M. Köppen. “DFNet: Dense fusion convolution neural network for plant leaf disease classification”, Agronomy Journal, 116:3 (2024), pp. 826–838. https://doi.org/10.1002/agj2.21341
- O. Åström, H. Hedlund, A. Sopasakis. “Machine-learning approach to non-destructive biomass and relative growth rate estimation in aeroponic cultivation”, Agriculture, 13:4 (2023), id. 801, 13 pp. https://doi.org/10.3390/agriculture13040801
- B. Wang, D. Wang. “Plant leaves classification: a few-shot learning method based on Siamese network”, IEEE Access, 7 (2019), pp. 151754–151763. https://doi.org/10.1109/ACCESS.2019.2947510
- G. Figueroa-Mata, E. Mata-Montero. “Using a convolutional Siamese network for image-based plant species identification with small datasets”, Biomimetics, 5:1 (2020), id. 8, 17 pp. https://doi.org/10.3390/biomimetics5010008
- P. Goncharov, A. Uzhinskiy, G. Ososkov, A. Nechaevskiy, J. Zudikhina. “Deep Siamese networks for plant disease detection”, Mathematical Modeling and Computational Physics 2019 (MMCP 2019), EPJ Web Conf., 226 (2020), id. 03010, 4 pp. https://doi.org/10.1051/epjconf/202022603010
- K. K. Sherly, A. Sonia. “Hybrid CNN models for plant species recognition and disease detection”, Intelligent Computing, Lecture Notes in Networks and Systems, vol. 1016, Springer, Cham, 2024, ISBN 978-3-031-62280-9, pp. 35–50. https://doi.org/10.1007/978-3-031-62281-6_3
- J. Du, W. Fu, Y. Zhang, Z. Wang. “Advancements in image recognition: a Siamese network approach”, Information Dynamics and Applications, 3:2 (2024), pp. 89–103. https://doi.org/10.56578/ida030202
- J. Bromley, I. Guyon, Y. LeCun, E. Säckinger, R. Shah. “Signature verification using a "Siamese" time delay neural network”, International Journal of Pattern Recognition and Artificial Intelligence, 07:04, pp. 669–688. https://doi.org/10.1142/S0218001493000339
- A. V. Smirnov, E. S. Ivanov. “Analysis of images of a plant obtained from a camera of an automated care system to visually assess the change in its state over time”, Program Systems: Theory and Applications, 14:3(58) (2023), pp. 37–58 (In Russian). https://doi.org/10.2520Uh9t/Rt2pL0s7:/9/-3p3s1ta6.-p2s0i2r3a-s1.r4u-3/-r3e7a-d5/
Статья научная
