Применение технологий компьютерного зрения для разработки модели распознавания поражений культурных растений
Автор: Янишевская Наталья Александровна, Болодурина Ирина Павловна
Рубрика: Информатика и вычислительная техника
Статья в выпуске: 3 т.21, 2021 года.
Бесплатный доступ
В Российской Федерации агропромышленный комплекс является одной из лидирующих отраслей экономики с объемом внутреннего валового продукта 4,5 %. России принадлежат 10 % всех пахотных земель мира. Согласно данным о посевных площадях по культурам в 2020 году, большую часть сельскохозяйственных площадей России занимает пшеница. Российская Федерация занимает третье место в рейтинге стран-лидеров по производству данного вида зерновых культур, а также лидирующие позиции по ее экспорту. Бурая (листовая) и линейная (стеблевая) ржавчина - наиболее вредоносная болезнь зерновых культур. Она является причиной изреженности посевов пшеницы и приводит к резкому снижению урожайности. Поэтому одной из главных задач аграриев является сохранение урожая от заболеваний. Помочь справиться с этой задачей способно применение таких областей искусственного интеллекта, как компьютерное зрение, машинное обучение и глубокое обучение. Данные технологии искусственного интеллекта позволяют успешно решать прикладные задачи агропромышленного комплекса при помощи автоматизированного анализа фотоматериалов. Цель исследования. Рассмотреть применение методов компьютерного зрения для задачи классификации поражений культурных растений на примере пшеницы. Материалы и методы. Набор данных CGIAR Computer Vision for Crop Disease для задачи распознавания поражений культурных растений взят из открытого источника Kaggle. Предлагается использовать подход к распознаванию поражений культурных растений с использованием известных нейросетевых моделей ResNet50, DenseNet169, VGG16 и EfficientNet-B0. На вход нейросетевым моделям поступают изображения пшеницы. Выходом нейронных сетей является класс поражения растения. Для преодоления эффекта переобучения нейронных сетей исследуются различные техники регуляризации. Результаты. Приводятся результаты качества классификации, оцениваемые с использованием метрики F1-score, являющейся среднегармоническим между мерами Precision и Recall. Заключение. В результате проведенного исследования установлено, что наилучшую точность распознавания показала модель DenseNet c применением комбинации технологии трансферного обучения и технологий регуляризации DropOut и L2 для преодоления эффекта переобучения. Применение данного подхода позволило достичь точности распознавания 91 %.
Многоклассовая классификация, нейронные сети, технологии регуляризации, переобучение, поражение культурных растений
Короткий адрес: https://sciup.org/147235274
IDR: 147235274 | УДК: 004.93 | DOI: 10.14529/ctcr210301
Application of computer vision technologies for the development of a model for the recognition of lesions of cultivated plants
In the Russian Federation, the agro-industrial complex is one of the leading sectors of the economy with a volume of domestic product of 4.5%. Russia owns 10 % of all arable land in the world. According to the data on the sown areas by crops in 2020, most of the agricultural area of Russia is occupied by wheat. The Russian Federation ranks third in the ranking of leading countries in the production of this type of grain crops, as well as leading positions in its export. Brown (leaf) and linear (stem) rust is the most harmful disease of grain crops. It is the reason for the sparseness of wheat crops and leads to a sharp decrease in yield. Therefore, one of the main tasks of farmers is to preserve the crop from diseases. The application of such areas of artificial intelligence as computer vision, machine learning and deep learning is able to cope with this task. These artificial intelligence technologies allow us to successfully solve applied problems of the agro-industrial complex using automated analysis of photographic materials. Aim. To consider the application of computer vision methods for the problem of classification of lesions of cultivated plants on the example of wheat. Materials and methods. The CGIAR Computer Vision for Crop Disease dataset for the crop disease recognition task is taken from the open source Kaggle. It is proposed to use an approach to the recognition of lesions of cultivated plants using the well-known neural network models ResNet50, DenseNet169, VGG16 and EfficientNet-B0. Neural network models receive images of wheat as input. The output of neural networks is the class of plant damage. To overcome the effect of overfitting neural networks, various regularization techniques are investigated. Results. The results of the classification quality, estimated by the software using the F1-score metric, which is the average harmonic between the Precision and Recall measures, are presented. Conclusion. As a result of the conducted research, it was found that the DenseNet model showed the best recognition accuracy using a combination of transfer learning technology and DropOut and L2 regulation technologies to overcome the effect of retraining. The use of this approach allowed us to achieve a recognition accuracy of 91%.
Список литературы Применение технологий компьютерного зрения для разработки модели распознавания поражений культурных растений
- Kuricheti G., Supriya P. Computer Vision Based Turmeric Leaf Disease Detection and Classification: A Step to Smart Agriculture. 3rd International Conference on Trends in Electronics and Informatics (ICOEI), 2019, pp. 545-549. DOI: 10.1109/ICOEI.2019.8862706
- Md. Jahid Hasan, Shamim Mahbub, Md. Shahin Alom, Md. Abu Nasim. Rice Disease Identification and Classification by Integrating Support Vector Machine with Deep Convolutional Neural Network. 1st International Conference on Advances in Science, Engineering and Robotics Technology (ICASERT 2019), 2019, pp. 1-6. DOI: 10.1109/ICASERT.2019.8934568
- Huang Z.-K., He C.-Q., Wang Z.-N., Xi J.-M., Huan W., Hou L.-Y. Cinnamomum Camphora Classification Based on Leaf Image Using Transfer Learning. IEEE 4th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), 2019, pp. 1426-1429. DOI: 10.1109/IAEAC47372.2019.8997791
- Pallagani V., Khandelwal V., Chandra B., Udutalapally V., Das D., Mohanty S. dCrop: A Deep-Learning Based Framework for Accurate Prediction of Diseases of Crops in Smart Agriculture. IEEE International Symposium on Smart Electronic Systems (iSES) (Formerly iNiS), 2019, pp. 29-33. DOI: 10.1109/iSES47678.2019.00020
- Md. Arifur Rahman, Md. Mukitul Islam, G.M. Shahir Mahdee, Md. Wasi Ul Kabir. Improved Segmentation Approach for Plant Disease Detection. 2019 1st International Conference on Advances in Science, Engineering and Robotics Technology (ICASERT), 2019, pp. 1-5. DOI: 10.1109/ICASERT.2019.8934895
- Kumar V., Arora H., Harsh, Sisodia J. ResNet-based approach for Detection and Classification of Plant Leaf Diseases. In Proc. of the International Conference on Electronics and Sustainable Communication Systems (ICESC 2020), 2020, pp. 495-502. DOI: 10.1109/ICESC48915.2020.9155585
- Militante S., Gerardo B., Medina R. Sugarcane Disease Recognition using Deep Learning. IEEE Eurasia Conference on IOT, Communication and Engineering (ECICE), 2019, pp. 575-578. DOI: 10.1109/ECICE47484.2019.8942690
- Kaggle Inc. CGIAR Computer Vision for Crop Disease. Available at: https://www.kaggle.com/ shadabhussain/cgiar-computer-vision-for-crop-disease (accessed 24.12.2020).
- Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition. CoRR, 2015, vol. 1409.1556, pp. 1-14.
- He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770-778. DOI: 10.1109/CVPR.2016.90
- Huang G., Liu Zh., van der Maaten L., Weinberger K. Densely Connected Convolutional Networks. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 22612269. DOI: 10.1109/CVPR.2017.243
- Tan M., Le Q. EfficientNet-B0: Rethinking Model Scaling for Convolutional Neural Networks. ArXiv, 2019, vol. 1905.11946.
- Valverde J., Imani V., Abdollahzadeh A., De Feo R., Prakash M., Ciszek R., Tohka J. Transfer Learning in Magnetic Resonance Brain Imaging: A Systematic Review. Journal of Imaging, 2021, vol. 7, no. 66, pp. 1-21. DOI: 10.3390/jimaging7040066
- Zhuang F., Qi Zh., Duan K., Xi D., Zhu Y., Zhu H., Xiong H., He Q. A Comprehensive Survey on Transfer Learning. Proceedings of the IEEE, 2020, pp. 1-34. DOI: 10.1109/JPROC.2020.3004555
- Xue Ying. An Overview of Overfitting and its Solutions. Journal of Physics: Conference Series, 2019, vol. 1168, pp. 1-7. DOI: 10.1088/1742-6596/1168/2/022022
