ИДЕНТИФИКАЦИЯ БОЛЕЗНЕЙ ТОМАТОВ НА ОСНОВЕ МНОГОКЛАССОВОЙ КЛАССИФИКАЦИИ
Ключевые слова:
CNN, машинное обучение, компьютерное зрение, эксперимент, классификация изображений.Аннотация
Томаты – одна из самых потребляемых культур в мире. Томаты различаются по качеству в зависимости от того, как они выращиваются и удобряются, таким образом, качественная урожайность играет ключевую роль и является конечной целью любого фермера. Но томаты, как и все растения, имеют множество болезней, которые влияют на их урожайность. Болезнь листьев является основным фактором, влияющим на количество и качество урожая. Поэтому крайне важны ранняя диагностика и классификация болезней томатов, которые уменьшат заболеваемость и повысят урожайность томатов.
В статье предлагается решение актуальной проблемы точного выявления болезней томатов на ранних стадиях для дальнейшего информирования фермеров. Развитие новых технологий, алгоритмов и методов машинного и глубокого обучения позволяет автоматизировать решение подобных задач. Одним из мощных и современных подходов являются сверточные нейронные сети(CNN) для эффективного определения и классификации болезней томатов. В вычислительном эксперименте использовался набор данных среды Google Colab, содержащий 16484 изображения листьев томатов, выделены девять классов больных листьев, пораженных различными заболеваниями, и один класс здоровых листьев. Для классификации болезней томатов построены нейронные сети. Точность модели, обученной на протяжении 30 эпох, дала результат в 91,26%, а на тестовых данных точность достигала до 80%.
Библиографические ссылки
Schreinemachers P., Simmons E.B., Wopereis M.C. Tapping the economic and nutritional power of vegetables. Glob. Food Secur.2018;16:36–45. doi: 10.1016/j.gfs.2017.09.005. [CrossRef] [Google Scholar]
Stilwell M. The global tomato online news processing in 2018. [(accessed on 15 November 2021)]. Available online: https://www.tomatonews.com/
Hasan M., Tanawala B., Patel K.J. Deep learning precision farming: Tomato leaf disease detection by transfer learning; In Proceeding of the 2nd International Conference on Advanced Computing and Software Engineering (ICACSE); Sultanpur, Inida. 8–9 February 2019. [Google Scholar]
Adhikari S., Shrestha B., Baiju B., Kumar S. Tomato plant diseases detection system using image processing; Proceedings of the 1st KEC Conference on Engineering and Technology; Laliitpur, Nepal. 27 September 2018; pp. 81–86. [Google Scholar]
Sabrol H., Satish K. Tomato plant disease classification in digital images using classification tree; Proceedings of the International Conference on Communication and Signal Processing (ICCSP); Melmaruvathur, India. 6–8 April 2016; pp. 1242–1246. [Google Scholar]
Salih T.A. Deep Learning Convolution Neural Network to Detect and Classify Tomato Plant Leaf Diseases. Open Access Libr. J.2020;7:12. doi: 10.4236/oalib.1106296. [CrossRef] [Google Scholar]
Ishak S., Rahiman M.H., Kanafiah S.N., Saad H. Leaf disease classification using artificial neural network. J. Teknol.2015;77:109–114. doi: 10.11113/jt.v77.6463. [CrossRef] [Google Scholar]
Rangarajan A.K., Purushothaman R., Ramesh A. Tomato crop disease classification using pre-trained deep learning algorithm. Procedia Comput. Sci. 2018;133:1040–1047. doi: 10.1016/j.procs.2018.07.070. [CrossRef] [Google Scholar]
Coulibaly S., Kamsu-Foguem B., Kamissoko D., Traore D. Deep neural networks with transfer learning in millet crop images. Comput. Ind. 2019;108:115–120. doi: 10.1016/j.compind.2019.02.003. [CrossRef] [Google Scholar]
Sangeetha R., Rani M. Tomato Leaf Disease Prediction Using Transfer Learning; Proceedings of the International Advanced Computing Conference 2020; Panaji, India. 5–6 December 2020. [Google Scholar]
Mortazi A., Bagci U. Automatically designing CNN architectures for medical image segmentation; Proceedings of the International Workshop on Machine Learning in Medical Imaging; Granada, Spain. 16 September 2018; pp. 98–106. [Google Scholar]
Jiang D., Li F., Yang Y., Yu S. A tomato leaf diseases classification method based on deep learning; Proceedings of the Chinese Control and Decision Conference (CCDC); Hefei, China. 22–24 August 2020; pp. 1446–1450. [Google Scholar]
Agarwal M., Gupta S.K., Biswas K.K. Development of Efficient CNN model for Tomato crop disease identification. Sustain. Comput. Inform. Syst. 2020;28:100407–100421. doi: 10.1016/j.suscom.2020.100407. [CrossRef] [Google Scholar]
Верзунов, С. Н. Диагностика различных видов пневмонии по рентгеновским снимкам грудной клетки / С. Н. Верзунов // Проблемы автоматики и управления. – 2022. – № 1(43). – С. 84–94.
Загрузки
Опубликован
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2022 Б.Р. Сабитов, Н.С. Сейтказиева, А.Дж. Картанова
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
