Научный архив: статьи

Возможность своевременно отличать заболевшие сельскохозяйственные культуры от здоровых играет реша­ющую роль в обеспечении продовольственной безопасности и минимизации экономических потерь. Машинное зрение в сочетании с алгоритмами глубокого обучения позволяет эффективно и точно отслеживать состояние посадок картофеля, выявляя симптомы заболеваний, что является более продуктивным подходом по сравнению с традиционными методами визуальной оценки. (Цель исследования) Сравнительный анализ одноэтапного и двухэтапного подходов к распознаванию заболевших и здоровых растений картофеля на основе алгоритмов глубокого обучения. (Материалы и методы) В исследовании использовали два подхода к процессу обучения нейронной сети с целью распознаванию заболевших и здоровых растений картофеля: одноэтапный и двухэтапный. В рамках одноэтапного подхода применялся один алгоритм глубокого обучения для одновременной классификации и локализации растений. Двухэтапный подход включал использование двух алгоритмов: первый определял границы растений, а второй классифицировал их как здоровые или заболевшие. С целью обучения алгоритмов использовались различные базы данных, включая снимки листьев и кустов картофеля. (Результаты и обсуждение) Проведен сравнительный анализ эффективности одноэтапного и двухэтапного подходов к распознаванию заболевших растений картофеля с использованием алгоритмов глубокого обучения. По каждому методу обучения было определено общее среднеквадратичное отклонение и среднеквадратичное отклонение для координат, построены матрицы запутанности. (Выводы) Двухэтапный подход продемонстрировал высокую эффективность в дифференциации больных и здоровых кустов картофеля, несмотря на небольшое снижение точности определения координат по сравнению с методом двухэтапного обучения, где использовались снимки как отдельных листьев, так и растений в целом. Данные методы имеют уникальные преимущества и могут быть интегрированы с современными технологиями для более эффективного выявления фитопатологий.