С появлением устойчивых сортов и гибридов томатов овощеводы реже сталкиваются с болезнями томатов. Чтобы предотвратить потерю урожая, важно выявлять нездоровые листья томатов и отделять их от здоровых листьев. Раннее обнаружение болезней томатов с помощью глубокого обучения может помочь уменьшить неблагоприятные последствия болезней, а также помочь преодолеть недостатки постоянного мониторинга со стороны человека. В этом исследовании была изучена производительность современных архитектур классификации сверточных нейронных сетей, таких как ResNet18 со стандартным алгоритмом, а также с использованием параметров оптимизации и InceptionV3, на 11 000 изображениях листьев томатов для классификации болезней томатов. Точность обучения в Inception V3 составила 80,9%, а точность валидации - 71,8%. Обучение архитектуры ResNet с параметром momentum продемонстрировало высокий результат распознавания с точностью 97,7%. Результаты распознавания сравнивались с использованием параметра оптимизации со значениями 0,5, 0,7 и 0,9. Наблюдалось влияние параметра оптимизации на качество обучения. Можно сделать вывод, что использование оптимизатора импульса с более высоким значением дает наилучшие результаты за счет минимизации колебаний и повышения точности.
РАСПОЗНАВАНИЕ БОЛЕЗНЕЙ ПОМИДОРОВ НА ОСНОВЕ ОПТИМИЗИРОВАННЫХ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ
Опубликован September 2022
Аннотация
Язык
Eng
Ключевые слова
сельское хозяйство
распознавание томатов
выявление болезней
классификация
сверточные нейронные сети
Как цитировать
[1]
Zhassuzak, M., Ataniyazova, A., Buribayev, Z., Dauletiya, D. и Amirgaliyeva, Z. 2022. РАСПОЗНАВАНИЕ БОЛЕЗНЕЙ ПОМИДОРОВ НА ОСНОВЕ ОПТИМИЗИРОВАННЫХ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ. Вестник КазНПУ имени Абая, Серия «Физико-математические науки». 79, 3 (сен. 2022), 179–187. DOI:https://doi.org/10.51889/4399.2022.19.69.021.