Алейников Александр Ф., главный научный сотрудник, доктор технических наук, профессор; профессор кафедры
Россия, 630501, Новосибирская область, р.п. Краснообск, а/я 463
Alexander F. Aleynikov, Head Researcher, Doctor of Science in Engineering, Professor; Chair Professor
PO Box 463, Krasnoobsk, Novosibirsk Region, 630501, Russia
Фуст Алина А., магистрант кафедры
Alina A. Fust, Master's Degree Student
Одним из способов восполнения в организме антиоксидантов является добавление в рацион питания человека доли ягодных культур, богатых антиокислительными соединениями. Земляника садовая – самая выращиваемая и потребляемая ягодная культура в мире. Сдерживающие факторы увеличения ее производства – существенное поражение возделываемых сортов широким спектром болезней, основными возбудителями которых являются грибы. Доступных для производителей этой ягодной культуры технических средств диагностики болезней в Российской Федерации не производят. Цель данного исследования – разработать для широкого круга аграриев рациональный метод оценки нескольких биотических стрессов земляники садовой. Среди современных наземных методов диагностики предпочтение отдано методу компьютерного зрения, способному обнаруживать наличие у растения трех грибов – возбудителей белой пятнистости (Ramularia Tulasnei Sacc.), бурой пятнистости (Marssonina potentillae Desm.) и угловатой пятнистости (Dendrophoma obscurans). С применением глубокого обучения с помощью сверточных нейронных сетей (CNN) этот метод может быть реализован в виде приложения к смартфону или другим гаджетам, популярных среди большинства населения. Для глубокого обучения выбраны наиболее распространенные модели CNN. Из сети Интернет вещей (IoT) сформирован набор данных из 2671 изображения, которые были разделены на четыре класса: белая пятнистость (544 шт.), бурая пятнистость (1109), угловатая пятнистость (392), непораженные листья (626 шт.). Набор данных разделен на обучающую выборку (70%), валидационную (10%) и тестовую (20%). При проведении глубокого обучения и операций улучшения моделей нейронных сетей модель нейронной сети MobileNetV2 показала лучшие метрики: значения точности (Accuracy) классификации – 0,99; F-меры – от 0,94 до 1,00.
One of the ways to replenish antioxidants in the body is to add a share of berry crops rich in antioxidant compounds to the human diet. Garden strawberries are the most grown and consumed berry crop in the world. The restraining factors for increasing the production of garden strawberries are the significant damage of cultivated varieties to a wide range of diseases, the main pathogens of which are fungi. The Russian Federation does not produce technical means for diagnosing diseases available to producers of this berry crop. The purpose of the research is to develop a rational method for assessing several biotic stresses of garden strawberries for a wide range of farmers. Among modern ground-based diagnostic methods, preference is given to the computer vision method, which is capable of detecting the presence of 3 pathogenic fungi: white spot pathogens (Ramularia Tulasnei Sacc), brown spot (Marssonina potentillae Desm) and angular leaf spot (Dendrophoma obscurans). Using deep learning with convolutional neural networks (CNN), this method can be implemented as an application for a smartphone or other gadgets popular among the majority of the population. The most common CNN models were selected for deep learning. A dataset of 2,671 images was generated from the Internet of Things (IoT) network and divided into 4 classes: white spot (544 pcs.); brown spot (1,109 pcs.); angular spot (392 pcs.); unaffected leaves (626 pcs.). The dataset was divided into a training set of 70%, a validation set of 10%, and a test set of 20%. When conducting deep learning and neural network model improvement operations, the MobileNetV2 neural network model showed the best metrics: classification accuracy – 0.99; F-measures from 0.94 to 1.00.
The authors declare that there are no conflicts of interest present.