procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.34822/1999-7604-2021-2-6-16procyber-357Research ArticleТЕХНИЧЕСКИЕ НАУКИEngeneeringФЕНОТИПИРОВАНИЕ РАСТЕНИЙ АДАПТИВНОЙ СИСТЕМОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ НА БАЗЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙPLANT PHENOTYPING BY AN ADAPTIVE IMAGE PROCESSING SYSTEM BASED ON CONVOLUTIONAL NEURAL NETWORKSБрагинскийМ. Я.BraginskyM. Ya.

E-mail: mick17@mail.ru

E-mail: mick17@mail.ru

ТаракановД. В.TarakanovD. V.Сургутский государственный университет, СургутРоссияSurgut State University, SurgutRussian Federation20212906202102 (42)616Copyright © Брагинский М.Я., Тараканов Д.В., 20212021Брагинский М.Я., Тараканов Д.В.Braginsky M.Y., Tarakanov D.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestcyber.ru/jour/article/view/357

Данная работа является продолжением исследований авторов в области проектирования систем автоматического фенотипирования растений. Интенсивное развитие цифровых технологий в агробизнесе позволяет снизить количество ошибок при визуальном анализе здоровья растений, повысить их урожайность и, как следствие, производительность труда специалистов. Построение автоматической системы фенотипирования требует анализа значительного объема цифровых изображений растений (более тысячи). Ключевым элементом автоматической системы фенотипирования является аппарат сверточных нейронных сетей, с помощью которого проводится анализ характеристик листьев растений во взаимосвязи с внешней средой, заболеваниями и морфологическими характеристиками. Анализ качества работы автоматической системы фенотипирования на базе сверточных нейронных сетей показал ее высокую эффективность при оценке заболеваний растений. В качестве компоненты адаптации системы управления в работе используется Е-сетевой граф, позволяющий формировать вектор управления системами технического зрения и выработки агрономических рекомендаций.

The article continues the study devoted to the design of automatic plant phenotyping systems. This topic of scientific research is now widely developed. The intensive development of digital technologies in agribusiness can significantly increase labor productivity, reduce errors in the visual analysis of plant health, and as a result, increase productivity. It is commonly known that building an automatic plant phenotyping system requires mass analysis of a large number (about a thousand) of plants through digital image processing. As a key element of the automatic phenotyping system, the convolutional neural network apparatus is used. This apparatus analyzes the characteristics of plant leaves under the influence of the external environment for the presence of diseases and morphological features of the plant. The analysis of the quality of the automatic phenotyping system based on convolutional neural networks shows a high efficiency of plant disease assessment. As a component of the adaptation of the control system, we use the E-network graph, which allows forming a control vector for the technical vision system and the development of agronomic recommendations.

сверточные нейронные сетисегментация изображенияклассификацияфенотипирование растенийЕ-сети.convolutional neural networksimage segmentationclassificationplant phenotypingE-networks.ReferencesАфонников Д. А., Генаев М. А., Дорошков А. В., Комышев Е. Г., Пшеничникова Т. А. Методы высокопроизводительного фенотипирования растений для массовых селекционногенетических экспериментов // Генетика. 2016. Т. 52, № 7. C. 788–803.Афонников Д. А., Генаев М. А., Дорошков А. В., Комышев Е. Г., Пшеничникова Т. А. Методы высокопроизводительного фенотипирования растений для массовых селекционногенетических экспериментов // Генетика. 2016. Т. 52, № 7. C. 788–803.Ashok R., Uma S. K. Garden Environmental Monitoring & Automatic Control System Using Sensors // International Journal for Modern Trends in Science and Technology (IJMTST). 2016. Vol. 2, № 5. Р. 141–144.Ashok R., Uma S. K. Garden Environmental Monitoring & Automatic Control System Using Sensors // International Journal for Modern Trends in Science and Technology (IJMTST). 2016. Vol. 2, № 5. Р. 141–144.Faouzi D., Bibi-Triki N., Draoui B., Abène A. Greenhouse Environmental Control Using Optimized, Modeled and Simulated Fuzzy Logic Controller Technique in MATLAB SIMULINK // Computer Technology and Application. 2016. № 7. Р. 273–286.Faouzi D., Bibi-Triki N., Draoui B., Abène A. Greenhouse Environmental Control Using Optimized, Modeled and Simulated Fuzzy Logic Controller Technique in MATLAB SIMULINK // Computer Technology and Application. 2016. № 7. Р. 273–286.Запевалова Л. Ю., Запевалов А. В. Предварительная обработка цифровых изображений в системе управления вертикальной фермой // Вестник кибернетики. 2020. № 1. C. 77–84.Запевалова Л. Ю., Запевалов А. В. Предварительная обработка цифровых изображений в системе управления вертикальной фермой // Вестник кибернетики. 2020. № 1. C. 77–84.Setiawan W., Utoyo M. I., Rulaningtyas R. Reconfiguration Layers of Convolutional Neural Network for Fundus Patches Classification // Bulletin of Electrical Engineering and Informatics. 2021. № 10 (1). Р. 383–389.Setiawan W., Utoyo M. I., Rulaningtyas R. Reconfiguration Layers of Convolutional Neural Network for Fundus Patches Classification // Bulletin of Electrical Engineering and Informatics. 2021. № 10 (1). Р. 383–389.SqueezeNet-Residual by songhan. URL: http://songhan.github.io/SqueezeNet-Residual (дата обращения: 06.05.2021).SqueezeNet-Residual by songhan. URL: http://songhan.github.io/SqueezeNet-Residual (дата обращения: 06.05.2021).Брагинский М. Я., Тараканов Д. В. Концепция построения аналитико-имитационных моделей человеко-машинных систем управления с помощью Е-сетей // Вестник кибернетики. 2020. № 2. C. 50–57.Брагинский М. Я., Тараканов Д. В. Концепция построения аналитико-имитационных моделей человеко-машинных систем управления с помощью Е-сетей // Вестник кибернетики. 2020. № 2. C. 50–57.Gilbert D., Heiner M., Ghanbar L., Chodak J. Spatial Quorum Sensing Modelling using Coloured Hybrid Petri Nets and Simulative Model Checking // BMC Bioinformatics. 2019. № 20 (4). P. 173.Gilbert D., Heiner M., Ghanbar L., Chodak J. Spatial Quorum Sensing Modelling using Coloured Hybrid Petri Nets and Simulative Model Checking // BMC Bioinformatics. 2019. № 20 (4). P. 173.Брагинский М. Я., Тараканов Д. В. Оценка состояния растений с использованием сверточных нейронных сетей // Вестник кибернетики. 2021. № 1. С. 41–50. DOI 10.34822/ 1999-7604-2021-1-41-50.Брагинский М. Я., Тараканов Д. В. Оценка состояния растений с использованием сверточных нейронных сетей // Вестник кибернетики. 2021. № 1. С. 41–50. DOI 10.34822/ 1999-7604-2021-1-41-50.Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. URL: https://arxiv.org/abs/1505.04597 (дата обращения: 06.05.2021).Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. URL: https://arxiv.org/abs/1505.04597 (дата обращения: 06.05.2021).Брагинский М. Я., Тараканов Д. В. Компьютерная обработка изображений в задаче выявления фитопатологии биологических культур // Интеграция науки, образования, общества, производства и экономики : сб. ст. по материалам междунар. науч.-практич. конф. Уфа, 2020. С. 29–35.Брагинский М. Я., Тараканов Д. В. Компьютерная обработка изображений в задаче выявления фитопатологии биологических культур // Интеграция науки, образования, общества, производства и экономики : сб. ст. по материалам междунар. науч.-практич. конф. Уфа, 2020. С. 29–35.

The authors declare that there are no conflicts of interest present.