procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.34822/1999-7604-2022-4-6-13procyber-469Research ArticleТЕХНИЧЕСКИЕ НАУКИEngeneeringАНАЛИЗ СОСТОЯНИЯ РАСТЕНИЙ С ПРИМЕНЕНИЕМ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТАANALYSIS OF PLANTS HEALTH USING ARTIFICIAL INTELLIGENCE TECHNOLOGIEShttps://orcid.org/0000-0002-6143-8992БрыкинВ. В.BrykinV. V.

аспирант

E-mail: valentin.brykin@mail.ru

Postgraduate

E-mail: valentin.brykin@mail.ru

https://orcid.org/0000-0003-1332-463XБрагинскийМ. Я.BraginbskyM. Ya.

кандидат технических наук, доцент

E-mail: braginskiy_mya@surgu.ru

Candidate of Sciences (Engi-neering), Associate Professor

E-mail: braginskiy_mya@surgu.ru

https://orcid.org/0000-0002-7707-5890ТаракановаИ. О.TarakanovaI. O.

аспирант

E-mail: tarakanova_io@surgu.ru

Postgraduate

E-mail: tarakanova_io@surgu.ru

https://orcid.org/0000-0003-1851-1039ТаракановД. В.ТarakanovD. V.

кандидат технических наук, доцент

E-mail: sprtdv@mail.ru

Candidate of Sciences (Engi-neering), Associate Professor

E-mail: sprtdv@mail.ru

Сургутский государственный университет, СургутРоссияSurgut State University, SurgutRussian FederationСургутский государственный университет, СургутРоссияSurgut State University, SurgutRussian Federation20222912202204 (48)613Copyright © Брыкин В.В., Брагинский М.Я., Тараканова И.О., Тараканов Д.В., 20222022Брыкин В.В., Брагинский М.Я., Тараканова И.О., Тараканов Д.В.Brykin V.V., Braginbsky M.Y., Tarakanova I.O., Тarakanov 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/469

Представлены этапы разработки с помощью языка разметки HTML, каскадных таблиц стилей и языка программирования JavaScript веб-приложения для мобильных устройств, содержащего в качестве основы обученную средствами библиотек машинного обучения Tensorflow и Keras модель ис-кусственной нейронной сети для классификации с максимальной точностью состояния растений. Все операции, связанные с обработкой изображений, выполнены в цветовом пространстве RGB.

The article describes the stages of developing a web-application for mobile phones based on an artificial neural network model trained by machine learning libraries (Tensorflow and Keras) to classify plant health with maximum accuracy. The HTML markup language, cascading style sheets, and JavaScript program-ming language were all used during the development process. All photo editing manipulations were performed using the RGB color model.

сверточные нейронные сетиклассификациявеб-приложениеconvolutional neural networksclassificationweb-applicationReferencesRahman C. R., Arko P. S., Ali M. E. et al. Identification and Recognition of Rice Diseases and Pests Using Convolutional Neural Networks // Biosystems Engineering. 2020. Vol. 194. P. 112‒120. DOI10.1016/j.biosystemseng.2020.03.020.Rahman C. R., Arko P. S., Ali M. E. et al. Identification and Recognition of Rice Diseases and Pests Using Convolutional Neural Networks // Biosystems Engineering. 2020. Vol. 194. P. 112‒120. DOI10.1016/j.biosystemseng.2020.03.020.Янишевская Н. А., Болодурина И. П. Применение технологий компьютерного зрения для разработки модели распознавания поражений культурных растений // Вестн. Юж.-Урал. гос. ун-та.Серия «Компьютерные технологии, управление, радиоэлектроника». 2021. Т. 21, № 3. С. 5–13.Янишевская Н. А., Болодурина И. П. Применение технологий компьютерного зрения для разработки модели распознавания поражений культурных растений // Вестн. Юж.-Урал. гос. ун-та.Серия «Компьютерные технологии, управление, радиоэлектроника». 2021. Т. 21, № 3. С. 5–13.Тараканов Д. В., Брагинский М. Я., Брыкин В. В. Повышение качества идентификации состояния растений искусственной нейронной сетью // Наука и образование в эпоху перемен: перспективы развития, новые парадигмы : материалы X Всерос. науч.-практич. конф., Ростов-на-Дону, 15 июля 2022 г. Ростов-на-Дону : Манускрипт, 2022. С. 51–60.Тараканов Д. В., Брагинский М. Я., Брыкин В. В. Повышение качества идентификации состояния растений искусственной нейронной сетью // Наука и образование в эпоху перемен: перспективы развития, новые парадигмы : материалы X Всерос. науч.-практич. конф., Ростов-на-Дону, 15 июля 2022 г. Ростов-на-Дону : Манускрипт, 2022. С. 51–60.Брагинский М. Я., Тараканов Д. В. Фенотипирование растений адаптивной системой обработки изображений на базе сверточных нейронных сетей // Вестник кибернетики. 2021. № 2 (42). С. 6–16.Брагинский М. Я., Тараканов Д. В. Фенотипирование растений адаптивной системой обработки изображений на базе сверточных нейронных сетей // Вестник кибернетики. 2021. № 2 (42). С. 6–16.Rahman M. A., Islam M. M., Mahdee G. M. S., Kabir M. W. U. Improved Segmentation Approach for Plant Disease Detection // Proceedings of the 2019 1st International Conference on Advances in Science, Engineering and Robotics Technology (ICASERT), May 03‒05, 2019, Bangladesh. P. 1–5. DOI 10.1109/ICASERT.2019.8934895.Rahman M. A., Islam M. M., Mahdee G. M. S., Kabir M. W. U. Improved Segmentation Approach for Plant Disease Detection // Proceedings of the 2019 1st International Conference on Advances in Science, Engineering and Robotics Technology (ICASERT), May 03‒05, 2019, Bangladesh. P. 1–5. DOI 10.1109/ICASERT.2019.8934895.Чешкова А. Ф. Обзор современных методов обнаружения и идентификации болезней растений на основе анализа гиперспектральных изображений // Вавилов. журн. генетики и селекции. 2022. Т. 26, № 2. С. 202–213.Чешкова А. Ф. Обзор современных методов обнаружения и идентификации болезней растений на основе анализа гиперспектральных изображений // Вавилов. журн. генетики и селекции. 2022. Т. 26, № 2. С. 202–213.Сэмплинг в условиях несбалансированности классов. URL: https://loginom.ru/blog/imbalance-class (дата обращения: 02.11.2022).Сэмплинг в условиях несбалансированности классов. URL: https://loginom.ru/blog/imbalance-class (дата обращения: 02.11.2022).Погружение в сверточные нейронные сети: передача обучения (transfer learning). URL: https://habr.com/ru/post/467967/ (дата обращения: 02.11.2022).Погружение в сверточные нейронные сети: передача обучения (transfer learning). URL: https://habr.com/ru/post/467967/ (дата обращения: 02.11.2022).Keras Applications. URL: https://keras.io/api/appli cations/ (дата обращения: 02.11.2022).Keras Applications. URL: https://keras.io/api/appli cations/ (дата обращения: 02.11.2022).Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition // ArXiv. 2015. 14 p. URL: https://arxiv.org/pdf/1409.1556.pdf (дата обращения: 02.11.2022).Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition // ArXiv. 2015. 14 p. URL: https://arxiv.org/pdf/1409.1556.pdf (дата обращения: 02.11.2022).Dropout – метод борьбы с переобучением нейронной сети. URL: https://proproprogs.ru/neu ral_network/dropout-metod-borby-s-pereobucheniem- neyronnoy-seti (дата обращения: 02.11.2022).Dropout – метод борьбы с переобучением нейронной сети. URL: https://proproprogs.ru/neu ral_network/dropout-metod-borby-s-pereobucheniem- neyronnoy-seti (дата обращения: 02.11.2022).Представляем Tensorflow.js: машинное обучение в JavaScript. URL: https://datastart.ru/blog/read/ predstavlyaem-tensorflowjs-mashinnoe-obuchenie-v-java script (дата обращения: 02.11.2022).Представляем Tensorflow.js: машинное обучение в JavaScript. URL: https://datastart.ru/blog/read/ predstavlyaem-tensorflowjs-mashinnoe-obuchenie-v-java script (дата обращения: 02.11.2022).

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