procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.35266/1999-7604-2024-2-3procyber-586Research ArticleТЕХНИЧЕСКИЕ НАУКИEngeneeringКЛАССИФИКАЦИЯ СОСТОЯНИЯ РАСТЕНИЙ С ИСПОЛЬЗОВАНИЕМ АДАПТИВНОЙ НЕЙРО-НЕЧЕТКОЙ ИНФЕРЕНЦИОННОЙ СИСТЕМЫ (ANFIS)CLASSIFYING PLANTS’ HEALTH USING AN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)https://orcid.org/0000-0002-6143-8992БрыкинВалентин ВалерьевичBrykinValentin V.

аспирант

Postgraduate

valentin.brykin@mail.ruhttps://orcid.org/0000-0003-1332-463XБрагинскийМихаил ЯковлевичBraginskyMikhail Ya.

кандидат технических наук, доцент

Candidate of Sciences (Engineering), Docent

https://orcid.org/0000-0003-1851-1039ТаракановДмитрий ВикторовичTarakanovDmitry V.

кандидат технических наук, доцент

Candidate of Sciences (Engineering), Docent

https://orcid.org/0009-0001-0340-2609НазароваИнесса ЛеонидовнаNazarovaInessa L.

аспирант, инженер 1 категории

Postgraduate, 1st Category Engineer

Сургутский государственный университет, СургутРоссияSurgut State University, SurgutRussian Federation2024180620242322330Copyright © Брыкин В.В., Брагинский М.Я., Тараканов Д.В., Назарова И.Л., 20242024Брыкин В.В., Брагинский М.Я., Тараканов Д.В., Назарова И.Л.Brykin V.V., Braginsky M.Y., Tarakanov D.V., Nazarova I.L.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/586

В данной работе используется адаптивная нейро-нечеткая система ANFIS для классификации восьми болезней растений. В качестве входных данных системы применяются текстурные признаки Харалика, извлеченные из изображений растений. Обучение ANFIS проводилось с использованием гибридного алгоритма, сочетающего обратное распространение ошибки и градиентный спуск. Эффективность ANFIS оценивалась на тестовом наборе посредством вычисления точности, полноты и F1-меры. Полученные показатели подлежали сравнению с другими современными средствами классификации.

The study classifi es eight types of plants’ diseases using an adaptive neuro-fuzzy inference system (ANFIS). Haralick texture features obtained from plants’ images are applied as input data for a system. A hybrid algorithm consisting of a backward propagation of error and a gradient descent performed the ANFIS training. The ANFIS effi ciency was assessed on a test set through calculating accuracy, comprehensiveness, and the F1 score. The indicators obtained by this method were compared with other modern classifi cation methods.

текстурные признаки Хараликанейронная сетьнейро-нечеткая системалогистическая регрессияклассификация цифровых изображенийHaralick texture featuresneural networkneural fuzzy systemlogistic regressionclassifi cation of digital imagesReferencesГурлина Е. В. Разработка метода выявления текстурных свойств заданных классов изображений с использованием признаков Харалика // Перспективные информационные технологии (ПИТ 2020) : труды Междунар. науч.-технич. конф., 21–22 апреля 2020 г., г. Самара. Самара : Самарский научный центр РАН, 2020. С. 112–116.Гурлина Е. В. Разработка метода выявления текстурных свойств заданных классов изображений с использованием признаков Харалика // Перспективные информационные технологии (ПИТ 2020) : труды Междунар. науч.-технич. конф., 21–22 апреля 2020 г., г. Самара. Самара : Самарский научный центр РАН, 2020. С. 112–116.Lofstedt T., Brynolfsson P., Asklund T. Gray-level invariant Haralick texture features // PLoS ONE. 2019. Vol. 14, no. 2. P. e0212110.Lofstedt T., Brynolfsson P., Asklund T. Gray-level invariant Haralick texture features // PLoS ONE. 2019. Vol. 14, no. 2. P. e0212110.Брыкин В. В., Брагинский М. Я., Тараканов Д. В. и др. Классификация состояния растений средствами текстурного вейвлет-анализа и машинного обучения // Вестник кибернетики. 2024. Т. 23, № 1. С. 23–30. DOI 10.35266/1999-7604-2024-1-3.Брыкин В. В., Брагинский М. Я., Тараканов Д. В. и др. Классификация состояния растений средствами текстурного вейвлет-анализа и машинного обучения // Вестник кибернетики. 2024. Т. 23, № 1. С. 23–30. DOI 10.35266/1999-7604-2024-1-3.Vyas A., Paik J. Review of the application of wavelet theory to image processing // IEIE Transactions on Smart Processing & Computing. 2016. Vol. 5, no. 6. P. 403‒417. DOI 10.5573/IEIESPC.2016.5.6.403.Vyas A., Paik J. Review of the application of wavelet theory to image processing // IEIE Transactions on Smart Processing & Computing. 2016. Vol. 5, no. 6. P. 403‒417. DOI 10.5573/IEIESPC.2016.5.6.403.Балаганский А. Ю., Гребеньков А. А. Вейвлет-преобразование для обработки изображений системы управления отоплением с применением методов машинного обучения // Информация и образование: границы коммуникаций. 2022. № 14. С. 147–150.Балаганский А. Ю., Гребеньков А. А. Вейвлет-преобразование для обработки изображений системы управления отоплением с применением методов машинного обучения // Информация и образование: границы коммуникаций. 2022. № 14. С. 147–150.Mahajan V., Dhumale N. R. Leaf disease detection using fuzzy logic // International Journal of Innovative Research in Science, Engineering and Technology. 2018. Vol. 7, no 6. P. 6801–6807. DOI 10.15680/IJIRSET.2018.0706067.Mahajan V., Dhumale N. R. Leaf disease detection using fuzzy logic // International Journal of Innovative Research in Science, Engineering and Technology. 2018. Vol. 7, no 6. P. 6801–6807. DOI 10.15680/IJIRSET.2018.0706067.Ashish P., Tanuja P. Survey on detection and classifi cation of plant leaf disease in agriculture environment // International Advanced Research Journal in Science, Engineering and Technology. 2017. Vol. 4, no. 4. P. 137–139. DOI 10.17148/iarjset/nciarcse.2017.40.Ashish P., Tanuja P. Survey on detection and classifi cation of plant leaf disease in agriculture environment // International Advanced Research Journal in Science, Engineering and Technology. 2017. Vol. 4, no. 4. P. 137–139. DOI 10.17148/iarjset/nciarcse.2017.40.Thyagharajan K. K., Kiruba Raji I. A review of visual descriptors and classifi cation techniques used in leaf species identifi cation // Archives of Computational Methods in Engineering. 2019. Vol. 26. P. 933–960. DOI 10.1007/s11831-018-9266-3.Thyagharajan K. K., Kiruba Raji I. A review of visual descriptors and classifi cation techniques used in leaf species identifi cation // Archives of Computational Methods in Engineering. 2019. Vol. 26. P. 933–960. DOI 10.1007/s11831-018-9266-3.Алгоритм обучения anfis. URL: https://studfile.net/preview/9501084/page:11/ (дата обращения: 05.04.2024).Алгоритм обучения anfis. URL: https://studfile.net/preview/9501084/page:11/ (дата обращения: 05.04.2024).

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