ANALYSIS OF PLANTS HEALTH USING ARTIFICIAL INTELLIGENCE TECHNOLOGIES
https://doi.org/10.34822/1999-7604-2022-4-6-13
Abstract
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.
About the Authors
V. V. Brykin
Surgut State University, Surgut
Russian Federation
Russian Federation
Postgraduate
E-mail: valentin.brykin@mail.ru
M. Ya. Braginbsky
Surgut State University, Surgut
Russian Federation
Russian Federation
Candidate of Sciences (Engi-neering), Associate Professor
E-mail: braginskiy_mya@surgu.ru
I. O. Tarakanova
Surgut State University, Surgut
Russian Federation
Russian Federation
Postgraduate
E-mail: tarakanova_io@surgu.ru
D. V. Тarakanov
Surgut State University, Surgut
Russian Federation
Russian Federation
Candidate of Sciences (Engi-neering), Associate Professor
E-mail: sprtdv@mail.ru
References
1. 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.
2. 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.
3. 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.
4. 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.
5. 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.
6. 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.
7. Сэмплинг в условиях несбалансированности классов. URL: https://loginom.ru/blog/imbalance-class (дата обращения: 02.11.2022).
8. Погружение в сверточные нейронные сети: передача обучения (transfer learning). URL: https://habr.com/ru/post/467967/ (дата обращения: 02.11.2022).
9. Keras Applications. URL: https://keras.io/api/appli cations/ (дата обращения: 02.11.2022).
10. 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).
11. 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).
12. 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).
Review
For citations:
Brykin V.V., Braginbsky M.Ya., Tarakanova I.O., Тarakanov D.V. ANALYSIS OF PLANTS HEALTH USING ARTIFICIAL INTELLIGENCE TECHNOLOGIES. Proceedings in Cybernetics. 2022;(4 (48)):6-13. (In Russ.) https://doi.org/10.34822/1999-7604-2022-4-6-13
Views:
252
Email this article 