ОПТИМІЗАЦІЯ ВИЯВЛЕННЯ ХВОРОБ ЛИСТЯ ТОМАТІВ ЗА ДОПОМОГОЮ ГЛИБОКОГО МАШИННОГО НАВЧАННЯ З ВИКОРИСТАННЯМ ВДОСКОНАЛЕНИХ НЕЙРОННИХ МЕРЕЖ

Роман Гуменюк; Юліан Федірко

У статті розглянуто застосування методів глибокого машинного навчання для виявлення хвороб листя томатів. Метою дослідження є підвищення точності класифікації зображень хворих рослин за допомогою модифікації згорткових нейронних мереж (ЗНМ), що поєднує модуль Inception, функцію активації Mish і пакетну нормалізацію. Запропонований підхід дав змогу отримати кращі результатив порівнянні з базовими моделями ЗНМ і методом опорних векторів. Для оцінки моделі використано набір даних PlantVillage, що містить зображення хворих і здорових рослин. Результати показали, що мережа InceptionV3 з запропонованим модулем досягла вищої точності (97,8%), і продемонструвала високу ефективність для ідентифікації вірусних хвороб томатів. Оригінальність роботи полягає в розробці нового модуля, що значно підвищує продуктивність моделей. Практична цінність дослідження полягає в застосуванні методів для мобільних додатків, що дає змогу здійснювати раннє виявлення хвороб рослин. Подальші дослідження будуть спрямовані на розширення застосування модуля для виявлення інших хвороб рослин та оптимізацію використаних ресурсів.

згорткова нейронна мережа; класифікація хвороб листя; функція активації Mish; оптимізація; набір даних PlantVillage; метод опорних векторів; модуль Inception

[1] M. Van Dijk, T. Morley, M. L. Rau, and Y. Saghai, "A meta-analysis of projected global food demand and population at risk of hunger for the period 2010–2050," Nat. Food, vol. 2, pp. 494–501, 2021. https://doi.org/10.1038/s43016-021-00322-9

[2] G. Ghisbain, M. Gérard, T. J. Wood, H. M. Hines, and D. Michez, "Expanding insect pollinators in the Anthropocene," Biol. Rev., vol. 96, pp. 2755–2770, 2021. https://doi.org/10.1111/brv.12777

[3] C. Ferracini, V. H. P. Bueno, M. L. Dindo, B. L. Ingegno, M. G. Luna, N. G. Salas Gervassio, N. E. Sánchez, G. Siscaro, J. C. van Lenteren, L. Zappalà, et al., "Natural enemies of Tuta absoluta in the Mediterranean Basin, Europe and South America," Biocontrol Sci. Technol., vol. 29, pp. 578–609, 2019. https://doi.org/10.1080/09583157.2019.1572711.

[4] W. Albattah, M. Nawaz, A. Javed, M. Masood, and S. Albahli, "A novel deep learning method for detection and classification of plant diseases," Complex Intell. Syst., vol. 8, pp. 507–524, 2022. https://doi.org/10.1007/s40747-021-00536-1.

[5] S. H. Lee, H. Goëau, P. Bonnet, and A. Joly, "New perspectives on plant disease characterization based on deep learning," Comput. Electron. Agric., vol. 170, 105220, 2020. https://doi.org/10.1016/j.compag.2020.105220.

[6] D. P. Hughes and M. Salathe, "An open access repository of images on plant health to enable the development of mobile disease diagnostics," arXiv, arXiv:1511.08060, 2015.

[7] A. Ramcharan, K. Baranowski, P. McCloskey, B. Ahmed, J. Legg, and D. P. Hughes, "Deep learning for image-based cassava disease detection," Front. Plant Sci., vol. 8, 1852, 2017. https://doi.org/10.3389/fpls.2017.01852.

[8] J. Lu, L. Tan, and H. Jiang, "Review on convolutional neural network (CNN) applied to plant leaf disease classification," Agriculture, vol. 11, 707, 2021. https://doi.org/10.3390/agriculture11080707.

[9] A. Guerrero-Ibañez and A. Reyes-Muñoz, "Monitoring tomato leaf disease through convolutional neural networks," Electronics, vol. 12, 229, 2023. https://doi.org/10.3390/electronics12010229.

[10] L. Alzubaidi, J. Zhang, A. J. Humaidi, A. Al-Dujaili, Y. Duan, O. Al-Shamma, J. Santamaría, M. A. Fadhel, M. Al-Amidie, and L. Farhan, "Review of deep learning: Concepts, CNN architectures, challenges, applications, future directions," J. Big Data, vol. 8, 53, 2021. https://doi.org/10.1186/s40537-021-00444-8.

[11] Y. Jiang, J. Xie, and D. Zhang, "An adaptive offset activation function for CNN image classification tasks," Electronics, vol. 11, 3799, 2022. https://doi.org/10.3390/electronics11223799.

[12] J. Chen, J. Chen, D. Zhang, Y. Sun, and Y. A. Nanehkaran, "Using deep transfer learning for image-based plant disease identification," Comput. Electron. Agric., vol. 173, 105393, 2020. https://doi.org/10.1016/j.compag.2020.105393.

[13] R. S. Ramos, L. Kumar, F. Shabani, and M. C. Picanço, "Risk of spread of tomato yellow leaf curl virus (TYLCV) in tomato crops under various climate change scenarios," Agric. Syst., vol. 173, pp. 524–535, 2019. https://doi.org/10.1016/j.agsy.2019.03.020.

[14] A. Dash, P. K. Sethy, and S. K. Behera, "Maize disease identification based on optimized support vector machine using deep feature of DenseNet201," J. Agric. Food Res., vol. 14, 100824, 2023. https://doi.org/10.1016/j.jafr.2023.100824.

[15] A. Mezenner, H. Nemmour, Y. Chibani, and A. Hafiane, "Tomato plant leaf disease classification based on CNN features and support vector machines," in Proc. 2022 2nd Int. Conf. Adv. Electr. Eng. (ICAEE), Constantine, Algeria, 29–30 Oct. 2022, pp. 1–5.

[16] J. Minango, M. Zambrano, W. Paredes Parada, C. Tasiguano, and K. Ayala, "Identification of corn leaves diseases images using MobileNet architecture in smartphones," in Proc. Trends Artif. Intell. Comput. Eng., Riobamba, Ecuador, 10–12 Nov. 2021, M. Botto-Tobar, O. S. Gómez, R. Rosero Miranda, A. Díaz Cadena, and W. Luna-Encalada, Eds., Springer Nature, Cham, Switzerland, 2023, pp. 661–673.