Выбор методов глубокого обучения для решения задачи распознавания болезней растений в условиях малой обучающей выборки
Боковая панель статьи
Основное содержимое статьи
Аннотация
Потеря урожая из-за болезней растений является серьезной проблемой для сельских жителей, экономики и продовольственной безопасности, требующей принятия своевременных мер для выявления и предотвращения болезней. В последнее время для решения задачи распознавания болезней растений по фотографиям их листьев стали с успехом применяться нейросетевые методы глубокого обучения. В настоящем исследовании выполнен анализ методов, используемых для обучения глубоких сверточных нейронных сетей в условиях малой обучающей выборки. Для данных PDD (http://pdd.jinr.ru/crops.php) применена техника переноса обучения и метода сиамских нейронных сетей с трехчленной функцией ошибки, что позволило достичь 99.5% точности классификации.
Скачивания
Информация о статье
Библиографические ссылки
Uzhinskiy A. et al. Multifunctional Platform and Mobile Application for Plant Disease Detection / A. Uzhinskiy, G. Ososkov, P. Goncharov, A.Nechaevskiy //Proceedings of the 27th Symposium on Nuclear Electronics and Computing (NEC 2019), Budva, Montenegro. — 2019. — Vol. 2507. — P. 110-114.
Goncharov P. et al. Deep Siamese Networks for Plant Disease Detection / Pavel Goncharov, Alexander Uzhinskiy, Gennady Ososkov, Andrey Nechaevskiy and Julia Zudikhina // EPJ Web of Conferences. — EDP Sciences, 2020. — Vol. 226. — P. 03010.
PlantVillage главная страница. — [Электронный ресурс]: https://plantvillage.psu.edu/. (Дата использования 3.11.2019).
Dataset of diseased plant leaf images and corresponding labels. — [Электронный ресурс]: https://github.com/spMohanty/PlantVillage-Dataset (Дата использования 3.11.2019).
Наборы изображений PDDP. — [Электронный ресурс]: http://pdd.jinr.ru/crops.php (Дата использования 3.11.2019).
Goncharov P. et al. Disease Detection on the Plant Leaves by Deep Learning / P. Goncharov, G. Ososkov, A. Nechaevskiy, A. Uzhinskiy, I. Nestsiarenia // Advances in Neural Computation, Machine Learning, and Cognitive Research II: Selected Papers from the XX International Conference on Neuroinformatics, October 8-12, 2018, Moscow, Russia. — Springer, 2018. — Vol. 799. — P. 151.
Кадурин А. Глубокое обучение. Погружение в мир нейронных сетей / А. Кадурин, Е. Архангельская, С. Николенко. — СПБ.: Питер. — 2018. — C. 480.
Torrey L., Shavlik J. Transfer learning // Handbook of research on machine learning applications and trends: algorithms, methods, and techniques. — IGI Global, 2010. — Pp. 242-264.
Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift //arXiv preprint arXiv:1502.03167. — 2015.
He K. et al. Deep residual learning for image recognition //Proceedings of the IEEE conference on computer vision and pattern recognition. — 2016. — Pp. 770-778.
Sandler M. et al. Mobilenetv2: Inverted residuals and linear bottlenecks //Proceedings of the IEEE conference on computer vision and pattern recognition. — 2018. — Pp. 4510-4520.
Koch G. et al. Siamese neural networks for one-shot image recognition / G. Koch, R. Zemel, R. Salakhutdinov//ICML deep learning workshop. — 2015. — Vol. 2.
Schroff F., Kalenichenko D., Philbin J. Facenet: A unified embedding for face recognition and clustering //Proceedings of the IEEE conference on computer vision and pattern recognition. — 2015. — Pp. 815-823.
Triplet Loss Utility for Pytorch Library. — [Электронный ресурс]: https://github.com/TowardHumanizedInteraction/TripletTorch (Дата использования 5.11.2019).
Репозиторий Plant Disease Detection. — [Электронный ресурс]: https://github.com/WEBSTERMASTER777/pdd (Дата использования 4.02.2020).
Web-portal of HybriLIT JINR computation facility [Electronic resource]. — Mode of access: http://hybrilit.jinr.ru. — Date of access: 5.11.2019.