Использование сверточных нейронных сетей для задач автоматического обнаружения заболеваний

М. А. Шереужева, М. А. Шереужев, З. М. Альбекова

---

Аннотация. В данной статье представлен обзор существующих архитектур сверточных нейронных сетей и их применения в задаче классификации для обнаружения заболеваний плодов и растений. Заболевания растений и плодов являются серьезной проблемой в сельском хозяйстве и садоводстве, их раннее обнаружение может помочь в принятии своевременных мер по предотвращению распространения и минимизации ущерба. Результаты исследования могут быть полезны для разработки автоматизированных систем обнаружения заболеваний плодов и растений, что способствует повышению урожайности.

Ключевые слова: нейронные сети, машинное обучение, архитектура сверточной сети, компьютерное зрение, классификация изображений

Для цитирования. Шереужева М. А., Шереужев М. А., Альбекова З. М. Использование сверточных нейронных сетей для задач автоматического обнаружения заболеваний // Известия Кабардино-Балкарского научного центра РАН. 2023. № 5(115). С. 41–51. DOI: 10.35330/1991-6639-2023-5-115-41-51

Информация об авторах

Шереужева Милана Артуровна, магистр кафедры «Информационные технологии и вычислительные системы», Московский государственный технический университет «СТАНКИН»;
127055, Россия, Москва, Вадковский пер., 1;
стажер-исследователь лаборатории «Интеллектуальные среды обитания», Институт информатики и проблем регионального управления – филиал Кабардино-Балкарского научного центра РАН;
360000, Россия, г. Нальчик, ул. И. Арманд, 37-а;
milana.shereuzheva2001@mail.ru, ORCID: https://orcid.org/0000-0002-6668-4703
Шереужев Мадин Артурович, ст. преподаватель кафедры «Робототехнические системы и мехатроника», Московский государственный технический университет имени Н. Э. Баумана;
105005, Россия, Москва, улица 2-я Бауманская, 5, корп. 1;
shereuzhev@gmail.com, ORCID: https://orcid.org/0000-0003-2352-992Х
Альбекова Замира Мухамедалиевна, канд. пед. наук, доцент кафедры информационных систем и технологий, Институт цифрового развития, Северо-Кавказский федеральный университет;
350029, Россия, г. Ставрополь, пр-т Кулакова, 2;
zalbekova@ncfu.ru; ORCID: https://orcid.org/0000-0002-7214-8114

Список литературы

1. Digital agriculture [Электронный ресурс]. URL: https://en.wikipedia.org/wiki/Digital_agriculture.
2. Шереужева М. А., Шереужев М. А. Разработка экспертных систем для повышения эффективности выращивания растений в сельском хозяйстве // Известия Кабардино-Балкарского научного центра РАН. 2022. № 5(109). С. 93–104. DOI: 10.35330/1991-6639-2022-5-109-93-104.
3. Нагоев З. В., Шуганов В. М., Бжихатлов К. Ч. и др. Перспективы повышения производительности и эффективности сельскохозяйственного производства с применением интеллектуальной интегрированной среды // Известия Кабардино-Балкарского научного центра РАН. 2021. № 6(104). С. 155–165. DOI: 10.35330/1991-6639-2021-6-104-155-165.
4. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks. Communications of the ACM. 2012. 60(6). Pp. 84–90.
5. Pushkarev A., Yakubailik O. A web application for visualization, analysis, and processing of agricultural monitoring spatial-temporal data. CEUR Workshop Proceedings. 2021. Vol. 3006. Pp. 231–237. URL: http://ceur-ws.org/Vol-3006/27_short_paper.pdf
6. Скворцов Е. А., Скворцова Е. Г., Санду И. С. и др. Переход сельского хозяйства к цифровым, интеллектуальным и роботизированным технологиям // Экономика региона. Т. 14. № 3. С. 1014–1028.
7. 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.
8. Iandola F. et al. Densenet. Implementing efficient convnet descriptor pyramids. arXiv preprint arXiv. 2014. Pp. 1404–1869.
9. Huang G., Liu Z., Van Der Maaten et al. Сonnected convolutional networks. Proceedings of the IEEE conference on computer vision and pattern recognition. 2017. Pp. 4700–4708.
10. Sandler M., Howard A., Zhu M. et al. MobileNetV2. Inverted residuals and linear bottlenecks. Proceedings of the IEEE conference on computer vision and pattern recognition. Pp. 4510–4520.
11. Szegedy C. et al. Inception-v4, inception-resnet and the impact of residual connections on learning. Thirty-first AAAI conference on artificial intelligence. 2017.
12. Tan M., Le Q. Efficientnet. Rethinking model scaling for convolutional neural networks. International conference on machine learning. PMLR. 2019. Pp. 6105–6114.