Использование нейронной сети для выявления больных растений картофеля
При возделывании семенного картофеля основная цель, которая ставится перед семеноводческими хозяйствами это получение семенного материала, соответствующего нормативным документам РФ. Получаемые семенные клубни должны быть здоровыми, целыми и с окрепшей кожурой, в семенном материале не допускается наличие вредителей, семян сорняков, болезней, а также не допускаются к посадке клубни с признаками «удушья», с ожогами, подмороженные и т.д. согласно ГОСТ Р 53136-2008.
С этой целью важное значение уделяется комплексу агротехнических приёмов, направленных на ограничение распространения грибковых, вирусных и бактериальных инфекций в процессе роста и развития растений. Так растения картофеля, возделываемого на семенных делянках должны соответствовать морфологическим признакам характерным для данного сорта, однородные по росту и развитию, листья должны иметь однородный окрас, без признаков крапчатости, скручивания или закручивания, складчатости.
В связи с этим для повышения качества получаемого семенного материала и как следствие высоко конкурентную продукцию в долгосрочной перспективе производятся фитопрочистки посадок выращиваемого семенного материала. На данный момент основная часть фитопрочисток производится вручную специально обученными людьми, при этом механизация данного процесса ограничивается производством машин предназначенных для перевозки работников которые и производят инспекцию посадок, удаление и сборку растений.
Растения, поражённые болезнями или вредителями, как правило можно определить визуально, с этой целью данные операции выполняются специалистами, обученными диагностировать вредителей и болезни путем визуального осмотра или проведения лабораторных анализов образцов растений. Однако этот подход имеет ряд ограничений:
Обучение таких специалистов затратно экономически и занимает много времени.
Требуется высокий уровень знаний, чтобы различать заболевания с визуально схожими характеристиками. В таких случаях даже высококвалифицированный специалист может поставить неправильный диагноз из-за усталости, плохого освещения или плохого зрения. Более того, отдельные эксперты часто являются специалистами по небольшому набору заболеваний.
Фермеры и специалисты могут быть не в состоянии правильно распознать неместные болезни и вредителей.
Использование автоматизированных алгоритмов обработки изображений для обнаружения вредителей и болезней сельскохозяйственных культур является активной областью исследований, направленных на преодоление этих ограничений. Расширение возможностей и доступность цифровых камер и вычислительного оборудования в сочетании с их снижением стоимости означает, что цифровые методы обработки изображений могут стать альтернативой ручному труду в этой области.
Машинное зрение включает компьютеризированную обработку и анализ изображений, снятых с использованием широкого спектра датчиков, включая камеры видимого света, инфракрасные устройства формирования изображений и датчики, работающие в разных диапазонах электромагнитного спектра.
Ранние работы основывались на классических процедурах обработки изображений и «ручном» извлечении признаков из изображений листьев. Затем эти признаки использовались для обучения неглубоких алгоритмов классификатора, таких как метод опорных векторов (SVM), анализ основных компонентов (PCA), классификация по методу максимального правдоподобия (MLC), метод K-ближайших соседей (KNN), наивный байесовский анализ (NB), деревья решений (DT), случайный лес (RF) и искусственные нейронные сети (ANN). Более поздние работы были сосредоточены на разработке архитектур сверхточной нейронной сети (CNN) с глубоким обучением для автоматического извлечения признаков и классификации изображений.
Эта тенденция обусловлена тремя основными факторами:
— наличие больших наборов данных;
— адаптация многоядерных графических процессоров (GPU) к обучению глубоких нейронных сетей;
— разработка вспомогательных программных библиотек, таких как Compute Unified Device Architecture (CUDA) от корпорации Nvidia.
Таким образом использование технологий цифровой обработки изображения с целью фитопрочистки овощных культур является перспективным направлением исследований. С развитием данного направления появляется всё больше новой информации об успешном применении технологий машинного зрения в рамках фитопрочистки культурных растений. Наиболее актуальным направлением развития в данной области представляется использование нейронных сетей глубокого обучения.
Материалы и методы
В ходе проведённых исследований были проанализированы существующие технологии машинного зрения, а также разработанные технологии машинного обучения, используемые в растениеводстве для фенотипирования, генотипирования и определения заболеваний растений. На основе проведённых исследований была выбрана наиболее подходящая архитектура нейронной сети.
В ходе обучения и тестирований нейронной сети использовались технологии кадрирования, методы аффинного преобразования, информационно-логического анализа исходной информации.
Результаты и обсуждения
Исходя из проведенного анализа существующих технологий машинного обучения был разработан программный комплекс на основе сверточной нейронной сети ResNet34 предназначенной для анализа изображений и последующего определения заболевших растений картофеля. Используемая нейронная сеть обладает 34 слоями.
Традиционная сверточная нейронная сеть или полносвязная нейронная сеть будет иметь потерю информации, и другие проблемы при передаче данных, в то же время это приведет к исчезновению или всплеску градиента, что в свою очередь способно вызывать проблемы в её обучении. Нейронная сеть на основе архитектуры ResNet решает эту проблему в определенной степени. Она защищает целостность данных, напрямую обходя входную информацию и выводя ее. Всей сети нужно только изучить часть разницы между входом и выходом, что упрощает её обучение.
Стоит отметить, что для работы с нейронными сетями требуется наличие достаточно больших вычислительных мощностей графического процессора GPU. Использование именно графических процессоров для обучения нейронных сетей связано в первую очередь с различием архитектуры их построения в сравнении с центральными процессорами CPU. Графические процессоры, благодаря архитектуре своего ядра, эффективно справляются с большим количеством несложных однотипных задач, в связи с чем обладают высокой производительностью.
Стоит также обратить внимание на то, что обучение нейронных сетей на CPU способно занять несколько месяцев, в то время как графические процессоры с данной задачей способны справиться за несколько дней. При этом GPU обладают меньшим энергопотреблением.
Способность к быстрому обучению нейронных сетей на графических процессорах связаны в первую очередь с их особенностью решать параллельно несколько задач, а сами нейронные сети представляют собой параллельные алгоритмы. Кроме того, графические процессоры оптимизированы для матричных операций и ускоряют их – они необходимы нейронным сетям для получения результата.
В связи с чем для реализации нейронной сети, основанной на архитектуре ResNet34, её тренировки и проведения испытаний по её применимости для определения здоровых и заболевших растений картофеля был использован сервис Google Collaboratory. Данный ресурс представляет собой облачный сервис, позволяющий получить удаленный доступ к машине с подключенной видеокартой.
Для проведения корректной тренировки нейронной сети на изображениях листьев и растений картофеля, к фотографиям применяются следующие требования:
— Отсутствие на изображениях посторонних объектов;
— Высота, на которой делаются снимки должна быть постоянной.
— Светочувствительность камеры (ISO) настраивается так, чтобы не было белых пятен на изображении (засветок).
В качестве тренировочной выборки была использована библиотека, состоящая из 200 фотографий заболевших листьев картофеля и 200 фотографий здоровых листьев картофеля, примеры изображения заболевших и здоровых листьев (растений) картофеля представлены на рисунках 1 и 2.
Стоит заметить, что из 200 фотографий больных и здоровых растений 49 изображений были собраны собственными средствами (рис. 1б; 2б), остальные изображения больных и здоровых листьев были взяты из библиотеки изображений листьев картофеля PlantVillage (рис. 1а; 2а).
Для определения качества работы программного комплекса по выявлению заболевших растений картофеля, была проведена серия испытаний. Для этого была подготовлена тестовая выборка фотографий, не участвующих в обучении нейронной сети. В неё вошли по 25 фотографий здоровых и больных растений, которые были собраны собственными средствами (рис. 3). Каждая из фотографий подверглась трёхкратному аффинному преобразованию, что позволило искусственно увеличить объём тестовой выборки.
В ходе исследований оценивалась с какой точностью производилось распределения растений к той или иной группе. Полученные вероятности заносились в таблицу. На основании полученных данных была построена графическая зависимость показывающая среднее значение точности распределения исходя от количества эпох обучения (рис. 4).
Анализ графиков показывает, что точность классификации растений на первой эпохи составила 0,797 или 79,7 % для всех растений, при этом корректность распознавания заболевших растений составляла 0,607 или 60,7%, стоит отметить, что уже на данной эпохе корректности распознавания здоровых растений составляла 99,9 %. С увеличением количества проведённых эпох обучения наблюдается рост корректных распознаваний, так уже на четвёртой эпохе корректность распознавания для всех растений составляет более 99,5 %, а на шестой эпохе данный показатель достигает 99,9 % для всех растений и 99,8 % для зараженных.
Выводы
Исходя из вышеизложенного можно сделать вывод, что используемая сверточная нейронная сеть ResNet34 на высоком уровне справилась с экспериментальной задачей. В свою очередь для дальнейшего обучения нейронной сети необходимо создать обширную информационную базу по заболеваниям картофеля.
Кроме того, в связи с активно развивающимися технологиями машинного зрения и потребностью семеноводческих хозяйств и научно исследовательских институтов в машинах для проведения фитопрочисток, необходима разработка программно-аппаратного комплекса по анализу посадок картофеля и выявлению заражённых растений в режиме реального времени. Что позволит повысить качество проводимых работ.
Авторы:
Александр Геннадьевич Аксенов, доктор технических наук, ведущий научный сотрудник отдела «Технологии и машины для овощеводства» Федеральный научный агроинженерный центр ВИМ. ORCID: 0000-0002-9546-7695 E-mail: 1053vim@mail.ru
Владимир Сергеевич Тетерин, кандидат технических наук, старший научный сотрудник отдела «Технологии и машины для овощеводства» Федеральный научный агроинженерный центр ВИМ. ORCID: 0000-0001-8116-723Х E-mail: v.s.teterin@mail.ru
Алексей Юрьевич Овчинников, младший научный сотрудник отдела «Технологии и машины для овощеводства» Федеральный научный агроинженерный центр ВИМ ORCID: 0000-0002-2188-1527 E-mail: aleksovchinn@gmail.com
Николай Сергеевич Панферов, кандидат технических наук, старший научный сотрудник отдела «Технологии и машины для овощеводства» Федеральный научный агроинженерный центр ВИМ. ORCID: 0 0000-0001-7431-7834 E-mail: nikolaj-panfyorov@yandex.ru
Сергей Александрович Пехнов, старший научный сотрудник отдела «Технологии и машины для овощеводства» Федеральный научный агроинженерный центр ВИМ. ORCID: 0000-0001-9471-6074 E-mail: pehnov@mail.ru
УДК 631.171: 632.915: 004.93 DOI: 10.32634/0869-8155-2022-361-7-8-167-171
Сельское хозяйство, ветеринария, зоотехния, агрономия, агроинженерия, пищевые технологии
