В данной работе представлен подход к разработке информационной системы для автоматизированной диагностики заболеваний растений. На основании анализа современных разработок была предложена система, включающая классификатор заболеваний растений, построенный на сверточной нейронной сети. Результатом работы является модель системы с различными вариантами классификаторов. Для этой модели был проведен ряд экспериментов на реальных изображениях.

This paper propose information system for automatic plant leaves diseases detection. According to state of the art methods, proposed system includes classifier built on a convolutional neural network. Result of the work is model of system with some variants of classifiers. Series of experiments were carried out on system to verify the accuracy on images taken in uncontrolled environment.

• СПИСОК ИСПОЛЬЗУЕМЫХ ОБОЗНАЧЕНИЙ
• ВВЕДЕНИЕ
• 1. Обзор методов к решению задачи распознавания заболеваний растений
  • 1.1. Спектроскопические и визуализирующие методы
  • 1.2. Методы цифровой обработки изображений в видимом спектре
    • 1.2.1. Нейронные сети
    • 1.2.2. Машина опорных векторов
    • 1.2.3. Цветовой анализ
    • 1.2.4. Самоорганизующиеся карты
    • 1.2.5. Дискриминантный анализ
  • 1.3. Подходы на основе глубокого обучения
    • 1.3.1. Современные разработки средств распознавания заболеваний растений с применением глубоких нейронных сетей
  • 1.4. Особенности решения задачи распознавания заболеваний растений
    • 1.4.1. Внешние факторы
    • 1.4.2. Внутренние факторы
  • 1.5. Заключение
• 2. Проектирование системы распознавания заболеваний растений
  • 2.1. Подготовка данных
  • 2.2. Обучение нейронной сети
  • 2.3. Развертывание системы
    • 2.3.1. Получение изображения
    • 2.3.2. Предварительная обработка изображения
    • 2.3.3. Классификация
    • 2.3.4. Результат
• 3. Реализация системы распознавания
  • 3.1. Выбор технических средств для реализации системы детектирования
    • 3.1.1. Выбор языка программирования
    • 3.1.2. Выбор библиотеки для работы с нейронными сетями
    • 3.1.3. Выбор библиотеки для обработки изображений
  • 3.2. Описание процесса разработки
    • 3.2.1. Составление набора данных
    • 3.2.2. Выбор модели сверточной нейронной сети для классификатора и ее обучение
  • 3.3. Описание разработанных программных модулей
    • 3.3.1. Расширение выборки
    • 3.3.2. Обучение и тестирование светрочной нейронной сети
    • 3.3.3. Использование обученных моделей сетей для экспериментов
• 4. Тестирование системы распознавания
  • 4.1. Подготовка экспериментов
  • 4.2. Сравнение различных вариантов классификаторов
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ 1. КЛАССЫ НАБОРА ДАННЫХ ДЛЯ ОБУЧЕНИЯ
• ПРИЛОЖЕНИЕ 2. ЛИСТИНГИ