Тема выпускной квалификационной работы: «Система распознавания болезней растений по многомерным описаниям RGB изображений листьев». Данная работа посвящена разработке системы обнаружения и классификации болезней растений по многомерным описаниям RGB изображений листьев. Задачи, которые решались в ходе работы: 1. Разработка метода нормализации фотоизображений листьев. 2. Вычисление текстурных характеристик изображений – характеристики Харалика. 3. Разработка алгоритма классификации болезней растений на основе нечеткой логики. 4. Разработка алгоритма классификации болезней растений на основе нейронной сети. 5. Программная реализация выше алгоритма и метода. Объект исследования является набором изобраэений листьев пшеницы. В работе, рассмотрены существенные методы диагностики болезней растений по изображений, как методы на основе нейронной сети, и метод с использованием текстурного анализа и нечеткой логики. На наше наборе данных, выполняли методом анализа текстурных характеристик чтобы выделяли характеристики для классификации типа заболевания. Классификация реализуется методом нечеткой логики и методом полностью подключенной сети, и потом сравниваются результаты двух методов. Перед вычислением текстурных характеристик изображений, применяли классический метод обработки изображений, используя открытой библиотекой OpenCV, чтобы удалять из изображения шумы – области ненужной информации. Обработки изображений помогает повысить качество ввода в систему, незавимисо от того, какой метод диагностики используется. В результате работы, разработана система распознавания болезней растений по изображениям листьев, двум методами: метод нечеткой логики и метод нейронной сети. Так же сравнивать результат моделирования работы двух методов, получилось что с небольшим набором данных, метод нечеткой логики достигается точность более 95%. А метод нейронной сети применяется только при большим набором данных на обучении. Разработная система нами были проверены на набор данных пшеницы, но так же предлагаем применить для других типов растений, заболевания которых отображаются на своих листьях, например кукуруза....

The subject of the graduate qualification work is: "A system for recognizing plant diseases from multidimensional descriptions of RGB leaf images." This work is devoted to the development of a system for the detection and classification of plant diseases according to multidimensional descriptions of RGB leaf images. Tasks that were solved in the course of work: 1. Development of a method for normalizing leaf images. 2. Calculation of the texture features of images - Haralick’s features. 3. Development of an algorithm for classifying plant diseases based on fuzzy logic. 4. Development of an algorithm for classifying plant diseases based on neural network. 5. Software implementation of the above algorithm and method. The object of study is a set of images of wheat leaves. In this work, we consider the essential methods for diagnosing plant diseases using images, as methods based on a neural network, and a method using texture analysis and fuzzy logic. On our data set, we performed the method of analysis of texture characteristics to select characteristics for classifying the type of disease. The classification is implemented using the fuzzy logic method and the fully connected network method, and then the results of the two methods are compared. Before calculating the texture features of the images, we used the classical image processing method using the OpenCV library to remove noise from the image — areas of unnecessary information. Image processing helps to improve the quality of input into the system, regardless of what diagnostic method is used. As a result of the work, a system for recognizing plant diseases from leaf images was developed using two methods: the fuzzy logic method and the neural network method. To compare the result of modeling the work of two methods, it turned out that with a small data set, the fuzzy logic method achieves an accuracy of more than 95%. And the neural network method is used only with a large data set for training. We tested the developed system on a wheat data set, but we also propose to apply it to other types of plants whose diseases are displayed on their leaves, for example, corn ....