Целью работы является разработка веб-приложения для автоматического распознавания болезней растений на основе анализа изображений с использованием методов глубокого обучения. В процессе работы был проведен всесторонний анализ предметной области, включающий изучение текущих методов и технологий в области распознавания болезней растений. Также был выполнен обзор существующих решений на рынке, что помогло определить наиболее подходящие технологии и инструменты для разработки. На основе полученной информации были составлены требования к разрабатываемому веб-приложению, включая функциональные и нефункциональные аспекты. Затем была спроектирована архитектура системы, учитывающая требования к безопасности, производительности и масштабируемости. В качестве основы для модели машинного обучения была выбрана архитектура VGG19, которая способна эффективно извлекать высокоуровневые признаки из изображений. Обученная на общедоступном наборе данных, взятых с Kaggle, модель продемонстрировала высокую точность. Для разработки веб-приложения использовались HTML, CSS и JavaScript для клиентской части, а Flask — для серверной части. Приложение предоставляет пользователю удобный интерфейс для загрузки изображений и получения результатов диагностики в реальном времени. Также была предусмотрена интеграция обученной модели в веб-приложение, что позволяет использовать все преимущества машинного обучения для диагностики заболеваний растений.

The aim of the work is to develop a web application for automatic recognition of plant diseases based on image analysis using deep learning methods. In the course of the work, a comprehensive analysis of the subject area was carried out, including the study of current methods and technologies in the field of plant disease recognition. An overview of existing solutions on the market was also carried out, which helped to identify the most suitable technologies and tools for development. Based on the information received, the requirements for the web application being developed, including functional and non-functional aspects, were compiled. Then the system architecture was designed, taking into account the requirements for security, performance and scalability. The VGG19 architecture was chosen as the basis for the machine learning model, which is capable of efficiently extracting high-level features from images. Trained on a publicly available dataset taken from Kaggle, the model demonstrated high accuracy. To develop the web application, HTML, CSS and JavaScript were used for the client side, and Flask for the server side. The application provides the user with a user-friendly interface for uploading images and receiving diagnostic results in real time. The integration of the trained model into a web application was also provided, which allows you to use all the advantages of machine learning for the diagnosis of plant diseases.