Details

Выпускная квалификационная работа посвящена разработке и исследованию системы диагностики болезней растений на основе анализа изображений. В работе рассматривается задача автоматической классификации изображений листьев растений с использованием методов компьютерного зрения и сверточных нейронных сетей, а также разработка пользовательского интерфейса системы на базе Telegram-бота. Актуальность темы обусловлена необходимостью оперативной предварительной диагностики заболеваний растений. Традиционные методы диагностики, основанные на визуальном осмотре специалистом или лабораторных исследованиях, могут обеспечивать высокую достоверность, однако требуют времени, квалификации и специального оборудования. В связи с этим возрастает потребность в интеллектуальных информационных системах, способных выполнять первичную оценку состояния растения по изображению и предоставлять пользователю результат в удобной форме. Объектом исследования является процесс диагностики болезней растений по визуальным признакам. Предметом исследования являются методы машинного обучения, компьютерного зрения и проектирования информационных систем, применяемые для анализа изображений растений и формирования диагностического результата. Цель выпускной квалификационной работы – разработать и исследовать информационную систему диагностики болезней растений на основе анализа изображений, включающую аналитический модуль классификации и пользовательский интерфейс на базе Telegram-бота. Для достижения цели выполнен анализ предметной области диагностики заболеваний растений, рассмотрены методы компьютерного зрения и сверточных нейронных сетей, а также проведён обзор существующих систем диагностики растений. Разработана архитектура системы, включающая аналитический модуль и Telegram–бот. В качестве модели использована MobileNetV2 с применением transfer learning. Для обучения применялся датасет New Plant Diseases Dataset. Изображения были разделены на обучающую, валидационную и тестовую выборки, а также предварительно обработаны.Экспериментальные результаты показали высокое качество классификации: accuracy – 0,9423, precision – 0,9459, recall – 0,9423 и F1–score – 0,9422. Проведено сравнение с Plant.id API, в котором разработанная модель показала более высокие результаты. Разработанная система включает Telegram–бот, модуль обработки изображений и аналитический модуль классификации на основе сверточной нейронной сети.

The graduate qualification work is devoted to the development and research of a plant disease diagnosis system based on image analysis. The work considers the task of automatic classification of plant leaf images using computer vision methods and convolutional neural networks, as well as the development of a user interface based on a Telegram bot. The relevance of the topic is determined by the need for rapid preliminary diagnosis of plant diseases. Traditional diagnostic methods based on visual inspection by a specialist or laboratory research can provide high reliability, but they require time, professional qualification and special equipment. Therefore, there is a growing need for intelligent information systems capable of performing an initial assessment of a plant condition from an image and providing the result to the user in a convenient form. The object of the research is the process of diagnosing plant diseases by visual signs. The subject of the research is machine learning methods, computer vision methods and information system design approaches used for plant image analysis and diagnostic result generation. The aim of the graduate qualification work is to develop and study an information system for plant disease diagnosis based on image analysis, including an analytical classification module and a user interface based on a Telegram bot. To achieve this aim, the subject area of plant disease diagnosis was analyzed, computer vision methods and convolutional neural networks were considered, and existing plant diagnosis systems were reviewed. The system architecture was developed, including an analytical module and a Telegram bot. MobileNetV2 with transfer learning was used as the classification model. The New Plant Diseases Dataset was used for training. The images were divided into training, validation and test sets and were also preprocessed. The experimental results showed high classification quality: accuracy — 0.9423, precision — 0.9459, recall — 0.9423, and F1-score — 0.9422. A comparison with the Plant.id API was carried out, in which the developed model demonstrated higher results. The developed system includes a Telegram bot, an image processing module and an analytical classification module based on a convolutional neural network.