Details

Данная работа посвящена исследованию методов компьютерного зрения и машинного обучения, направленных на автоматическую диагностику заболеваний растений по изображениям листьев, также работа включает разработку и обучение нейронной сети для идентификации признаков заболеваний растений по изображениям. Задачи, которые решались в ходе исследования: 1) Анализ современных подходов и существующих систем диагностики заболеваний растений; 2) Формирование обучающего набора данных на основе открытого набора данных; 3) Проектирование и обучение модели сверточной нейронной сети; 4) Разработка прикладного приложения с графическим интерфейсом для проведения классификации и отображения результатов. Для реализации был использован язык программирования Python с библиотеками PyTorch и Torchvision, обеспечивающими построение и обучение модели нейронной сети. Аналитическая и визуализационная часть выполнялась средствами Matplotlib и Pandas, а интерактивный интерфейс разработан с использованием Streamlit. Исходный набор изображений и базовая обработка данных осуществлялись на основе ресурсов платформы Kaggle.

This work is devoted to the study of computer vision and machine learning methods aimed at automatically diagnosing plant diseases from leaf images; the work also includes the development and training of a neural network to identify signs of plant diseases from images. Problems that were solved during the study: 1) Analysis of modern approaches and existing systems for diagnosing plant diseases; 2) Formation of a training data set based on an open data set; 3) Design and training of a convolutional neural network model; 4) Development of an application with a graphical interface for classification and display of results. For implementation, the Python programming language was used with the PyTorch and Torchvision libraries, which provide construction and training of a neural network model. The analytical and visualization part was performed using Matplotlib and Pandas, and the interactive interface was developed using Streamlit. The initial set of images and basic data processing were carried out based on the resources of the Kaggle platform.

• ВВЕДЕНИЕ
• ГЛАВА 1 ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ
  • 1.1 Обзор литературы
  • 1.2 Основы классификации изображений
  • 1.3 Методы машинного обучения для классификации изображений
    • 1.3.1 Случайный лес
    • 1.3.2 Метод опорных векторов
    • 1.3.3 Метод машинного обучения с помощью CNN
  • 1.4 Анализ существующих решений
  • 1.5 Постановка задачи
• Выводы по главе 1
• ГЛАВА 2 РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ
  • 2.1 Выбор инструментов и технологий
    • 2.1.1 Программная платформа и язык разработки
    • 2.1.2 Выбор метода машинного обучения
    • 2.1.3 Выбор библиотек и фреймворков
  • 2.2 Подготовка данных
    • 2.2.1 Первичный анализ и проверка целостности данных
    • 2.2.2 Характеристика исходного набора данных
    • 2.2.3 Разметка и балансировка классов
    • 2.2.4 Предобработка изображений
    • 2.2.5 Разделение выборки
• Выводы по главе 2
• ГЛАВА 3 РЕАЛИЗАЦИЯ
  • 3.1 Загрузка и аугментация данных
  • 3.1 Использование предобученной ResNet18 и настройка гиперпараметров обучения
  • 3.1 Организация цикла обучения и выбор числа эпох
  • 3.2 Разработка прикладного приложения
• Выводы по главе 3
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
• ПРИЛОЖЕНИЕ А ЛИСТИНГ ФАЙЛА TRAIN.PY
• ПРИЛОЖЕНИЕ Б ЛИСТИНГ ФАЙЛА INSTALL_LIB.BAT
• ПРИЛОЖЕНИЕ В ЛИСТИНГ ФАЙЛА APP.PY