Details

Данная работа посвящена решению проблемы автоматизированной диагностики заболеваний сельскохозяйственных культур путем разработки интеллектуальной веб-системы, способной с высокой точностью классифицировать болезни листьев риса по фотографиям. В работе был проведен анализ архитектур сверточных нейронных сетей, в результате чего для задачи классификации была выбрана и адаптирована модель ResNet-34. Подготовлен набор данных, включающий 4 основных состояния листьев риса. Выполнено обучение модели в среде PyTorch с последующей оценкой ее точности. Практическая часть включает разработку полноценного веб-приложения на базе микрофреймворка Flask. Реализован функционал загрузки изображений, инференса модели в реальном времени, а также спроектирована база данных SQLite для ведения истории запросов и сельскохозяйственной энциклопедии. Пользовательский интерфейс построен с использованием фреймворка Layui и поддерживает мультиязычность. Результатом работы является готовая к эксплуатации программная система, позволяющая фермерам и агрономам своевременно выявлять заболевания риса, что способствует снижению потерь урожая.

This work is devoted to solving the problem of automated diagnosis of agricultural crop diseases by developing an intelligent web system capable of accurately classifying rice leaf diseases from photographs. The paper analyzes the architectures of convolutional neural networks, as a result of which the ResNet-34 model was selected and adapted for the classification task. A dataset including 4 main states of rice leaves was prepared. The model was trained in the PyTorch environment, followed by an evaluation of its accuracy. The practical part includes the development of a full-fledged web application based on the Flask microframework. The functionality for image uploading and real-time model inference was implemented, and an SQLite database was designed to maintain request history and an agricultural encyclopedia. The user interface is built using the Layui framework and supports multilingualism. The result of the work is a ready-to-use software system that allows farmers and agronomists to timely identify rice diseases, thereby helping to reduce crop losses.