Transfer Learning and UNet Segmentation для классификации болезней листьев риса в качестве решения с удобным интерфейсом для пользователей, не обладающих техническими знаниями

Краткое содержание

В этом протоколе описывается конвейер глубокого обучения на основе изображений для классификации болезней листьев риса. Он сочетает в себе сегментацию на основе UNet и модели трансферного обучения для повышения точности. Этот подход поддерживает автоматическое обнаружение заболеваний и включает в себя пользовательский интерфейс для практического развертывания, помогая неспециалистам выявлять проблемы с рисовыми культурами.

Аннотация

Рис-сырец является жизненно важной продовольственной культурой, которая поддерживает миллиарды людей во всем мире, а выращивание риса-сырца жизненно важно для экономической стабильности многих стран, выступая в качестве ключевого фактора дохода и занятости в сельскохозяйственных общинах, особенно по всей Азии. Несмотря на свою важность, выращивание риса-сырца затруднено различными болезнями листьев, такими как тунгро, влагалище (SB), Paddy Hispa (PH), Neck Blast (NB), узкая коричневая пятнистость (NBS), ожог листьев (LS), взрыв листьев (LB), коричневая пятнистость (BS) и бактериальный фитофтороз листьев (BLB), все из которых негативно влияют на урожайность и качество зерна. Для решения этих проблем в данном исследовании предлагается индивидуальный подход к глубокому обучению, основанный на трансферном обучении. Были оценены шесть различных моделей, при этом специализированная модель DenseNet-121 продемонстрировала наилучшую производительность, достигнув точности 0,98, точности 0,97 и полноты 0,96. Для повышения производительности модели сегментация изображений была выполнена с использованием модели UNet, которая значительно повысила точность за счет создания сегментированного набора данных изображений. Шесть моделей были протестированы на двух наборах данных: один содержал сегментированные изображения, а другой — несегментированные изображения, оба получены из набора данных Paddy Leaf Disease Detection Dataset. Кроме того, был разработан простой и интуитивно понятный графический интерфейс, позволяющий пользователям, не имеющим технического образования, удобно взаимодействовать с моделью и выявлять болезни риса-листа. Это интегрированное решение подчеркивает эффективность глубокого обучения в предоставлении надежных и масштабируемых методов классификации болезней рисового листа.

Введение

Рис-сырец является краеугольным камнем мирового сельского хозяйства, поддерживая миллиарды людей и формируя экономическую основу многих стран, особенно в Азии, где на его долю приходится значительная часть как потребления продуктов питания, так и средств к^{существованию.} Тем не менее, устойчивое производство риса-сырца все больше находится под угрозой из-за различных биологических и экологических факторов, при этом болезни листьев являются одной из наиболее серьезных проблем. Такие болезни, как бактериальная гниль листьев, бурая пятнистость и падеж ^2,3, могут значительно снизить урожайность сельскохозяйственных культур, ухудшить качество зерна и привести к значительным финансовым потерям для фермеров⁴.

Для решения этих проблем классификация болезней листьев риса стала важным инструментом в патологии растений⁵. Раннее и точное выявление таких заболеваний позволяет своевременно принять меры, смягчая распространение и воздействие инфекций. Традиционно эта задача опирается на экспертный визуальный осмотр, который, хотя и эффективен в небольших условиях, страдает от таких ограничений, как субъективность, трудоемкость и ограниченная масштабируемость на больших сельскохозяйственных площадях.

Последние достижения в области машинного обучения (ML) и глубокого обучения (DL) значительно изменили способ обнаружения и классификации болезней растений. Эти технологии используют изображения зараженных листьев с высоким разрешением, чтобы обеспечить автоматическую, масштабируемую и точную идентификацию заболеваний. Такая автоматизация повышает согласованность, снижает количество человеческих ошибок и поддерживает принятие решений фермерами в режиме реального времени⁶.

В нескольких современных исследованиях также изучались инновационные подходы к улучшению сельскохозяйственной диагностики. Например, исследования на уровне РНК, такие как опосредованное circANK-опосредованное подавление защиты, открыли новые биологические возможности в понимании рисовых болезней⁷, в то время как основанные на зрении структуры, такие как двухпутная сегментация экземпляров для обнаружения рисовых рядов, показали полезность глубокого обучения в точном земледелии^. Более того, недавние работы, такие как TMFF: Trustworthy Multi-Focus Fusion для классификации по нескольким меткам в сложных визуальных средах, подчеркивают растущую важность гибридных и надежных моделей DL для развертывания в реальных^{условиях9}.

Вдохновленное этими разработками, данное исследование улучшает классификацию болезней листьев риса за счет интеграции сегментации на основе UNet с моделями глубокого трансферного обучения. Этот подход направлен на более точную изоляцию пораженных регионов и их классификацию с помощью эффективных предварительно обученных сетей. Устраняя ограничения традиционных ручных методов и повышая направленность моделей за счет сегментации, эта работа способствует повышению эффективности классификации, поддержке устойчивых методов ведения сельского хозяйства и укреплению систем продовольственной безопасности¹⁰.

Схема классификации болезней листьев риса

Рис-сырец имеет беспрецедентное значение в качестве основной сельскохозяйственной культуры, кормящей более 50% населения мира и служащей ключевым экономическим двигателем для многих развивающихся стран, особенно^{в Азии.} Помимо своей роли в обеспечении продовольственной безопасности, выращивание риса-сырца глубоко укоренилось в культурных и социальных практиках во многих регионах, что делает его устойчивое производство приоритетом для правительств и заинтересованных сторон в сельском хозяйстве. Тем не менее, производство риса-сырца сопряжено с проблемами, среди которых болезни листьев продолжают угрожать как урожайности, так и качеству рисовых культур. Широко распространенные проблемы, такие как бактериальный фитофтороз листьев, бурая пятнистость и взрыв риса, способствуют значительным потерям^{урожая12}, влияя на мировое производство риса-сырца и создавая нагрузку на экономику, которая в значительной степени зависит от этого основного продукта.

Классификация болезней листьев является жизненно важным компонентом современного управления сельским хозяйством, поскольку она обеспечивает основу для своевременных и эффективных мер по борьбе с болезнями. Своевременная идентификация позволяет аграриям контролировать распространение болезней, эффективно использовать агрохимикаты и избежать значительного ущерба урожаю. Традиционно этот процесс зависел от визуального осмотра, проводимого квалифицированными специалистами в области сельского хозяйства. Хотя этот метод может быть эффективным, он трудоемкий, занимает много времени и в значительной степени зависит от уровня квалификации наблюдателя. Кроме того, в крупномасштабных сельскохозяйственных хозяйствах ручной осмотр часто становится нецелесообразным, особенно когда на начальных^{стадиях инфекции трудно} выявить тонкие симптомы.

Появление автоматизированных систем классификации болезней листьев произвело революцию в сельскохозяйственной диагностике¹⁴. Эти системы используют достижения в технологиях обработки изображений и DL для создания масштабируемых¹⁵, эффективных¹⁶ и высокоточных решений¹⁷. Обработка изображений (IP) в сочетании с моделями ML и DL может обрабатывать изображения рисовых листьев с высоким разрешением для выявления симптомов заболевания, часто превосходя традиционные методы по точности и скорости. Автоматизируя процесс классификации, эти системы позволяют фермерам и специалистам в области сельского хозяйства принимать решения на основе данных, снижая зависимость от человеческого опыта и сводя к минимуму риск ошибок.

Классификация болезней листьев риса не только обеспечивает более высокую производительность и снижение потерь, но и способствует достижению более широких целей устойчивого сельского хозяйства. Обеспечивая точную идентификацию болезней¹⁸, эти технологии помогают оптимизировать использование пестицидов¹⁹ , тем самым сводя к минимуму воздействие на окружающую среду и продвигая^{экологически чистые методы} ведения сельского хозяйства. Кроме того, интеграция этих систем с мобильными приложениями и инструментами дистанционного зондирования расширяет их охват мелких фермеров в условиях ограниченных ресурсов, способствуя инклюзивности и справедливости в сельскохозяйственном прогрессе²¹.

Важность риса-сырца как глобальной культуры подчеркивает потребность в надежных, надежных и доступных методах классификации болезней листьев²². Благодаря внедрению этих технологий сельскохозяйственный сектор может решить одну из своих самых насущных проблем — обеспечить устойчивость и устойчивость производства риса-сырца в условиях растущего спроса и экологических ограничений.

Методы моделирования

Предлагаемый метод классификации болезней листьев риса объединяет различные сложные методы для повышения точности и эффективности:

Сегментация изображений: Первый шаг включает в себя сегментацию изображений листьев, чтобы изолировать область листа от фона. Этот шаг снижает вычислительную сложность за счет удаления нежелательных частей^23,24 изображения и улучшает фокусировку на соответствующих шаблонах, что приводит к повышению точности.

Извлечение признаков: Особенности извлекаются из сегментированных изображений, фиксируя критически важные детали о симптомах заболевания²⁵. Эти особенности легли в основу классификационной модели, позволяющей эффективно различать здоровые и больные листья.

Трансферное обучение: Трансферное обучение используется для использования знаний из предварительно обученных моделей, что значительно сводит к минимуму необходимость в обширном обучении на новых наборах данных. Такой подход ускоряет процесс разработки при сохранении высокой точности и эффективности²⁶.

Сквозная модель классификации: В отличие от традиционных методов, которые используют трансферное обучение исключительно для извлечения признаков, предлагаемая методология включает в себя сквозную структуру классификации. Этот целостный подход объединяет извлечение признаков и классификацию^27,28 в бесшовный конвейер, обеспечивая оптимальную производительность.

Метрики оценки: Для анализа производительности модели²⁹ применяется несколько метрик оценки, которые предоставляют подробную информацию о ее точности, аккуратности, полноте и общей эффективности. Этот всесторонний анализ помогает эффективно определить надежность и пригодность модели.

Пробелы в исследованиях

Несмотря на значительный прогресс, в области классификации болезней листьев остаются различные проблемы и ограничения:

Ручная идентификация болезней листьев в значительной степени зависит от экспертов в данной области, что делает ее субъективной и непоследовательной. Даже при сильном знании предметной области человеческие ошибки при ручном подходе могут привести к значительным потерям урожая.

Ручные методы трудоемки и не могут функционировать круглосуточно, что делает их непрактичными для крупномасштабного или непрерывного мониторинга.

Исследования по классификации болезней листьев обширны, но очень ограничены исследования, посвященные именно классификации болезней листьев риса.

В предыдущих исследованиях^,как правило, пренебрегали использованием трансферного обучения для классификации болезней рисовых листьев.

Существующим моделям часто не хватает возможности обобщения для различных условий окружающей среды и вариантов заболеваний, что ограничивает их практическую^{полезность}.

Наборы данных, используемые в текущих исследованиях, часто невелики и не отличаются разнообразием, что препятствует более широкой^{применимости.}

Устраняя эти пробелы, данное исследование направлено на продвижение в области классификации болезней листьев риса с помощью инновационных методов и надежных методологий.

Основные результаты данного исследования

Данное исследование направлено на восполнение этих пробелов путем создания и оценки индивидуального метода классификации болезней рисовых листьев, основанного на глубоком обучении. Основные вклады включают:

Использование трансферного обучения для использования предварительно обученных весов модели позволяет достичь высокой точности за меньшее количество эпох обучения.

Демонстрация того, что меньшее количество эпох обучения снижает потребность в высокой вычислительной мощности, что делает метод доступным для пользователей с ограниченными вычислительными ресурсами.

Разработка комплексной модели классификации, которая объединяет сегментацию, извлечение признаков и классификацию, обеспечивая комплексное решение.

Использование сегментации данных и других методов для улучшения обобщения модели по различным наборам данных.

Открытые челленджи

Несмотря на многообещающие результаты, достигнутые в этом исследовании, открытые вызовы остаются. Эти проблемы включают в себя потребность в более крупных и разнообразных наборах данных для повышения надежности модели³³ и адаптивности³⁴ к различным условиям окружающей среды³⁵ и типам заболеваний, включение мультимодальных данных для повышения точности прогнозирования и развертывание моделей для использования в режиме реального времени в полевых условиях. Кроме того, достижение баланса между вычислительной эффективностью и производительностью модели имеет решающее значение для обеспечения доступности для конечных пользователей, особенно в сельских районах и районах с ограниченными ресурсами.

Протокол

Описание набора данных

Набор данных, использованный в этом исследовании, был получен из общедоступного репозитория Kaggle под названием Paddy Leaf Disease Detection Dataset. Он состоит из 18 545 изображений рисовых листьев, разделенных на 10 классов болезней и 1 класс здоровых. Изображения различаются по разрешению и были сняты при разном освещении и условиях окружающей среды.

Предварительная обработка изображений

Размер всех изображений был изменен до 224 x 224 пикселей с помощью функции tf.image.resize() от TensorFlow. Эта однородность обеспечивает совместимость с входными требованиями предварительно обученных моделей СНС.: Значения пикселей были нормализованы в диапазон [0,1] с использованием параметра rescale=1./255 в Keras ImageDataGenerator. Аугментация (только для обучения): Такие методы, как горизонтальное и вертикальное переворачивание, поворот (± 20°) и масштабирование (до 20%), были применены с помощью ImageDataGenerator для улучшения генерализации.

Сегментация изображений

Модель UNet была использована для сегментации изображений, чтобы изолировать больные участки листьев от фонового беспорядка. Архитектура UNet была построена с использованием функционального API Keras со слоями кодера-декодера, пропуском соединений и активацией ReLU. Маски сегментации были применены к исходным изображениям с помощью попиксельного умножения (cv2.bitwise_and) для сохранения только релевантных признаков.

Архитектура модели и обучение

В качестве магистральных классификаторов были использованы следующие модели: VGG16, ResNet50, InceptionV3, MobileNet, AlexNet и DenseNet121. Предварительно обученные модели (на ImageNet) импортировались с include_top=False. Была добавлена пользовательская классификационная головка, состоящая из глобального среднего пулового слоя, двух плотных слоев со 128 и 64 нейронами (активация ReLU), слоя Dropout (rate = 0,4) и последнего плотного слоя с 11 выходами и активацией Softmax.

Экспериментальная установка

Все эксперименты проводились с использованием следующих настроек: Среда программирования: Python 3.11.5 с TensorFlow и Keras, Платформа выполнения: Jupyter Notebook, Аппаратное обеспечение: Intel Core i5-6300U, 8 ГБ ОЗУ, Windows 11, Размер партии: 32, Эпохи: 50, Оптимизатор: Адам, Скорость обучения: 0.0001, Функция потерь: Категориальная кроссэнтропия, Функции активации: ReLU для скрытых слоев, Softmax для конечного выходного слоя.

Метрики оценки

Точность, полнота и оценка F1 рассчитывались с использованием classification_report от sklearn.metrics. Матрицы неточностей строились с помощью confusion_matrix и seaborn.heatmap. Производительность оценивалась как на несегментированных, так и на сегментированных UNet изображениях для сравнительной оценки.

Разработка графического интерфейса пользователя

Простой графический пользовательский интерфейс был создан с использованием библиотеки Tkinter от Python. Пользователи могут загрузить изображение листа с помощью графического интерфейса, которое затем передается через обученную модель. Прогнозируемый класс заболевания отображается на экране вместе с оценкой достоверности.

Создание набора данных

Набор данных, использованный в этом исследовании, представляет собой общедоступный набор данных Paddy Leaf Diseases Detection от Kaggle³⁶, состоящий в общей сложности из 18 545 изображений рисовых листьев с высоким разрешением, классифицированных по 10 классам болезней и 1 классу здоровых. Изображения были получены при различных условиях освещения и различных условиях окружающей среды, что делает набор данных очень репрезентативным и подходящим для создания надежных моделей глубокого обучения. Набор данных имеет размер около 8,33 ГБ и содержит следующие классы: Tungro, Tumor Binto (SB), Paddy Hispa (PH), Neck Blast (NB), Narrow Brown Spot (NBS), Leaf Scald (LS), Leaf Blast (LB), Healthy, Brown Spot (BS) и Бактериальный ожог листьев (BLB).

Чтобы обеспечить воспроизводимость и эффективную оценку модели, набор данных был случайным образом разделен на обучающие (80%) и тестовые (20%) подмножества с сохранением распределения классов. Обучающий набор использовался для обучения моделей, в то время как тестовый набор был зарезервирован для проверки производительности на невидимых данных. Оценка основывалась на стандартных показателях классификации: точности, точности, полноты и F1-score, которые обеспечивали всестороннюю оценку классификационных возможностей каждой модели. В исследовании сравнивались шесть моделей глубокого обучения: VGG16, ResNet, InceptionV3, MobileNet, AlexNet и DenseNet121, при этом DenseNet121 обеспечивает наилучшую производительность для выполнения этой задачи.

Распределение данных

Классификация заболеваний проводилась с помощью моделей глубокого обучения, обученных на наборе данных. Набор данных был разделен на два подмножества: обучающий и тестовый. Обучающий набор использовался для обучения модели, в то время как тестовый набор использовался для оценки ее производительности на ранее неизвестных данных. Сводная информация о распределении изображений по десяти категориям болезней и классу здоровых листьев представлена в таблице 1. Эта таблица обеспечивает всестороннее понимание визуальных симптомов, связанных с каждым заболеванием, облегчая обучение и оценку моделей классификации.

Такое распределение обеспечивает справедливое представительство каждой категории заболеваний как на этапе обучения, так и на этапе тестирования. Обучающий набор включает в себя большинство изображений, что позволяет модели эффективно изучать уникальные характеристики каждого класса. Тестовый набор, состоящий из меньшего подмножества изображений, обеспечивает надежную оценку точности модели и ее способности обобщать на новые, невидимые данные.

Сбалансированное и разнообразное распределение изображений по категориям гарантирует, что модель обладает достаточным количеством данных для изучения уникальных закономерностей, связанных с каждым типом заболевания, а также снижает риск переобучения или смещения в сторону какого-либо конкретного класса. Такое разделение данных имеет важное значение для получения надежных и надежных результатов классификации.

Очистка данных

На этапе предварительной обработки очистка данных имеет важное значение для повышения точности и эффективности модели классификации. Необработанные изображения рисовых листьев часто содержат нежелательные фоновые элементы, такие как почва, близлежащая растительность или сельскохозяйственные инструменты, которые могут создавать шум и ухудшать общую производительность модели.

Чтобы решить эту проблему, была проведена сегментация изображений с использованием модели UNet ^37,38 — известной архитектуры сверточной нейронной сети, разработанной специально для задач семантической сегментации. Модель UNET способна сегментировать листовые области от фона с высокой точностью, гарантируя, что только соответствующие части изображений сохраняются для дальнейшей обработки³⁹. Процесс сегментации был проиллюстрирован на рисунке 1.

Процесс сегментации с помощью модели UNet (Рисунок 2): Необработанные изображения из набора данных подаются в модель UNET. Модель UNET состоит из кодера, который извлекает иерархические признаки, и декодера, который восстанавливает изображение при сегментации листовой области. Модель выводит двоичную маску, в которой помечается область листа, а фон удаляется. Сегментированные изображения дополнительно уточняются с применением морфологических операций, чтобы обеспечить сглаживание краев и удалить любой остаточный шум (Рисунок 3).

Математическая формулировка сегментации UNet: UNet выполняет семантическую сегментацию, обучаясь отображению из пространства входного изображения в двоичную маску, которая выделяет область интереса (ROI), т. е. больную область листа, подавляя при этом нерелевантный фон. Разрешать:

обозначают входное RGB изображение размера H*W с C=3 цветовыми каналами.

быть выходными данными обученной модели UNet, где каждое значение пикселя в M представляет вероятность принадлежности этого пикселя к пораженной области листа.

Итоговая маска бинарной сегментации

где τ [0,1] — порог сегментации (обычно устанавливается равным 0,5).

Затем сегментированное изображение вычисляется следующим образом:

где обозначает поэлементное умножение, применяемое пространственно по всем каналам. Эта операция сохраняет значения пикселей в ROI (где ) и маскирует пиксели фона (где ). Эти сегментированные выходные данные передаются в качестве входных данных в модель классификации (например, DenseNet121), что позволяет ей сосредоточиться исключительно на признаках, имеющих отношение к заболеванию, игнорируя зашумленные, неинформативные фоновые области, что улучшает производительность классификации и обобщение модели.

Этот этап предварительной обработки гарантирует, что следующие этапы извлечения признаков и классификации выполняются на основе чистых, релевантных данных, тем самым повышая общую производительность и надежность модели классификации болезней листьев риса.

Трансферное обучение

Transfer learning использует предварительно обученные нейронные сети для решения новых, но связанных проблем, устраняя необходимость создавать модели с нуля. Этот подход использует знания, полученные в ходе выполнения предыдущих задач, что позволяет эффективно учиться⁴⁰. Предварительно обученные модели часто разрабатываются на основе обширных наборов данных и обладают надежными возможностями извлечения признаков, что делает их пригодными для тонкой настройки на конкретных наборах данных. Это сокращает время обучения, позволяет избежать переобучения и обеспечивает высокую точность даже при ограниченных вычислительных ресурсах.

В этом исследовании трансферное обучение было использовано для выявления болезней рисового листа путем оценки различных предварительно обученных моделей глубокого обучения. Архитектура, исследованная в экспериментах, включает VGG16, ResNet, InceptionV3, MobileNet, AlexNet и DenseNet121. Каждая из этих моделей изначально была обучена на больших наборах данных, таких как ImageNet, и в этой работе использовались их предварительно обученные веса. Для адаптации моделей к задаче классификации были внесены следующие изменения:

Модификация модели: Исходные полносвязные (классификационные) слои каждой модели были удалены с помощью параметра include_top=False во время импорта модели в Keras. Это гарантировало, что сохранялась только сверточная база (экстрактор признаков) каждой предварительно обученной модели. Вывод последнего сверточного блока был сведен в одномерный вектор с помощью слоя Flatten().

Плотные слои: Три полностью соединенных (плотных) слоя были добавлены последовательно после этапа выравнивания. Эти слои были определены с помощью функции Keras Dense(): первый с 256 нейронами и активацией ReLU, второй со 128 нейронами и активацией ReLU, а третий с 64 нейронами и активацией ReLU. Между слоями также был добавлен слой Dropout, чтобы уменьшить переобучение.

Выходной слой: Три полностью соединенных (плотных) слоя были добавлены последовательно после этапа выравнивания. Эти слои были определены с помощью функции Keras Dense(): первый с 256 нейронами и активацией ReLU, второй со 128 нейронами и активацией ReLU, а третий с 64 нейронами и активацией ReLU. Также был добавлен слой Dropout (коэффициент 0,4) между слоями для уменьшения переобучения.

Общий конвейер и поток методологии, включая предварительную обработку, сегментацию, реализацию модели трансферного обучения и оценку, показаны на рисунке 4. На этом рисунке представлен полный обзор шагов, которые были предприняты в этом исследовании. Использование трансферного обучения позволило свести к минимуму время обучения, снизить зависимость от высокопроизводительных вычислительных ресурсов и значительно повысить производительность классификации болезней рисового листа.

Предложенная модель DenseNet121 для классификации болезней листьев

Среди всех протестированных моделей DenseNet121 продемонстрировал лучшие результаты в классификации болезней листьев риса, достигнув замечательной точности. Эта передовая модель глубокого обучения отличается инновационной архитектурой⁴⁰, которая способствует эффективному потоку информации и улучшает повторное использование функций.

Архитектура DenseNet121: DenseNet121 характеризуется плотно связанными слоями, где каждый слой может получить доступ к картам признаков из всех предыдущих слоев. Такая конструкция оптимизирует поток информации, снижает избыточность и значительно повышает общую эффективность модели.

Архитектура состоит из следующих ключевых компонентов:

Входной слой: Получает изображения с измененным размером до 224 x 224 пикселей для стандартизированной обработки.

Начальный сверточный слой: Применяет операцию свертки 7 x 7 с последующей максимальным объединением в пул для уменьшения пространственных размеров и извлечения низкоуровневых объектов.

Плотные блоки: Модель содержит четыре плотных блока. Каждый блок состоит из нескольких сверточных слоев, соединенных плотным образом, что означает, что каждый слой имеет прямой доступ к выходам всех предыдущих слоев внутри блока.

Переходные слои: Расположенные между плотными блоками, эти слои выполняют свертку 1 x 1 с последующим объединением в усреднение для уменьшения размерности признаков, повышая эффективность вычислений.

Global Average Pooling (GAP): Уменьшает пространственные размеры карт объектов перед полностью связными слоями.

Fully Connected Layer: Создает вектор вывода для классификации.

Пользовательские слои для классификации: Для этого исследования стандартные полносвязные слои были заменены на пользовательские архитектуры: слой Flatten, три плотных слоя (256, 128 и 64 нейронов с активацией ReLU) и последний активируемый сигмоидой слой для бинарной классификации.

Способность DenseNet121 повторно использовать функции и его компактная архитектура в значительной степени способствовали его превосходной производительности в наборе данных о болезни листьев риса. Такая эффективность в сочетании с возможностью свести к минимуму переобучение делает его идеальным для задач с ограниченными учебными данными. DenseNet121 достигла лучшей точности и обобщения по сравнению с другими моделями благодаря повторному использованию функций и свойствам градиентного потока. В то время как такие модели, как ResNet и VGG16, показали хорошие результаты, DenseNet121 превзошел их с точки зрения точности и вычислительной эффективности.

Во всех моделях были включены три полносвязных (плотных) слоя с использованием функций активации ReLU (как показано в уравнении 1), кульминацией которых является последний плотный слой с активацией SoftMax (уравнение 2) для облегчения многоклассовой классификации. Эта адаптация позволила каждой модели эффективно использовать предварительно обученные веса при классификации изображений в наборе данных.

ReLu f(x) = max(0, X) (1)

где x_i представляет входные данные для функции SoftMax, скорректированные для классификации по десяти категориям болезней листьев риса. Уникальная архитектура каждой модели в сочетании с настраиваемым выходным слоем позволила эффективно извлекать признаки и точно классифицировать изображения.

На рисунке 5 представлена архитектурная схема DenseNet121, демонстрирующая бесшовный поток информации через его плотные блоки, переходные слои и специализированные слои классификации, интегрированные для этого исследования. Это визуальное изображение поясняет, как DenseNet121 обрабатывает входные данные изображений и создает выходные данные прогноза

Результаты

Для проведенных экспериментов в данном исследовании модель была разработана с использованием Python версии 3.11.5 и Jupyter Notebook на операционной системе Windows 11. Основными используемыми фреймворками глубокого обучения были библиотеки TensorFlow и Keras. В качестве аппаратного обеспечения использовался компьютер HP PC с процессором Intel i5-6300U с тактовой частотой 2,50 ГГц, оснащенный 8 ядрами.

Набор данных был разделен ...

Обсуждение

В этом исследовании предлагается основанная на глубоком обучении структура для автоматизированной классификации болезней листьев риса с использованием как сегментированных, так и несегментированных наборов данных. Этот подход объединяет сегментацию изображений на основе UNet с моделями трансферного обучения, демонстрируя, что сегментация значительно повышает точность извлечения признаков и классификации. Среди шести оцененных моделей специализированная DenseNet-121 достигла самой высокой...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
ПК HP	Л.С	Процессор Intel Core i5-6300U @ 2.5 ГГц, 8 ГБ ОЗУ
Записная книжка Jupyter	Открытый исходный код	Используется для выполнения кода
Набор данных Kaggle: Обнаружение болезней листьев риса	Каггл	https://www.kaggle.com/datasets/loki4514/rice-leaf-diseases-detection
Керас	Открытый исходный код	Интеграция с TensorFlow
Питон	Python Software Foundation	3.11.5
ТензорФлоу	Гугл	2.х
ОС Windows	Майкрософт	Windows 11