Метод на основе глубокого обучения для выявления болезней рисовых листьев и их стадии роста — рекомендация по специфическому лечению

Summary

В данном исследовании представлен метод на основе глубокого обучения для прогнозирования стадий роста листьев риса и классификации заболеваний, предоставляя индивидуальные рекомендации по лечению через автоматизированную, удобную систему поддержки принятия решений для эффективного управления болезнями сельскохозяйственных культур.

Abstract

Болезни рисовых листьев значительно влияют на урожайность и качество риса, что делает раннее выявление и правильное лечение необходимыми для точного земледелия. В данном исследовании предлагается система поддержки принятия решений на основе глубокого обучения для выявления болезней рисового листа, прогнозирования стадий роста и рекомендаций по конкретному этапу лечения. Использованный в этом исследовании набор данных включает изображения листьев риса, собранные из различных источников и классифицированные по стадиям роста и классу заболевания. Набор данных был разделён на обучающие (80%), валидационные (10%) и тестовые (10%) наборы для обеспечения правильной оценки модели. Для прогнозирования стадии роста была разработана лёгкая модель сверточной нейронной сети (CNN), а классификация заболеваний проводилась с использованием моделей трансферного обучения, включая VGG16, ResNet50, InceptionV3 и MobileNetV2. Для улучшения эффективности классификации использовался ансамблевой метод, основанный на голосовании со средней вероятностью. Модели оценивались с использованием точности, точности, воспоминания и результата F1 на независимом тестовом наборе. Экспериментальные результаты показывают, что ансамблевая модель достигла более высокой точности по сравнению с отдельными моделями, что демонстрирует улучшенную прочность и обобщение. Предлагаемая система была реализована в виде веб-приложения Streamlit, предоставляющего рекомендации по выявлению заболеваний, прогнозированию стадий роста и лечению. Предлагаемая интегрированная структура может помочь фермерам и сельскохозяйственным экспертам принимать своевременные и точные решения по управлению болезнями.

Introduction

Индия, будучи аграрной экономикой, сильно зависит от сельского хозяйства, при этом рис (рис) служит основной культурой для значительной части населения. Однако выращивание риса значительно страдает от болезней листьев, таких как бласт, бактериальная фитофторозия, коричневая пятнистость и фитофтороз, которые снижают урожайность и приводят к экономическим потерям. Раннее выявление этих заболеваний крайне важно, поскольку традиционные методы ручного осмотра занимают много времени и часто неточны. Для решения этой проблемы в исследовании предлагается система поддержки принятия решений на основе глубокого обучения для прогнозирования стадий роста листьев риса, классификации заболеваний и рекомендаций по лечению. Система использует нейронную сетевую модель для прогнозирования стадии роста рисового листа и несколько моделей глубокого обучения, включая CNN, VGG16, ResNet50, InceptionV3 и MobileNetV2, для классификации заболеваний. Эти модели комбинируются с помощью ансамблевого подхода для повышения точности и надёжности, достигая точности классификации 98,99%. Исходя из прогнозируемой стадии заболевания и роста, система предоставляет рекомендации по конкретным стадиям лечения. Предлагаемая система реализована в виде веб-приложения на базе Streamlit, которое позволяет пользователям загружать изображения листьев и получать прогнозы и рекомендации в реальном времени. Этот интегрированный подход предоставляет практическое и масштабируемое решение для точного земледелия, помогая фермерам сократить потери урожая и повысить продуктивность.

Несколько исследований применяли методы машинного обучения и глубокого обучения для рекомендаций по культурам, выявления заболеваний и поддержки сельскохозяйственных решений. Методы ансамблевого глубокого обучения использовались для повышения точности рекомендаций по культурам и удобрениям путем интеграции прогнозирования заболеваний, демонстрируя лучшие результаты по сравнению с одномодельными^{подходами 1}. Также были разработаны рекомендательные системы на основе машинного обучения с использованием деревьев принятия решений и поддерживающих векторных машин для предложения культур, удобрений и лечения болезней с учётом обратной связи фермеров для повышения^{адаптивности 2}.

Для обнаружения заболеваний гибридные модели CNN в сочетании с методами выделения признаков, такими как CLAHE и GLCM, повышают точность классификации^{рисовых болезней 3}. Другие подходы использовали алгоритмы кластеризации и случайного леса с выделением признаков на основе текстур для повышения эффективности обнаружения заболеваний⁴. Модели глубокого обучения, особенно CNN и архитектуры трансферного обучения, достигли высокой точности в выявлении болезней растений и позволили создавать системы диагностики в реальном времени и на^{смартфонах 5,6,7.} Традиционные методы обработки изображений и классификационного дерева с использованием цветовых, текстурных и формовых признаков также показали эффективное обнаружение заболеваний с меньшей вычислительной^{сложностью 8,9}.

Ансамблевое обучение широко используется в системах рекомендаций по культурам путём объединения классификаторов, таких как Random Forest, Naïve Bayes и Support Vector Machines, для повышения точности прогнозирования и устойчивости¹⁰. Модели на базе CNN также использовались для обнаружения болезней риса и интегрировались с IoT-системами для рекомендаций по сельскому хозяйству в реальном^{времени 11}. Модели машинного обучения, такие как K-ближайшие соседи, и регрессионные методы, применялись в системах поддержки предсказательного^{принятия решений 12}. Кроме того, были разработаны системы рекомендаций по культурам, основанные на почвенных, сезонных и продуктивных факторах, для поддержки решений в сельском хозяйстве, основанном на данных ^{. 13}.

Исследования также изучали ограничения по производству риса и стратегии управления заболеваниями, подчёркивая важность устойчивого контроля заболеваний и улучшения сельскохозяйственных практик¹⁴. Однако большинство существующих исследований сосредоточены только на выявлении заболеваний или рекомендациях по культурам отдельно, и очень немногие интегрируют классификацию заболеваний, прогнозирование стадий роста и рекомендации по лечению в единую систему поддержки принятия решений. Этот пробел подчёркивает необходимость интегрированной и практической системы поддержки принятия решений в области сельского^{хозяйства 15}.

Новизна этих исследований заключается не только в классификации заболеваний, но и в разработке комплексной системы поддержки принятия решений для управления болезнью^{риса 16}. Предлагаемая система интегрирует прогнозирование стадий роста листьев риса, классификацию заболеваний с использованием комплекса моделей глубокого обучения и рекомендации по лечению, специфичным для конкретного этапа роста. В отличие от существующих исследований, сосредоточенных исключительно на выявлении заболеваний, эта работа связывает прогнозирование заболевания с практическими рекомендациями по лечению на основе^17-й стадии роста растения. Такой интегрированный подход делает систему более практичной для реального сельскохозяйственного использования и поддерживает прецизионное сельское хозяйство, обеспечивая своевременное и соответствующее этапам^{вмешательство 18}.

Основная цель данного исследования — создать следующую систему глубокого обучения для более раннего выявления болезни рисовых листьев, а также точного прогнозирования стадий роста листа, а также своевременного и избирательного рекомендования лечения. Система достигает высокой точности классификации заболеваний — 98,99 благодаря тонкой инженерии и сборке современных моделей, таких как CNN, VGG16, ResNet50, InceptionV3, MobileNetV2 и других. Он включает нейронную сеть, которая предсказывает стадию роста и даёт конкретные рекомендации по гербицидам или пестицидам для анализа. Технология доступна фермерам через удобное веб-приложение Streamlit, которое позволяет делать прогнозы в реальном времени, а также давать рекомендации по^{лечению 19}. Исследование должно способствовать принятию решений, связанных с управлением заболеваниями, за счёт своевременных прогнозов и рекомендаций по лечению с возможной применимостью к аграрным экономикам, таким как Индия.

Хотя проводится множество исследований по выявлению болезней растений с помощью машинного обучения и глубокого обучения, большинство существующих исследований направлены на классификацию заболеваний без учёта стадии развития растения и предложений по лечению. Однако на практике в сельском хозяйстве инструкции по лечению основаны не только на характере болезни, но и на стадии обработки культуры, поскольку степень и тип пестицидов различаются в зависимости от стадии выращивания. Очень мало исследований охватывает выявление заболеваний, прогнозирование стадий роста и рекомендации по лечению в одной автоматизированной системе. Для устранения этого разрыва текущее исследование предлагает объединённую архитектуру на основе глубокого обучения, которая будет включать прогнозирование листьев для риса, классификацию заболеваний в наборе моделей глубокого обучения и рекомендацию по конкретному лечению на основе стадии роста через систему поддержки принятия решений, реализованную^{Streamlit 20}. Такая интеграция позволяет предлагаемой системе стать более практичной и полезной в реальном точном сельском хозяйстве. В данном исследовании предлагается система диагностики заболеваний с учётом стадий развития, в которой прогнозирование стадий роста и классификация заболеваний сочетаются с рекомендациями по лечению для формирования полного конвейера поддержки принятия^{решений 21}.

Хотя было предложено несколько подходов к глубокому обучению и ансамблевому обучению для выявления болезней растений, большинство существующих исследований сосредоточены исключительно на классификации болезней и не учитывают стадию роста растения. Однако в практическом сельском хозяйстве метод обработки, тип пестицидов и дозировка часто зависят не только от типа болезни, но и от стадии роста растений. Существующие системы обнаружения заболеваний не предоставляют рекомендации по конкретной стадии лечения, что ограничивает их практическую применимость в прецизионном^{земледелии 22}. Кроме того, многие существующие исследования сосредоточены исключительно на повышении точности классификации с использованием моделей глубокого обучения, но не интегрируют систему прогнозирования в практическую систему поддержки принятия решений, которую могут использовать фермеры или сельскохозяйственные эксперты. Для устранения этих ограничений в исследовании предлагается интегрированная система поддержки принятия решений, объединяющая прогнозирование стадий роста листьев риса, классификацию заболеваний с использованием ансамблевого обучения и рекомендации по конкретному этапу лечения. Предлагаемая система реализована в виде веб-приложения для поддержки принятия решений в области сельского хозяйства^{в реальном времени 23}.

Основные вклады этого исследования включают разработку модели на основе глубокого обучения для точного прогнозирования стадий роста рисовых листьев с использованием изображений, что позволяет лучше контролировать и управлять культурами. Также это включает внедрение методов трансферного обучения для эффективной классификации болезней рисовых листьев с использованием предварительно обученных моделей, повышая точность и снижая сложность^{обучения 24}. Для дальнейшего повышения надёжности обнаружения заболеваний применяется подход ансамблевого обучения, комбинирующий несколько моделей для достижения превосходной классификации. Кроме того, в исследовании вводится система рекомендаций по методу лечения, специфичная для конкретных этапов, которая предоставляет целевые решения на основе как выявленного заболевания, так и стадии роста культуры, обеспечивая более точные и эффективные сельскохозяйственные вмешательства. Наконец, все эти компоненты интегрированы в веб-приложение на базе Streamlit, предоставляющее удобную платформу для поддержки принятия решений в реальном времени, позволяя фермерам и заинтересованным сторонам легко получать прогнозы и^{рекомендации 25}.

Protocol

Следующий протокол пошагово иллюстрирует процесс построения и внедрения системы обнаружения болезней рисовых листьев и рекомендаций по лечению. Предпринятые шаги необходимо применять последовательно для повторения результатов, представленных в этой статье.

Подготовка наборов данных

Набор стадий Paddy leaves: Данные были основаны на PaddyNet4. Сцена состоит из 560 изображений, классифицированных по четырём разным этапам разработки: Этап 2, Этап 3, Стадия 4 и Стадия 5. Классификация зависит от цвета и зрелости рисовых листьев, которые зависят от концентрации азота, а также от развития растения. Представленный набор данных важен для определения правильной стадии рисового растения (рисунок 1). PaddyNet доступен публично через сайт data.mendeley.com/datasets/. Набор данных о болезни Paddy leave: Этот набор данных был доступен в виде нескольких отдельных общедоступных наборов данных на Kaggle и объединился в единый набор данных с общим числом 6 920 изображений, каждое из которых принадлежало одному из шести типов заболеваний, показанных на рисунке (Рисунок 2). Набор данных по лечению: Набор данных был критически разработан путём извлечения и интеграции информации из различных общедоступных наборов данных и содержит данные о различных методах ведения болезней риса на четырех этапах^{роста 21}. Основная цель этого набора данных — разработать рекомендации по профилактике и контролю болезни риса. Эти данные являются одним из ключевых ресурсов для борьбы с болезнями рисовых растений путём подбора правильных^{пестицидов} 19,22,23,24,25

Дополнение данных

Дополнение данных использовалось для улучшения учебного набора данных и снижения перенасадки. Методы увеличения, применяемые в текущем исследовании, включают вращение (до 30), движение ширины и высоты (до 20%), увеличение (до 20%), сдвиг и горизонтальное переворот. Использование этих методов дополнения помогает модели осваивать основы и улучшает её обобщение при тестировании на невидимых данных. Дополнение данных проводилось на обучающем наборе данных, в то время как валидационные и тестовые наборы данных остались как есть для оценки справедливой работы системы. Размер исходного набора данных пришлось увеличить за счёт данных, поскольку размер исходного набора довольно мал, и подход был необходим для усиления обобщения и минимизации перенагона, знакомя модель с различиями в ориентации, масштабе и положении изображений листьев.

Предварительная обработка изображений

Собранные данные о стадиях и заболеваниях проходили через ряд этапов предварительной обработки для обеспечения их согласованности и повышения производительности моделей. Все изображения из обоих наборов данных масштабировались до 128 × 128 × 3, чтобы обеспечить рабочее соответствие любой архитектуре глубокого обучения. Значения пикселей масштабировались до интервала [0,1], чтобы ускорить сходимость при тренировке. Кроме того, метки заболеваний и их стадий преобразовывались в числа для более эффективной оценки и обучения модели. Эти методы предварительной обработки помогли лучше выделить признаки, повысить уровень классификации и повысить устойчивость модели к различным условиям окружающей среды. Размер использованного изображения — 128 × 128 — был скомпрометирован между вычислениями и потерей функций. Конкретный размер изображения минимизирует время обучения и вычислительные затраты, а также не исключает информацию (визуальные признаки) для классификации заболевания и стадии при использовании моделей глубокого обучения.

Разделение наборов данных

Обработанные данные были разделены на три подгруппы (Таблица 1): Обучающий набор (80%), Валидационный набор (10%), Тестовый набор (10%). Чтобы избежать несбалансированного распределения классов во всех трёх подмножествах, использовалась стратифицированная случайная выборка, чтобы обеспечить равномерное распределение классов как стадийного набора данных (560 изображений), так и набор заболеваний (6 920 изображений). Между подмножествами не было утечки данных.

Обучение моделям

В классификации стадии роста рисовых листьев и болезней использовался двухступенчатый метод моделирования обучения.

Модель классификации стадий

Метод классификации стадии роста листьев состоит из четырёх классов и относительно небольшого объема данных, поэтому архитектура сверточной нейронной сети (NN) не была сильно расширена, но считалась лёгкой. Более простая архитектура может быть использована для снижения перенагонки и вычислительной мощности, за счёт высокой точности классификации с использованием цветовых и текстурных признаков. Новая структура CNN будет иметь три сверточных слоя с использованием функций активации ReLU. Сверточные слои чередуются с максимальными пулами (2×2) для уменьшения пространственных размеров, а также для выявления заметных особенностей. Карты объектов проходят сверточный слой, после чего они сплющаются, а полностью соединённый плотный слой с регуляризацией дропаута запускается для предотвращения перенагонки. Наконец, многоклассовая классификация четырёх стадий роста осуществляется с помощью слоя softmax выхода. Для обучения модели использовался оптимизатор Адама, имеющий скорость обучения 0,001 и категориальную кросс-энтропию как функцию потерь. Количество партии было установлено на 10, а модель тренировалась в 10 эпохах. Точность валидации и потери валидации также использовались для мониторинга производительности модели, поскольку они используются для обеспечения её обобщения.

Модель классификации заболеваний на основе ансамблевого обучения

Для классификации заболеваний была внедрена серия архитектур глубокого обучения для повышения точности прогнозирования. Первоначальная разработка собственной модели CNN состояла из четырёх слоёв: трёх сверточных слоёв, трёх слоев с максимальным пулированием, плотного полностью связанного слоя и регуляризации dropout. MobileNetV2 использует по глубине сепарабельные свёртки, инвертированные остаточные блоки и инвертированное узкое место с линейным остатком. Модель имеет небольшой размер всего 3,4 миллиона параметров и может использоваться в условиях ограниченных ресурсов. Модели начали использовать активацию ImageNet, а сверточные слои были заморажены, чтобы не потерять полученные представления признаков. Слой классификации softmax был прикреплён к полностью связанному слою с регуляризацией dropout. Все модели тренировались в течение 20 эпох с размером партии 32, а оптимизатор и потери были идентичны модели CNN. В попытке улучшить классификацию был использован метод обучения по среднему голосованию. Результатами были средние вероятности, предсказанные всеми пятью моделями (CNN, VGG16, ResNet50, InceptionV3 и MobileNetV2) для получения окончательных прогнозов класса. Эта техника комбинирования была полезна для снижения смещения в моделях и улучшения обобщения. Последняя комбинированная модель была более точной в классификации. Причина, по которой был выбран ансамблевой подход, заключается в том, что изучение различных представлений признаков обучается на основе одного и того же набора данных разными моделями глубокого обучения. Ансамбль также снижает смещение и дисперсию модели, а также увеличивает общие проблемы прогнозирования и общую производительность обобщения по сравнению с независимыми моделями.

Стратегия прогнозирования

В процессе прогнозирования болезни рисовых листьев и связанной с ней стадии роста использовался метод классификации на основе ансамбля. Пять моделей глубокого обучения (CNN, VGG16, ResNet50, InceptionV3 и MobileNetV2) были независимо обучены для классификации заболеваний и объединены с использованием среднего голосовающего ансамбля. Эта процедура включала прогнозирование вероятностей каждой категории заболеваний во всех моделях и среднего распределения вероятностей, что повышает точность предсказуемости и минимизирует смещение в модели. Окончательный прогноз был взят как класс болезни с наибольшей средней вероятностью. Кроме того, была обучена другая модель классификации стадий на основе CNN для прогнозирования стадии роста рисового листа. Обе модели классификации принимали входные изображения размером 128x128, затем нормализовали значения пикселей и использовали модели для вывода. Окончательные прогнозы как стадии листьев, так и заболевания затем сопоставлялись с существующим набором рекомендаций по лечению для обеспечения обоснованного лечения и управления болезнью.

Пример вывода: «Стадия листа: 3, Болезнь: тунгро»

Рекомендации по лечению

Чтобы сделать классификацию болезней рисового листа более практичной, в приложение была интегрирована система рекомендаций по лечению на базе Streamlit. Система принимает стадию прогнозируемого заболевания и листьев, чтобы предложить конкретные рекомендации по лечению и обеспечить успешное управление болезнью. Модель ансамблевой классификации заболеваний (включая CNN, VGG16, ResNet50, InceptionV3 и MobileNetV2) классифицирует заболевание, тогда как модель классификации листовой стадии является другой моделью. Моделируемая стадия листа и болезни сравниваются с данными обработки с рекомендованными дозировками (профилактические меры и применение пестицидов).

Методологическая основа и вклад

Методология представленной системы представляет собой конвейер многоступенчатых процессов, сочетающий классификацию изображений и поддержку принятия решений. Рамки состоят из пяти крупных этапов: продвижение изображений и увеличение, прогнозирование стадии роста листьев, использование моделей глубокого обучения, обученных на изображениях, для классификации заболевания, объединение прогнозных результатов для получения ансамблевого решения и рекомендация лечения на основе типа и стадии роста заболевания. Методологический вклад этой работы направлен на внедрение множества моделей прогнозирования и модуля рекомендаций по лечению в один конвейер поддержки принятия решений. Система основана не только на классификации болезней, но и на включении информации о стадии роста растений для предоставления рекомендаций по лечению на определённой стадии. Система более актуальна для процесса принятия сельскохозяйственных решений в реальном мире благодаря такой стратегии рекомендаций, ориентированной на этап. Входное изображение сначала проходит предварительную обработку, а затем будет передано через модель классификации стадий и модели классификации заболеваний. Результаты модели заболевания усредняются с помощью ансамблевой техники, а прогнозирование заболевания и стадия роста доведены до конца для получения правильных рекомендаций по лечению на основе идентификации соответствующих записей о лечении в базе данных.

Стратегия валидации и предотвращение перенасадки

Для строгой валидации разработанных моделей набор данных был разделён на три дизъюнктивных подмножества: обучающий набор (80%), валидационный набор (10%) и тестовый набор (10%). Модели тренировались с помощью обучающего набора, настраивались с помощью валидационного набора и оценивали их итоговую производительность только с помощью тестового набора. Тестовый набор оставался абсолютно независимым для беспристрастного анализа модели. Были использованы следующие методы, чтобы гарантировать, что модель не перенагнется, и повысить её способность к обобщению. Для увеличения разнообразия в наборе данных сначала использовались методы расширения данных (вращение, масштабирование, сдвиг, сдвиг и горизонтальное переворачивание). Во-вторых, регуляризация дропаута была использована в полностью связанных слоях моделей CNN для снижения перенагонки. В-третьих, предобученные модели (VGG16, ResNet50, InceptionV3 и MobileNetV2) были перенесены с использованием техники замороженных сверточных слоёв для сохранения изученных признаков и минимизации вероятности перенагона, вызванного малым размером набора данных. Наконец, для мониторинга производительности модели во время обучения использовались потери валидации и точность, чтобы убедиться, что модель не перенагружает обучающие данные. Это схемы валидации и регуляризации, которые гарантируют, что предлагаемая модель хорошо обобщается на невидимые данные и обеспечивает хорошую производительность.

Предлагаемая система

Предлагаемый вариант — это глубокое обучение для управления болезнью рисовых листьев, включающее прогнозирование и классификацию заболевания на стадии листьев. Всё начинается с предварительной обработки изображений рисовых листьев с точки зрения их размера до общей высоты и значения пикселей. Стадия роста листьев предсказывается с помощью нейронной сети, а средний метод голосования используется для использования комплекса моделей глубокого обучения (CNN, VGG16, ResNet50, InceptionV3, MobileNetV2) для классификации заболеваний. Система использует прогнозируемую стадию и заболевание для назначения правильных доз гербицидов или пестицидов для лечения. Рабочий процесс предлагаемой системы показан на рисунке 3. Предыдущие подразделы (A по I) объясняют каждый отдельный элемент этого пайплайна, поэтому здесь не даётся дополнительное описание. Приложение на базе Streamlit, разработанное в этом исследовании, является прототипом инструмента поддержки принятия решений, предназначенного для демонстрации практической применимости предлагаемой модели. Система позволяет пользователям загружать изображения рисовых листьев и получать прогнозы заболеваний, информацию о стадиях роста и рекомендации по лечению. В рамках будущей работы по оценке реальной эффективности и удобства использования системы будут проводиться крупномасштабные испытания удобства использования и внедрение в полевых условиях с фермерами.

Results

Модель классификации стадий

Модель стадийного прогнозирования достигла точности обучения 95,88% (потери: 0,1172) и точности валидации 95,24% (потери: 0,1751), что свидетельствует о последовательном обучении модели и справедливых прогнозах при применении к невидимым валидационным выборкам. Точность валидации достигла 95,24%, при потере валидации 0,1751. Модель достигла точности тестов 94,05 процента и потерь 0,1759 по тестовым данным, что подтв...

Discussion

В текущей статье предлагается новая система поддержки принятия решений, включающая прогнозирование стадии роста листьев риса, классификацию заболеваний с помощью комплекса моделей глубокого обучения (VGG16, MobileNetV2 и ResNet50) и поэтапные рекомендации по лечению на основе веб-приложения. Ансамблевая модель получила точность 98,99% в классификации модели, что выше, чем у отдельных моделей, поскольку ранее сообщалось, что модели в индивидуальной стратегии чувствительны к смещению и скл...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Набор данных	Набор данных по стадии рисового листа (PaddyNet4)	560 изображений на 4 стадиях роста (Стадия 2 и тире; 5)
Набор данных	Набор данных по болезни рисового листа	6920 изображений по 6 классам заболеваний от Kaggle
Набор данных	Набор данных по лечению	Собранный набор данных с методами управления заболеваниями по стадиям роста
Предварительная обработка	Изменение размера изображения	Изображения изменены до 128x128x3
Предварительная обработка	Нормализация	Значения пикселей масштабированы до [0,1]
Предварительная обработка	Кодирование меток	Преобразование категориальных меток в числовые
Аугментация	Ротация	До 30 градусов
Аугментация	Сдвиг ширины/высоты	До 20%
Аугментация	Зум	До 20%
Аугментация	Shear & Flip	Сдвиг и горизонтальный флиппинг
Модель	CNN (Классификация стадий)	Лёгкий CNN с тремя выпуклыми слоями
Модель	CNN (Классификация заболеваний)	Пользовательский CNN с конвентивными + пулингационными слоями
Модель	VGG16	Модель трансферного обучения
Модель	ResNet50	Модель трансферного обучения
Модель	InceptionV3	Модель трансферного обучения
Модель	MobileNetV2	Легкая модель трансферного обучения
Техника	Ансамблевое обучение	Средневероятностное голосование 5 моделей
Техника	Трансферное обучение	Использование предобученных весов ImageNet
Техника	Регуляризация выброса из учебы	Чтобы предотвратить перенасадку
Обучение	Оптимизатор	Адам (скорость обучения 0,001)
Обучение	Функция потерь	Категорическая кросс-энтропия
Обучение	Размер партии	10 (стадийная модель), 32 (модели заболеваний)
Обучение	Эпохи	10 (стадия), 20 (болезнь)
Оценка	Метрики	Точность, Точность, Отзыв, результат Формулы-1
Развертывание	Streamlit	Веб-приложение для прогнозирования в реальном времени