Применение Сиамских нейронных сетей для классификации биомассы растений по визуальному состоянию

Обложка

Цитировать

Полный текст

Аннотация

В настоящей статье предложен метод классификации биомассы растений по визуальному состоянию с использованием изображений, снятых в специально сконструированной теплице, и технологий искусственных нейронных сетей Сиамской архитектуры. Определены критерии различных состояний биомассы растений. Сформирован собственный набор данных для обучения Сиамских нейронных сетей, содержащий в себе образцы состояний биомассы в форме текстур. В результате была получена точность при обучении в 91.6% и средняя точность классификации отдельных состояний биомассы в 73.6%.

Об авторах

Александр Владимирович Смирнов

Институт программных систем им. А. К. Айламазяна РАН

Email: asmirnov_1991@mail.ru
Младший научный сотрудник Лаборатории методов обработки и анализа изображений, Институт Программных Систем имени А. К. Айламазяна РАН. Научные интересы: компьютерное зрение; нейронные сети; робототехника; автоматизация и управление

Игорь Петрович Тищенко

Институт программных систем им. А. К. Айламазяна РАН

Email: igor.p.tishchenko@gmail.com
Кандидат технических наук, зав. Лабораторией методов обработки и анализа изображений, Институт Программных Систем имени А. К. Айламазяна РАН. Научные интересы: компьютерное зрение; нейронные сети; робототехника; автоматизация и управление

Список литературы

  1. Gall G. E. C., Pereira T. D., Jordan A., Meroz Y.. “Fast estimation of plant growth dynamics using deep neural networks”, Plant Methods, 2022, no.1.
  2. Taewon M., Woo-Joo C., Se-Hun J., Da-Seul C., Myung-Min O.. “Growth Analysis of Plant Factory-Grown Lettuce by Deep Neural Networks Based on Automated Feature Extraction”, Horticulturae, 2022, no.12.
  3. Savitha P., Mungamuri S.. “Accurate plant species analysis for plant classification using convolutional neural network architecture”, International Journal of Reconfigurable and Embedded Systems (IJRES), 2024, no.1, pp. 160–170.
  4. Quoc T. N., Hoang V. T.. “VNPlant-200 – A Public and Large-Scale of Vietnamese Medicinal Plant Images Dataset”, Integrated Science in Digital Age 2020, 2020, pp. 406–411.
  5. Joseph D. S., Pawar P. M., Pramanik R.. “Intelligent plant disease diagnosis using convolutional neural network: a review”, Multimedia Tools and Applications, 2023, no.14.
  6. Khanna M., Singh L. K., Thawkar S., Goyal M.. “PlaNet: a robust deep convolutional neural network model for plant leaves disease recognition”, Multimedia Tools and Applications, 2024, no.2.
  7. Faisal M., Leu J. S., Avian C., Prakosa S. W., Köppen M.. “DFNet: Dense fusion convolution neural network for plant leaf disease classification”, Agronomy Journal, 2024, no.3, pp. 826–838.
  8. Åström O., Hedlund H., Sopasakis A.. “Machine-Learning Approach to Non-Destructive Biomass and Relative Growth Rate Estimation in Aeroponic Cultivation”, Agriculture, 2023, no.13.
  9. Wang B., Wang D.. “Plant Leaves Classification: A Few-Shot Learning Method Based on Siamese Network”, IEEE Access, 2019, no.7, pp. 151754–151763.
  10. Figueroa-Mata G., Mata-Montero E.. “Using a Convolutional Siamese Network for Image-Based Plant Species Identification with Small Datasets”, Biomimetics, 2020, no.5.
  11. Goncharov P., Uzhinskiy A., Ososkov G., Nechaevskiy A., Zudikhina J.. “Deep Siamese Networks for Plant Disease Detection”, Mathematical Modeling and Computational Physics 2019 (MMCP 2019), 2020, no.226.
  12. Sherly K. K., Sonia A.. “Hybrid CNN Models for Plant Species Recognition and Disease Detection”, Intelligent Computing, 2024, pp. 35–50.
  13. Du J., Fu W., Zhang Y., Wang Z.. “Advancements in Image Recognition: A Siamese Network Approach”, Information Dynamics and Applications, 2024, no.2, pp. 89–103.
  14. Bromley J., Guyon I., LeCun Y., Säckinger E., Shah R.. “Signature verification using a ‘Siamese’ time delay neural network”, In Proceedings of the 6th International Conference on Neural Information Processing Systems (NIPS'93), 1993, pp. 737–744.
  15. Смирнов А. В., Иванов Е. С.. «Анализ изображений растения, полученных с камеры системы автоматизированного ухода, для визуальной оценки изменения его состояния с течением времени», Программные системы: теория и приложения, 2023, №3, с. 37–58.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).