Інтелектуальна система розпізнавання стану рослин на основі згорткових нейронних мереж

Abstract

Хвороби рослин становлять серйозну загрозу для глобальної продовольчої безпеки, спричиняючи щорічні втрати врожаю в межах від 20 % до 40 %. Це зумовлює високий попит на впровадження інтелектуальних систем моніторингу стану рослин, здатних своєчасно виявляти симптоми захворювань. Мета. Метою дослідження є розробка та оцінка моделі глибокого навчання та інтелектуальної системи для автоматизованої класифікації хвороб сільськогосподарських культур, з акцентом на картоплю в якості репрезентативного приклада. Метод. Запропонована система базується на згортковій нейронній мережі (CNN), яка продемонструвала високу ефективність в задачах аналізу зображень. Модель навчалась на основі набору даних з платформи Kaggle. Перед обробкою дані проходили етапи очищення, нормалізації пікселів та розширення (аугментації), включно з обертанням зображень та зміною контрасту, що підвищило здатність моделі до узагальнення. Розмір зображень було стандартизовано до 256×256 пікселів у форматі RGB. Набір даних було поділено на тренувальну, валідаційну та тестову вибірки з можливістю випадкової перестановки елементів для уникнення перенавчання. Архітектура моделі включає CNN із функцією активації Softmax на вихідному шарі для багатокласової класифікації. Для оптимізації навчання використовувався алгоритм Adam. Крім того, навчена модель була інтегрована у веб-додаток на основі фреймворку FastAPI, що дозволяє користувачам завантажувати зображення листя рослин і отримувати результати класифікації з відповідними ймовірностями в реальному часі. Результати. Модель продемонструвала точність 95 % на тестовій вибірці, що свідчить про її високу надійність у виявленні та класифікації хвороб листя картоплі. Отримані результати підтверджують ефективність використання методів комп’ютерного зору та глибокого навчання для ранньої діагностики захворювань. Наукова новизна. У роботі представлено повний цикл – від навчання моделі до її впровадження у практичний додаток, з акцентом на використання сучасних архітектур CNN для аграрної діагностики. Новизна полягає в інтеграції моделі класифікації у вебплатформу, що забезпечує практичну цінність для використання в польових умовах. Практичне значення. Розроблена система забезпечує раннє та точне виявлення хвороб, що сприяє прийняттю ефективних агрономічних рішень. Система має потенціал до масштабування на інші культури й може стати основою для створення платформи моніторингу здоров’я рослин у реальному часі. Можливість інтеграції з дронами або камерами смартфонів робить її перспективним інструментом для сучасного точного землеробства.