CC BY
4
УДК 608.2
Бабенко А.А.
студент магистратуры 1-го года обучения
Свиридова И. В. студент магистратуры 1-го года обучения
Бабенко А. А.
студент магистратуры 1-го года обучения Институт инженерных технологий и естественных наук
Россия, г. Белгород АНАЛИЗ ДЕЯТЕЛЬНОСТИ ОРГАНИЗАЦИИ ГОСУДАРСТВЕННОЙ
ЛЕСНОЙ ИНСПЕКЦИИ БЕЛГОРОДСКОЙ ОБЛАСТИ И ОБОСНОВАНИЕ СОЗДАНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ДЛЯ ОПРЕДЕЛЕНИЯ ТИПА БОЛЕЗНИ ДРЕВЕСНЫХ РАСТЕНИЙ ПО
СТРУКТУРЕ ЛИСТА Аннотация: В статье представлены результаты сравнения методов распознавания образов. Установлены преимущества, недостатки, точность каждого из методов.
Ключевые слова: государственная инспекция, древесные растения, структура листа, анализ, болезнь.
Babenko A. A., Master of 1-year training Institute of Engineering Technologies and natural sciences Russia, Belgorod Sviridova I.V., Master of 1-year training Institute of Engineering Technologies and natural sciences Russia, Belgorod Babenko A. A., Master of 1-year training Institute of Engineering Technologies and natural sciences Russia, Belgorod
THE ANALYSIS OF ACTIVITY OF THE ORGANIZATION OF THE STATE FOREST INSPECTION OF THE BELGOROD REGION AND JUSTIFICATION OF CREATION OF THE AUTOMATED SYSTEM FOR DETERMINATION OF TYPE OF THE DISEASE OF WOODY PLANTS
ON SHEET STRUCTURE Annotation: The article presents the results of a comparison of image recognition methods. The advantages, disadvantages, and accuracy of each method are established.
Keywords: state inspection, woody plants, leaf structure, analysis, disease.
В настоящее время существует множество задач, в которых требуется принять некоторое решение в зависимости от присутствия на изображении
объекта и классифицировать его.
Необходимость реформирования разработки в государственной лесной политики, заключается в том, что преобразование лесного хозяйства и лесного сектора РФ требует существенных изменений действующего законодательства, удаление противоречий между кодексами (лесным и земельным), а также нормативными актами в области регулирования лесных отношений. Таким образом, эти изменения должны быть направлены на усиление правовой защиты лесов, сохранение особого правового статуса лесных земель, четкое разграничение полномочий РФ, ее субъектов и муниципальных образований в области охраны использования и воспроизводства лесных ресурсов.
Одним из главных значений для диагностики имеет тщательный анализ не только растения, но и условий его произрастания (неблагоприятные погодные условия). При диагностики макроскопическим методом, учитываются следующие признаки, которые характерны для того или иного типа болезни: мицелий и его видоизменения; окраска хвои; пятна на листьях; новообразования на корнях, стволах и ветвях; истечение тягучей жидкости; гниль древесины, плодовые тела; спороношение грибов.
Одним из главных признаков возбудителя и болезни для диагностики у различных видов грибов являются пленки. Мицелиальные пленки представляют собой различной плотности и окраски скопления гиф гриба, напоминающие замшу. Ризоморфы, имеющие вид ветвящихся темно-бурых шнуров под корой стволов или на поверхности корней в почве, которые состоят из двух частей: наружной коры, и внутренней сердцевины.
Пятна могут образовываться на любом органе древесного растения. Одним из наиболее часто поражаемым органом является листья. Также появление пятен может быть как инфекционное, так и неинфекционное.
Типы болезней растений - это группа заболеваний, которые могут быть вызваны различными биотическими и абиотическими факторами, но имеют сходные комплексы симптомов.
Наиболее распространенные типы болезней древесных растений, влияющих на листья: мучнистая роса, болезнь, вызванная сумчатым грибом; ржавчина, болезнь этого типа вызвана ржавчинными грибами, которые поражают не только листья, но и хвою с молодыми побегами; пятнистость, болезнь, вызванная сумчатым грибом; мозаика, вирусная болезнь, сильно подрывающая иммунитет дерева; парша.
После обзора типов болезней древесных растений по структуре листа, следующим шагом является сравнение современные методы распознавания образов. Под распознаванием образов, понимается отнесение данных к определенному классу с помощью выделения существенных признаков, характеризующих эти данные из общей массы [5, с. 125-130].
Для выбора наилучшего метода решения задачи определения типа болезни древесных растений на основе анализа листа, нужно подробно изучить преимущества и недостатки методов распознавания образов, а затем
сравнить их. Сравнение методов будет происходить по следующим критериям: преимущества и недостатки, точность.
В табл. 1.1. представлено сравнение методов распознавания образов. _Таблица 1.1. Сравнение методов распознавания образов_
Метод Преимущества Недостатки Точность
Кластериз - в любой момент можно добавить - на реальных задачах, Низкая
ация по новые образцы в БД; зачастую оказывается не
расстояни - древовидные и сеточные структуры эффективен
ю до данных позволяют сократить
ближайш количество вычисляемых расстояний
его соседа
Байесовск - возможность одновременного учета - необходимость Средняя
ии метод признаков различной физической постулирования как
принятия решений природы, так как они характеризуются безразмерными величинами — вероятностями их появления при различных состояниях системы существования априорного распределения для неизвестного параметра, так и знание его формы; - большой объем предварительной информации
Струк- - данная классификация позволяет -трудно формализуем; Средняя
турный однозначно определить принадлеж- - невозможность получе-
(лингви- ность объекта к одному из классов; ния результатов
стиче- - большое количество сложных распознавания с оцен-
ский) объектов представлять с помощью не- ками сгенерированных
метод большого множества непроизводных элементов и грамматических правил гипотез
Нейрон- - решение задач при неизвестных - приблизительный от- Высокая
ные сети закономерностях; - устойчивость к шумам во входных данных; - адаптация к изменениям; - потенциальное сверхвысокое быстродействие. вет; -многошаговые решения; -вычислительные процессы
По сравнению со статистическими методами, нейросети позволяют эффективно строить нелинейные зависимости, более точно описывающие наборы данных. Если сравнивать байесовский классификатор, строящий квадратичную разделяющую поверхность, нейронная сеть может построить поверхность более высокого порядка [20, с. 39 - 42].
Таким образом, наиболее эффективным и распространенным способом представления и решения перечисленных выше задач являются искусственные нейронные сети. Поэтому для решения задачи определения типа болезни древесного растения на основе анализа листа, был выбран метод распознавания образа - нейронные сети. Нейронная сеть - это последовательность нейронов, соединенные между собой синапсами.
Одним из основных этапов в задачи распознавания образов с помощью нейронных сетей является ее обучение. Процесс обучения сети заключается
в определении набора связей и коэффициентов связей между нейронами.
Всем самообучающимся системам свойственны следующие недостатки: возможность неполнота (зашумленность или избыточность) обучающей выборки, возникновение проблем, связанные с плохой смысловой ясностью зависимостей признаков, т.е. неспособность объяснения пользователям получаемых результатов и ограничения в размерности признакового пространства вызывают неглубокое описание проблемной области и узкую направленность применения.
В результате использования автоматизированной системы определения типа болезни древесных растений на основе анализа листа появится возможность быстрого распознавания вида растения, а также определения типа болезни, что в свою очередь ускорит устранения последствий заболевания для государственной лесной инспекции Белгородской области.
Использованные источники:
1. Галушкин А. И. Нейронные сети. Основы теории: учебник / А. И. Галушкин. - Москва: Горячая Линия - Телеком, 2012. - 496 а
2. Каллан Р. Нейронные сети. Краткий справочник: учебник / Р. Каллан. - М. : ООО «И. Д. Вильямс», 2017. - 288 с.
3. Положение об управлении лесами Белгородской области [Электронный ресурс], - http://docs.cntd.ru/document/469021402
4. Тархов Д. А. Нейросетевые модели и алгоритмы. Справочник: учебник / Д. А. Тархов. - Москва: Изд-во «Радиотехника», 2014. - 352 с.
5. Хайкин С. Нейронные сети: полный курс, 2-е изд. : учебник / С. Хайкин. -М. : ООО «И. Д. Вильямс», 2016. - 1104 с.
