АУГМЕНТАЦИЯ БАЗЫ ИЗОБРАЖЕНИЙ ЛИСТЬЕВ ЯБЛОНИ ДЛЯ ДОСТИЖЕНИЯ МАКСИМАЛЬНОЙ ТОЧНОСТИ ОПРЕДЕЛЕНИЯ КЛАССА ЗАБОЛЕВАНИЯ ПРИ ОБУЧЕНИИ НЕЙРОННОЙ СЕТИ (НС)

Бутенко Анатолий Иванович; Тимофеев Максим Геннадиевич

УДК 004.032.26; 631.574

АУГМЕНТАЦИЯ БАЗЫ ИЗОБРАЖЕНИЙ ЛИСТЬЕВ ЯБЛОНИ ДЛЯ ДОСТИЖЕНИЯ МАКСИМАЛЬНОЙ ТОЧНОСТИ ОПРЕДЕЛЕНИЯ КЛАССА ЗАБОЛЕВАНИЯ ПРИ ОБУЧЕНИИ НЕЙРОННОЙ СЕТИ (НС)

Анатолий Иванович Бутенко

доктор сельскохозяйственных наук, профессор

ЬИ_1:оПк@ша11. ги Максим Геннадиевич Тимофеев

студент vie1seitig@mai1.ru

Мичуринский государственный аграрный университет

г. Мичуринск, Россия

Аннотация. В данной статье представлена аугментация, как методика наращивания базы данных.

Ключевые слова: аугментация, tensorf1ow, генератор изображений, keras

В современном мире для организации систем автоматизированного производства под определенные задачи в сельском хозяйстве активно используются информационные технологии на базе машинного обучения [1-3].

Целью обучения машины является достижением максимальной точности выполнения сложного, трудоемкого (рутинного) процесса без участия человека, а сам процесс обучения можно разложить на несколько этапов:

1. Определение цели автоматизации процесса.

2. Сбор базы данных.

3. Создание и обучение прототипа НС.

Точность работы НС зависит не только от ее архитектуры, но и от качества и размера собранной базы данных и если данных недостаточно, то применяют методику аугментации для их увеличения [4, 5].

Аугментация (англ. data augmentation) - это метод наращивания дополнительных данных в процессе изменения имеющихся (базовых) данных.

Инструментом для машинного обучения применяется библиотека с открытым исходным кодом - TensorFlow, созданная для высокоуровневого, объектно-ориентированного языка программирования - Python.

Библиотека TensorFlow компилирует множество различных алгоритмов и моделей, что позволяет реализовывать глубокие НС для задач по распознаванию и классификации изображений.

Для реализации метода аугментации применяется генератор изображений ImageDataGenerator() в модуле TensorFlow.keras.preprocessing.image (рисунок 1).

1 tf.keras. preprocessing. image . ImageDataGeneratar(feat jrei,.,ise_c:enter=Fals;, samplewise_center= False , featurewi5e_std_rormalization = FaLsej 5amplevjise_5td_normalization =1 alse, zca_wtiitening=False, :ca_epsilan=le-06j rotaticn_range=0j '.■.'idth_shift_range=0.0J height_shif-:_range=,3.0J brightness_range=NoneJ shear_range=,3.0J zoom_range=0,0_l channeL_shift_range=0.0j fill_mode= nearest' cval=3.0j horizortal_flip=Falsej verTical_flip=ralseJ rescaLe=None, preprDcessing_furctior=NDreJ data_forina":=r-.one, validation_spli":=,i. Sj dtype=Mone )

Рисунок 1 - Генератор изображений

На вход функции генератора подаются параметры, по которым будет производиться изменение базового изображения и создаваться похожее изображение [6].

Алгоритм генерации десяти изображений для одного файла можно разложить на 4 этапа (рисунок 2):

1. Загрузка (англ. import) библиотек и модулей.

2. Создание генератора с активацией необходимых параметров.

3. Обработка изображения для подачи в генератор.

4. Генерация изображений.

# 1. import библиотек и модулей:

import numpy as гр # NumPy - библиотека для работы с многомерными массивами массивами

import keras # keras - библиотека для разработки искусственных нейронных сетей

# I ma geDataGene rater - генератор изображений

# load_img - функция загрузки изображения с google-диска

# img_to_array - функция для преобразования загруженного изображения в формате PIL в массив HumPy

# array_to_img - функция для преобразования NumPy-маесива в изображение форчата PIL

from keras . preprocessing, image impor. InageDataGenerator, array tLi ieg, iirg_to_array, lcad_irig

# 2. Создаем генератор для генерации изображений

datagen = IiriageData6enerator(rotatiDn_range=45, # Поворачиваем изображения при генерации выборки

width_shift_range=0.2, # Двигаем изображения го ширине при генерации выборки height_shift_range=3.2j # Двигаем изображения го высоте при генерации выборки rescale=l./255j # Значения цвета меняем на дробные показания

5hear_range=,3,# Диапазон сдвига пикселей изображения ZDOfli_range=0.2, # Зумируем изображения при генерации выборки

horizontal_flip = True., # Отзеркаливание изображений по горизонтали vertical_flip=True, # Отзеркаливание иображений по вертикали fill_mode = 'nearest# Заполнение пикселей вне границ ввода brightne£s_range=[S.5j 1.5]) # Диапазон выбора сдвига по яркости

# 3. Оработка изображения:

# С помощью функуции load_iirig капируем очередное jpg-файл и сохраняем в перченную img img - lQad_img(r'7conteit/d"ive/MyDrive/Ea3a/sneet/sheet (lJ.DPG")

# С помощью функции img_to_array преобразуем jpg-файл в NumPy-массив и запишем в переменную X х = img_to_array(ing)

# С помощью функции restiape() изменим размерность NumPy-массива в гере.ченной X х = х.reshape((lj) + к.shape)

# 4. Генерация изображений:

i = 0 # Счетчик количества batch

# Б цикле перебора каждой параметр генератора изображений применим к NumPy-массиву., преобразуем в

# jpg-файл и сохраним в каталог с изображениями на google-диске

for batch in datagen.flovj (x., batch_siie = lj save_to_dir =r-/content/drive/MyDrive/База/sheet'

save_prefix = 'sheetsave_-ormat='jpg'): i+=l # Считаем изображения

if i>4: # Если i более 4 break # стоп цикл

Рисунок 2 - Программа для генерации изображений

Результат сгенерированных изображений с различными значениями параметров генератора (рисунок 3).

Рисунок 3 - Сгенерированные изображения (1-е слева - исходное изображение).

1 2

3

4

5

6

7

8 9

10 11 12

13

14

15

16

17

18

19

20 21 22

23

24

25

26 27 2S

29

30

31

32

33

34

35

Список литературы:

1. Коротков А.А., Астапов А.Ю., Криволапов И.П. Элементы технологий точного земледелия // Наука и Образование. 2020. Т. 3. № 3. С. 132.

2. Астапов А.Ю., Криволапов И.П., Акишин Д.В. Оптический метод определения степени зрелости плодов яблони // Наука в центральной России. 2019. № 6 (42). С. 17-22.

3. Bonitet assessment of graft-rootstock combinations of apple tree varieties in the conditions of the central Chernozem region / Z.N. Tarova, L.V. Bobrovich, I.P. Krivolapov, A.A. Korotkov, O.A. Borisova // В сборнике: IOP Conference Series: Earth and Environmental Science. Сер. "International Conference on Agricultural Science and Engineering" 2021. С. 012012.

4. Русскоязычная документация Keras [Электронный ресурс] Режим доступа: https://ru-keras.com/, свободный. - (дата обращения: 22.03.2022).

5. TensorFlow Core v2.8.0. ImageDataGenerator - техническая информация [Электронный ресурс]. - Режим доступа: https://www.tensorflow.org/api docs/python/tf/keras/preprocessing/image/ImageDat aGenerator, свободный. - (дата обращения: 22.03.2022).

6. Элбон Крис Машинное обучение с использованием Python. Сборник рецептов: Пер. с англ. СПб.: БХВ-Петербург, 2019. 384 с.

UDC 004.032.26; 631.574

AUGMENTATION OF THE IMAGE BASE OF APPLE LEAVES TO ACHIEVE MAXIMUM ACCURACY IN DETERMINING THE CLASS OF THE DISEASE WHEN TRAINING A NEURAL NETWORK (NN)

Anatoly I. Butenko

Doctor of Agricultural Sciences, Professor

but_tolik@mail. ru Maxim G. Timofeev

student vielseitig@mail.ru Michurinsk State Agrarian University Michurinsk, Russia

Annotation. This article presents augmentation as a technique for increasing the database.

Key words: augmentation, tensorflow, image generator, keras

Статья поступила в редакцию 07.05.2022; одобрена после рецензирования 09.06.2022; принята к публикации 30.06.2022.

The article was submitted 07.05.2022; approved after reviewing 09.06.2022; accepted for publication 30.06.2022.

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Бутенко Анатолий Иванович, Тимофеев Максим Геннадиевич

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Бутенко Анатолий Иванович, Тимофеев Максим Геннадиевич

AUGMENTATION OF THE IMAGE BASE OF APPLE LEAVES TO ACHIEVE MAXIMUM ACCURACY IN DETERMINING THE CLASS OF THE DISEASE WHEN TRAINING A NEURAL NETWORK (NN)