CC BY
6УДК 631.527:634.11: 004.85
РАСШИРЕНИЕ БАЗЫ ИЗОБРАЖЕНИЙ ЛИСТОВЫХ ПЛАСТИНОК ЯБЛОНИ ДЛЯ ПОСЛЕДУЮЩЕГО ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ И ДОСТИЖЕНИЯ МАКСИМАЛЬНОЙ ТОЧНОСТИ ПРИ РАСПОЗНАВАНИИ СОРТОВЫХ ОСОБЕННОСТЕЙ
Анатолий Иванович Бутенко
доктор сельскохозяйственных наук, профессор
but_toHk@mail .т Дарья Викторовна Парусова
студент
parusovadarya@yandex.ru Максим Геннадиевич Тимофеев
студент vielseitig@mail.ru
Мичуринский государственный аграрный университет
Мичуринск, Россия
Аннотация. Статья посвящена расширению базы изображений сортовых особенностей яблони по листовой пластине для обучения нейронной сети. Ключевые слова: аугментация, листовая пластина, нейронная сеть.
Существует большое количество сортов яблони. Каждый сорт имеет свои особенности, такие как: время и тип плодоношения, строение скелетных ветвей, форма кроны, цвет коры, высота яблони, плоды. По данным признакам можно определить сорт у взрослого дерева, но у сеянца яблони это сделать затруднительно. Единственный способ определить сорт у сеянцев - это обратить внимание на листья [2-4].
Мы будем анализировать листовую пластину сеянца: форма, цвет, размер. Данный процесс, если его выполнять вручную, является трудо- и время затратным. Поэтому хорошим решением для определения сорта сеянцев станет веб-приложение, основанное на искусственном интеллекте.
Для осуществления данной задачи потребуется сфотографировать лист, загрузить фотографию в приложение, а нейронная сеть прогонит её по базе и на основе биометрических данных определит сорт.
В действительности есть сложность. Из-за того, что наша база изображений маленькая, мы не сможем по ней обучить нейронную сеть. Поэтому нам потребуется ее увеличить. Увеличивать базу мы будем при помощи «аугментации».
Аугментация - это один из способов «расширить» базу для обучения, изменяя имеющиеся картинки. Для изменения изображения используются отражения по вертикали и горизонтали, повороты, сдвиги, приближение и т.п. (рисунок 1)[1].
Рисунок 1 - Изображение половинки листовой пластины до аугментации
Язык Python содержит множество библиотек. Способ аугментации мы реализуем в библиотеке tensorflow.keras.preprocessmg.image import
ImageDataGenerator. В данной библиотеке реализуется работа с изображениями. Аугментация осуществляется следующими образом: создаем переменную «datagen» и в нее сохраняем функцию ImageDataGenerator(), которая состоит из параметров [5, 6].
Так как наша база состоит из изображений половинок листовых пластинок, то из всех параметров (рисунок 2), которая содержит функция ImageDataGenerator(), мы используем:
1) rescale - изменение цвета на дробные показания;
2) rotation_range - поворот изображения;
3) width_shift_range - движение изображения по ширине;
4) height_shift_range -движение изображения по высоте;
5) zoom_range - зумирование изображения;
6) horizontal_flip - отзеркаливание изображения;
7) fill_mode - заполнение пикселей вне границ ввода;
8) validation_split - указываем разделение изображений на обучающую и тестовую выборку [5].
f eaturewise_center логический. Установите среднее значение ввода равным 0 по набору данных с
saraplewise_center логический. Установите для каждого образца среднее значение 0.
f eaturewise_std_ логический. Разделите входные данные на стандартный набор данных по
samplewise_std_ логический Разделите каждый вход на его стандартное значение.
zca_epsilon эпсилон для отбеливания ZCA. По умолчанию 1е-б.
rotation.range Междунар Диапазон градусов для случайных поворотов
Рисунок 2 - Аргументы функции ImageDataGenerator()
Дальше идет обработка данных, перед подачей в нейронную сеть и дальнейшее её обучение.
На рисунке 3 можно увидеть изображение листа после «расширения» его аугментацией.
р
>
Рисунок 3 - Изображение листа после преобразования
Таким образом, мы рассмотрели, как решить проблему обучения нейронной сети, связанную с ограниченным количеством изображений посредством аугментации.
1. Сверточные нейронные сети: методические указания / Университет искусственного интеллекта, 2021. 9 - 10 с.;
2. 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.
3. Коротков А.А., Астапов А.Ю., Криволапов И.П. Элементы технологий точного земледелия // Наука и Образование. 2020. Т. 3. № 3. С. 132.
4. 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.
5. Керас. Предварительная обработка изображений ImageDataGenerator. [Электронный ресурс]. - URL:
Список литературы:
https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDat aGenerator (дата обращения 20.03.2022 года);
6. Яблоня. [Электронный ресурс]. - URL: https://vniispk.ru/species/apple (дата обращения 20.03.2022 года).
UDC 631.527:634.11: 004.85
EXPANDING DATABASE OF IMAGES OF APPLE LEAF BLADES FOR THE FURTHER NEURAL NETWORK TRAINING AND ACHIEVE THE MAXIMUM ACCURACY IN RECOGNITION OF VARIETY
PECULIARITIES
Anatoly I. Butenko
Doctor of Agricultural Sciences, Professor
but_tolik@mail .ru Dariya V. Parusova student
parusovadarya@yandex.ru Maksim G. Timofeev
student vielseitig@mail.ru Michurinsk State Agrarian University Michurinsk, Russia
Annotation. The article is devoted to expanding the database of images of apple leaf blades for training a neural network.
Key words: augmentation, sheet plate, neural network.
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.
