Автоматическое выявление заболеваний фитофторозом у растений картофеля (Solanum tuberosum L.) и томата (Solanum lycopersicum, L. 1753) с использованием глубокого обучения

Ранняя и поздняя формы фитофтороза — два заболевания, представляющие значительную угрозу для посевов картофеля (Solanum tuberosum L.) и томата (Solanum lycopersicum, L. 1753) и приводящие к экономическим потерям для фермеров. Раннее и автоматическое выявление этих заболеваний позволит сэкономить время и даст фермерам возможность оперативно реагировать на поражение посевов. Технологии машинного и глубокого обучения предлагают многочисленные решения для выявления заболеваний фитофторозом у поражённых растений и широко представлены в научной литературе. Однако методы объяснения таких решений используются нечасто, хотя необходимы, поскольку модели машинного обучения часто рассматриваются как «чёрные ящики». В данном исследовании предлагается модель ResNet-9 для выявления состояния поражения фитофторозом на изображениях листьев картофеля и томата, которую могут применять фермеры. Данные были получены из популярного набора данных PlantVillage: первоначально он содержал 3990 обучающих образцов, а после аугментации данных их число увеличилось до 12009. Была проведена строгая процедура оптимизации гиперпараметров; затем модель обучили с использованием оптимизированных значений гиперпараметров и оценили на тестовой выборке, содержащей 1331 изображение. Точность на тестовой выборке составила 99,25%, общая точность — 99,67%, общая полнота — 99,33%, а обобщённое значение F1-меры — 99,33%. Для более полного понимания модели её предсказания были объяснены с помощью карт значимости. Карты показали, что модель ResNet-9 учитывала при прогнозировании форму листа, наличие поражённых участков и общие зелёные области листа, что улучшает понимание предсказаний модели и подтверждает её ожидаемое поведение. Полученные результаты могут способствовать тестированию и внедрению свёрточных нейронных сетей (CNN) для классификации изображений листьев картофеля (Solanum tuberosum L.) и томата (Solanum lycopersicum, L. 1753), полученных методами проксимального зондирования. В дальнейших исследованиях можно использовать данную модельную структуру и проверить дополнительные переменные для выявления инфекций листьев на более ранней стадии с целью защиты сельскохозяйственных культур.