NAU Harvester System
Сучасні підходи до аналізу зображень в системах ідентифікації захворювань рослин із застосуванням детектору FAST
Наукові журнали Національного Авіаційного Університету
View Archive Info| Field | Value | |
| Title |
Сучасні підходи до аналізу зображень в системах ідентифікації захворювань рослин із застосуванням детектору FAST
Modern approaches to image analysis in plant disease identification systems with the use of fast detector Современные подходы к анализу изображений в системах идентификации заболеваний растений с применением детектора FAST |
|
| Creator |
Олешко, Тамара Іванівна; Національний авіаційний університет, Київ, Україна
Квашук, Дмитро Михайлович; Національний авіаційний університет, Київ, Україна Якименко, Анастасія Михайлівна; Національний авіаційний університет, Київ, Україна |
|
| Subject |
Екологія, хімічна технологія, біотехнології та біоінженерія
рослини; захворювання; зображення; розпізнавання FAST; господарство; алгоритми FAST. УДК 681-31.001.8 (045) Ecology, chemical technology, biotechnologies and bioengineering plants; diseases of; picture; recognition FAST; economy; algorithms and FAST UDC 681-31. 001. 8 (045) Экология, химическая технология, биотехнологии и биоинженерия растения; заболевания; изображение; распознавание FAST; хозяйство; алгоритмы FAST УДК 681-31.001.8 (045) |
|
| Description |
В умовах ведення точного господарства, з метою забезпечення ефективності управлінських рішень, шаленої конкуренції та зменшення родючих площ, постає питання про створення інтелектуальної системи управління аграрним сектором. Найбільшу небезпеку для аграріїв, на сьогоднішній день, складають ризики захворювання рослин, що значною мірою зменшують урожайність. Тому фермери вимушені знаходити нові засоби ідентифікації хвороб рослин. Застосування детектору FAST в задачах розпізнавання хвороб рослин, може бути реалізовано у поєднанні із детекторами кольору, що дозволяють виділити область захворювання, яка потім може бути предметом дослідження. Перш за все, це пов’язано із можливостями виникнення помилок, не достатньо чіткими зображеннями та нестабільним освітленням. Разом з тим визначення особливих точок на зображенні не повністю вирішує проблему ідентифікації захворювань рослин, оскільки в умовах шумів вони можуть бути також хибними та недостатньо ідентифікованими. Тому все залежить від умов діагностики, та задач розпізнавання хвороби. Переважна більшість прикладів основана на встановлені особливих точок, проте дослідження ведуться і в галузі машинного навчання на основі нейронних мереж. Звичайно, що відповідні задачі потребують значних обчислювальних потужностей, що в умовах ведення точного господарства, яке реалізується в польових умовах забезпечити досить складно. Таким чином, необхідно просте та водночас ефективне рішення, що забезпечить використовувати дешеві засоби на яких реалізуються алгоритми розпізнавання образів. Використання детектора FAST показало можливість встановлювати значну кількість особливих точок на зображенні, в результаті чого визначено певні закономірності між дескрипторами таких точок, проте точність та практичне застосування даного методу в реальних умовах потребують подальшого дослідження. Ключові слова: рослини; захворювання; зображення; розпізнавання FAST; господарство; алгоритми FAST.
In terms of doing the exact economy with the aim of ensuring the effectiveness of management decisions, frantic competition and reduction of fertile areas, the question arises about the development of an intelligent system of management of agrarian sector. The greatest danger to the farmers, today, are the risks plant diseases, which greatly reduce the yield. Therefore, farmers are forced to find new means of identification of plant diseases. The use of FAST detector in pattern recognition of plant diseases, can be implemented in combination with the detectors of colors, allowing you to select the area of the disease, which can then be the subject of research. First of all, it is connected with possibilities of errors, not enough clear photos and unstable lighting. However, the definition of singular points in the image are not completely solves the problem of identification of plant diseases, as in the noise they can also be incorrect and insufficiently identified. So it all depends on conditions, diagnostics, and pattern recognition of the disease. The vast majority of examples are based on the set of singular points, but research conducted in the field of machine learning based on neural networks. Of course, that the respective tasks require significant computing power, in terms of keeping accurate farming, which is implemented in the field to provide quite difficult. Thus, it is necessary simple and time efficient solution which will provide use cheap tools which are implemented the algorithms of pattern recognition. The use of FAST detector showed the possibility to install a significant number of singular points in the image, with the result that certain patterns are defined between the descriptors of such points, however, the accuracy and practical application of this method in real conditions require further study. В условиях ведения точного хозяйства, с целью обеспечения эффективности управленческих решений, безумной конкуренции и уменьшению плодородных площадей, встает вопрос о создании интеллектуальной системы управления аграрным сектором. Наибольшую опасность для аграриев, на сегодняшний день, составляют риски заболевания растений, что в значительной степени уменьшают урожайность. Поэтому фермеры вынуждены изыскивать новые средства идентификации болезней растений. Применение детектора FAST в задачах распознавания болезней растений, может быть реализовано в сочетании с детекторами цвета, позволяющие выделить область заболевания, которая затем может быть предметом исследования. Прежде всего, это связано с возможностями возникновения ошибок, не достаточно четкими фото и нестабильным освещением. Вместе с тем определение особых точек на изображении не полностью решает проблему идентификации заболеваний растений, поскольку в условиях шумов они могут быть также ошибочными и недостаточно идентифицированными. Поэтому все зависит от условий диагностики, и задач распознавания болезни. Подавляющее большинство примеров основано на установленные особых точек, однако исследования ведутся и в области машинного обучения на основе нейронных сетей. Конечно, что соответствующие задачи требуют значительных вычислительных мощностей, что в условиях ведения точного хозяйства, которое реализуется в полевых условиях обеспечить достаточно сложно. Таким образом, необходимо простое и одновременно эффективное решение, которое обеспечит использовать дешевые средства на которых реализуются алгоритмы распознавания образов. Использование детектора FAST показало возможность устанавливать значительное количество особых точек на изображении, в результате чего определены определенные закономерности между дескрипторами таких точек, однако точность и практическое применение данного метода в реальных условиях требуют дальнейшего исследования. |
|
| Publisher |
National Aviation University
|
|
| Contributor |
—
— — |
|
| Date |
2020-04-30
|
|
| Type |
—
— — |
|
| Format |
application/pdf
|
|
| Identifier |
http://jrnl.nau.edu.ua/index.php/SBT/article/view/14575
10.18372/2310-5461.45.14575 |
|
| Source |
Наукоємні технології; Том 45, № 1 (2020); 85-91
Science-based technologies; Том 45, № 1 (2020); 85-91 Наукоемкие технологии; Том 45, № 1 (2020); 85-91 |
|
| Language |
uk
|
|