Preview

Вестник кибернетики

Расширенный поиск

ФЕНОТИПИРОВАНИЕ РАСТЕНИЙ АДАПТИВНОЙ СИСТЕМОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ НА БАЗЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ

https://doi.org/10.34822/1999-7604-2021-2-6-16

Полный текст:

Аннотация

Данная работа является продолжением исследований авторов в области проектирования систем автоматического фенотипирования растений. Интенсивное развитие цифровых технологий в агробизнесе позволяет снизить количество ошибок при визуальном анализе здоровья растений, повысить их урожайность и, как следствие, производительность труда специалистов. Построение автоматической системы фенотипирования требует анализа значительного объема цифровых изображений растений (более тысячи). Ключевым элементом автоматической системы фенотипирования является аппарат сверточных нейронных сетей, с помощью которого проводится анализ характеристик листьев растений во взаимосвязи с внешней средой, заболеваниями и морфологическими характеристиками. Анализ качества работы автоматической системы фенотипирования на базе сверточных нейронных сетей показал ее высокую эффективность при оценке заболеваний растений. В качестве компоненты адаптации системы управления в работе используется Е-сетевой граф, позволяющий формировать вектор управления системами технического зрения и выработки агрономических рекомендаций.

Об авторах

М. Я. Брагинский
Сургутский государственный университет, Сургут
Россия

E-mail: mick17@mail.ru



Д. В. Тараканов
Сургутский государственный университет, Сургут
Россия


Список литературы

1. Афонников Д. А., Генаев М. А., Дорошков А. В., Комышев Е. Г., Пшеничникова Т. А. Методы высокопроизводительного фенотипирования растений для массовых селекционногенетических экспериментов // Генетика. 2016. Т. 52, № 7. C. 788–803.

2. Ashok R., Uma S. K. Garden Environmental Monitoring & Automatic Control System Using Sensors // International Journal for Modern Trends in Science and Technology (IJMTST). 2016. Vol. 2, № 5. Р. 141–144.

3. Faouzi D., Bibi-Triki N., Draoui B., Abène A. Greenhouse Environmental Control Using Optimized, Modeled and Simulated Fuzzy Logic Controller Technique in MATLAB SIMULINK // Computer Technology and Application. 2016. № 7. Р. 273–286.

4. Запевалова Л. Ю., Запевалов А. В. Предварительная обработка цифровых изображений в системе управления вертикальной фермой // Вестник кибернетики. 2020. № 1. C. 77–84.

5. Setiawan W., Utoyo M. I., Rulaningtyas R. Reconfiguration Layers of Convolutional Neural Network for Fundus Patches Classification // Bulletin of Electrical Engineering and Informatics. 2021. № 10 (1). Р. 383–389.

6. SqueezeNet-Residual by songhan. URL: http://songhan.github.io/SqueezeNet-Residual (дата обращения: 06.05.2021).

7. Брагинский М. Я., Тараканов Д. В. Концепция построения аналитико-имитационных моделей человеко-машинных систем управления с помощью Е-сетей // Вестник кибернетики. 2020. № 2. C. 50–57.

8. Gilbert D., Heiner M., Ghanbar L., Chodak J. Spatial Quorum Sensing Modelling using Coloured Hybrid Petri Nets and Simulative Model Checking // BMC Bioinformatics. 2019. № 20 (4). P. 173.

9. Брагинский М. Я., Тараканов Д. В. Оценка состояния растений с использованием сверточных нейронных сетей // Вестник кибернетики. 2021. № 1. С. 41–50. DOI 10.34822/ 1999-7604-2021-1-41-50.

10. Ronneberger O., Fischer P., Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. URL: https://arxiv.org/abs/1505.04597 (дата обращения: 06.05.2021).

11. Брагинский М. Я., Тараканов Д. В. Компьютерная обработка изображений в задаче выявления фитопатологии биологических культур // Интеграция науки, образования, общества, производства и экономики : сб. ст. по материалам междунар. науч.-практич. конф. Уфа, 2020. С. 29–35.


Для цитирования:


Брагинский М.Я., Тараканов Д.В. ФЕНОТИПИРОВАНИЕ РАСТЕНИЙ АДАПТИВНОЙ СИСТЕМОЙ ОБРАБОТКИ ИЗОБРАЖЕНИЙ НА БАЗЕ СВЕРТОЧНЫХ НЕЙРОННЫХ СЕТЕЙ. Вестник кибернетики. 2021;(2):6-16. https://doi.org/10.34822/1999-7604-2021-2-6-16

For citation:


Braginsky M.Y., Tarakanov D.V. PLANT PHENOTYPING BY AN ADAPTIVE IMAGE PROCESSING SYSTEM BASED ON CONVOLUTIONAL NEURAL NETWORKS. Proceedings in Cybernetics. 2021;(2):6-16. (In Russ.) https://doi.org/10.34822/1999-7604-2021-2-6-16

Просмотров: 73


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1999-7604 (Online)