Выявление болезней сельскохозяйственных культур по их листьям с использованием сверточных нейросетей.
Введение
В современном мире сельское хозяйство играет важнейшую роль в обеспечении продовольственной безопасности и устойчивого развития общества. Однако болезни, поражающие сельскохозяйственные культуры, представляют значительную угрозу для урожайности и качества продукции. Раннее обнаружение таких заболеваний являются важными шагами в принятии своевременных мер по борьбе с ними и предотвращению их распространения.
Тема довольно необычна для университета, так как ее очень тяжело связать с финансами или экономикой в целом, однако, она достаточно сильно связана с факультетом информационных технологий и анализа больших данных, так как в нем происходит знакомство с моделями машинного обучения, которые будут нужны для этой работы. Тема подразумевает, что будет реализован подход по способу выявления болезни и будет похож на автоматизацию человеческого глаза для распознавания.
Содержание
Введение3
Глава 1. Выявление и классификация болезней4
1.1 Постановка задачи класификации9
1.2 Обзор задачи классификации с различными областями применения11
1.3 Проблемы классификации выбранных данных12
1.4 Сравнение соверменных методов классификации14
Глава 2. Подготовка данных для поставленной задачи20
2.1 Использование технологий парсинга для выбора и скачивания данных23
2.2 Обработка скаченных данных для модели29
Глава 3. Построение модели классификации болезней35
3.1 Выбор и построение модели на подготовленных данных39
3.2 Анализ полученных результатов52
Заключение57
Список литературы (использованных источников) и интернет-ресурсов59
Список литературы (использованных источников) и интернет-ресурсовКлассификация и характеристика болезней сельскохозяйственных растений [Электронный ресурс] – URL: https://studref.com/691927/agropromyshlennost/klassifikatsiya_harakteristika_bolezney_selskohozyaystvennyh_rasteniyБолезни растений [Электронный ресурс] – URL: https://mikor-agro.ru/o-kompanii/blog/kakie-byvayut-bolezni-rasteniy/
Искусственный интеллект и компьютерное зрение. Реальные проекты на Python, Keras и TensorFlow с.32 – 83.
Аугментация (augmentation, “раздутие”) данных для обучения нейронной сети на примере печатных символов [Электронный ресурс] – URL: https://habr.com/ru/companies/smartengines/articles/264677/
Keras Documentation [Электронный ресурс]. – Режим доступа: https://keras.io/api/
Нейроны головного мозга – строение, классификация и проводящие пути [Электронный ресурс]. – Режим доступа: https://sortmozg.com/structure/nejrony-golovnogo-mozgaСебастьян Рашка «Python и машинное обучение: машинное и глубокое обучение с использованием python, scikit-learn и tensorflow». - Москва, 2019 - ISBN: 978-5-907114-52-4
Что такое свёрточная нейронная сеть [Электронный ресурс] Режим доступа: https://habr.com/ru/post/309508/
ПРИЛОЖЕНИЕ АКОД ПРОГРАММЫ
Исходный код программы доступен для скачивания в электронном в виде. Режим доступа: https://drive.google.com/drive/folders/1IjbQppBuFtnCd6mgimOgWC-GUUR6Rb-L?usp=sharing
Опросы могут проводиться лично, по телефону, по электронной почте или онлайн.
Эксперименты: Эксперименты включают манипулирование одной или несколькими переменными для наблюдения за их влиянием на интересующий результат. Эксперименты могут проводиться в лаборатории или на природе.
Наблюдения: Наблюдения включают в себя запись того, что вы видите или слышите, без каких-либо манипуляций. Наблюдения могут быть структурированными (в соответствии с определенным протоколом) или неструктурированными (свободно фиксирующими происходящее).
Интервью: Собеседования включают в себя задавание вопросов отдельным лицам или группам с целью сбора информации об их опыте, перспективах или поведении. Собеседования могут проводиться лично, по телефону или онлайн.
Data mining: Интеллектуальный анализ данных включает в себя использование программных средств для автоматического извлечения закономерностей и аналитических данных из