Отрывок: 2. Важной особенностью U-Net является возмож- ность тренировать «end-to-end» модели из выборок небольшого объема, что очень ценно для отрасли сельского хозяйства, где не всегда можно получить большие наборы данных для исследования. Сегмен- тация болезней по существу является задачей клас- сификации, которая выполняется для каждого пиксе- ля. Функция потерь рассчитывалась по формуле (1), ко- торая сочетает в себе стандартные методы оценки про- изводитель...
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.author | Ариничев, И.В. | - |
dc.contributor.author | Полянских, С.В. | - |
dc.contributor.author | Ариничева, И.В. | - |
dc.date.accessioned | 2023-02-21 10:16:12 | - |
dc.date.available | 2023-02-21 10:16:12 | - |
dc.date.issued | 2023-02 | - |
dc.identifier | Dspace\SGAU\20230216\102041 | ru |
dc.identifier.citation | Ариничев, И.В. Семантическая сегментация ржавчин и пятнистостей пшеницы / И.В. Ариничев, С.В. Полянских, И.В. Ариничева // Компьютерная оптика. – 2023. – Т. 47, № 1. – С. 118-125. – DOI: 10.18287/2412-6179-CO-1130. | ru |
dc.identifier.uri | 10.18287/2412-6179-CO-1130 | - |
dc.identifier.uri | http://repo.ssau.ru/handle/Zhurnal-Komputernaya-optika/Semanticheskaya-segmentaciya-rzhavchin-i-pyatnistostei-pshenicy-102041 | - |
dc.description.abstract | В статье исследуется возможность семантической сегментации классификации желтой ржавчины и пятнистости пшеницы с помощью сверточной нейросетевой архитектуры U-Net. На основе собственного набора данных, включающего 268 изображений, собранной в естественных условиях и условиях инфекционных питомников ФНЦ БЗР, показано, что архитектура U-Net c декодерами ResNet способна качественно обнаруживать, классифицировать и локализовывать ржавчины и пятнистости даже в тех случаях, когда болезни присутствуют на растении одновременно. Для отдельных классов болезней основные метрики (accuracy, micro-/macro precision, recall и F1) колеблются в пределах от 0,92 до 0,96. Это указывает на возможность распознавания даже нескольких болезней на листе с точностью, не уступающей эксперту-фитопатологу. Метрики сегментации IoU и Dice составили соответственно 0,71 и 0,88, что говорит о достаточно высоком качестве попиксельной сегментации и подтверждается при визуальном анализе. Использованная при этом архитектура нейронной сети достаточно легковесна, что делает возможным ее использование на мобильных устройствах без подключения к сети. | ru |
dc.language.iso | rus | ru |
dc.publisher | Самарский национальный исследовательский университет | ru |
dc.relation.ispartofseries | 47;1 | - |
dc.subject | семантическая сегментация, сверточная нейросеть, U-Net, болезни пшеницы, классификация болезней | ru |
dc.title | Семантическая сегментация ржавчин и пятнистостей пшеницы | ru |
dc.type | Article | ru |
dc.textpart | 2. Важной особенностью U-Net является возмож- ность тренировать «end-to-end» модели из выборок небольшого объема, что очень ценно для отрасли сельского хозяйства, где не всегда можно получить большие наборы данных для исследования. Сегмен- тация болезней по существу является задачей клас- сификации, которая выполняется для каждого пиксе- ля. Функция потерь рассчитывалась по формуле (1), ко- торая сочетает в себе стандартные методы оценки про- изводитель... | - |
dc.classindex.scsti | 28.23.15 | - |
Располагается в коллекциях: | Журнал "Компьютерная оптика" |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
14-1130-Ариничев-Полянских-Ариничева_KI-JuN-Aut-Lit-MI-MA-JuN2.pdf | Основная статья | 4.95 MB | Adobe PDF | Просмотреть/Открыть |
Показать базовое описание ресурса
Просмотр статистики
Поделиться:
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.