(47-1) 14 * << * >> * Русский * English * Содержание * Все выпуски

Семантическая сегментация ржавчин и пятнистостей пшеницы
И.В. Ариничев 1, С.В. Полянских 2, И.В. Ариничева 3

1 Кубанский государственный университет,
350040, Россия, г. Краснодар, ул. Ставропольская, д. 149;
2 ООО Плариум-ЮГ, 350059, Россия, г. Краснодар, ул. Уральская, д. 75/1;
3 Кубанский государственный аграрный университет им. И.Т. Трубилина,
350044, Россия, г. Краснодар, ул. Калинина, д. 13

 PDF, 4947 kB

DOI: 10.18287/2412-6179-CO-1130

Страницы: 118-125.

Аннотация:
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.

Ключевые слова:
семантическая сегментация, сверточная нейросеть, U-Net, болезни пшеницы, классификация болезней.

Благодарности
Исследование выполнено при финансовой поддержке Кубанского научного фонда в рамках научного проекта № МФИ-20.1/121.

Цитирование:
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.

Citation:
Arinichev IV, Polyanskikh SV, Arinicheva IV. Semantic segmentation of rusts and spots of wheat. Computer Optics 2023; 47(1): 118-125. DOI: 10.18287/2412-6179-CO-1130.

References:
  1. Matveeva IP, Volkova GV. Yellow rust of wheat. Expansion, harm, control measures (review). Vestnik of Ulyanovsk State Agricultural Academy 2019; 46(2): 102-116. DOI: 10.18286/1816-4501-2019-2-102-116.
  2. Boulent J, Foucher S, Theau J, St-Charles PL. Convolutional neural networks for the automatic identification of plant diseases. Front Plant Sci 2019; 10: 941. DOI: 10.3389/fpls.2019.00941.
  3. Ngugi LC, Abelwahab M, Abo-Zahhad M. Recent advances in image processing techniques for automated leaf pest and disease recognition – A review. Inf Process Agric 2021; 8(1): 27-51. DOI: 10.1016/j.inpa.2020.04.004.
  4. Saleem MH, Potgieter J, Arif KM. Plant disease detection and classification by deep learning. Plants 2019; 8(11): 468. DOI: 10.3390/plants8110468.
  5. Atabay H. Deep residual learning for tomato plant leaf disease identification. J Theor Appl Inf Technol 2017; 95(24): 6800-6808.
  6. Brahimi M, Boukhalfa K, Moussaoui A. Deep learning for tomato diseases: classification and symptoms visualization. Appl Artif Intell 2017; 31: 299-315. DOI: 10.1080/08839514.2017.1315516.
  7. Ferentinos KP. Deep learning models for plant disease detection and diagnosis. Comput Electron Agric 2018; 145: 311-318. DOI: 10.1016/j.compag.2018.01.009.
  8. Mohanty SP, Hughes DP, Salathe M. Using deep learning for image-based plant disease detection. Front Plant Sci 2016; 7: 1419. DOI: 10.3389/fpls.2016.01419.
  9. Wang G, Sun Y., Wang J. Automatic image-based plant disease severity estimation using deep learning. Comput Intell Neurosci 2017; 2017: 2917536. DOI: 10.1155/2017/2917536.
  10. Arinichev IV, Polyanskikh SV, Volkova GV, Arinicheva IV. Rice fungal diseases recognition using modern computer vision techniques. Int J Fuzzy Log Intell Syst 2021; 21(1): 1-11. DOI: 10.5391/IJFIS.2021.21.1.1.
  11. Polyanskikh SV, Arinicheva IV, Arinichev IV, Volkova GV. Autoencoders for semantic segmentation of rice fungal diseases. Agron Res 2021, 19(2): 574-585. DOI: 10.15159/AR.21.019.
  12. Lin K, Gong L, Huang Y, Liu C, Pan J. Deep learning-based segmentation and quantification of cucumber powdery mildew using convolutional neural network. Front Plant Sci 2019; 10: 155. DOI: 10.3389/fpls.2019.00155.
  13. Zhang S, Wuc X, You Z, Zhang L. Leaf image based cucumber disease recognition using sparse representation classification. Comput Electron Agric 2017; 2017(134): 135-141. DOI: 10.1016/j.compag.2017.01.014.
  14. DeChant C, Wiesner-Hanks T, Stewart E, Gore M. Automated Identification of Northern leaf blight-infected maize plants from field imagery using deep learning. Phytopathology 2017; 107: 1426-1432. DOI: 10.1094/PHYTO-11-16-0417-R.
  15. Picon A, Alvarez-Gila A, Seitz M, Ortiz-Barredo A, Echazarra J, Johannes A. Deep convolutional neural networks for mobile capture device-based crop disease classification in the wild. Comput Electron Agric 2018; 2018(161): 280-290. DOI: 10.1016/j.compag.2018.04.002.
  16. Chen S, Zhang K, Zhao Y, Sun Y, Ban W, Chen Y, Zhuang H, Zhang X, Liu J, Yang T. An approach for rice bacterial leaf streak disease segmentation and disease severity estimation. Agriculture 2021, 11: 420. DOI: 10.3390/agriculture11050420.
  17. Fuentes AF, Yoon S, Lee J, Park DS. High-performance deep neural network-based tomato plant diseases and pests diagnosis system with refinement filter bank. Front Plant Sci 2018; 29(9): 1162. DOI: 10.3389/fpls.2018.01162.
  18. Saleem R, Shah JH, Sharif M, Ansari GJ. Mango leaf disease identification using fully resolution convolutional network. Comput Mater Contin 2021; 69(3): 3581-3601. DOI: 10.32604/cmc.2021.017700.
  19. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation. arXiv Preprint. 2015. Source: <https://arxiv.org/abs/1505.04597v1>.
  20. Berman M, Triki AR, Blaschko MB. The Lovász-Softmax loss: A tractable surrogate for the optimization of the intersection-over-union measure in neural networks. arXiv Preprint. 2017. Source: <https://arxiv.org/abs/1705.08790>.
  21. Bishop CM. Pattern recognition and machine learning. Cambridge: Springer; 2006. ISBN: 978-0-387-31073-2.

© 2009, IPSI RAS
Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20