Класифікація якості насіння соняшника за його зображеннями із використанням нейронних мереж
Анотація
Враховуючи швидкий ріст населення у світі, сільськогосподарська галузь вимушена шукати та розвивати нові способи підвищення ефективності виробництва продуктів харчування. Одним з таких способів є удосконалення процесу відбору насіння ключових культур для посіву. Запропоновано використовувати тип згорткових нейронних і змагальних генеративних мереж для автоматизованого оцінювання якості насіння соняшника. У межах дослідження розроблено та навчено моделі згорткових нейронних мереж на базі ResNet, DenseNet та AlexNet для класифікації якості насіння соняшника за його зображеннями. Сформовано набір даних, що містить 1307 зображень насіння соняшника чотирьох класів: Broken, Deflated, Discolored та Normal. Проаналізовано роботи щодо застосування класичних методів машинного навчання, глибинного навчання та генеративних змагальних мереж для класифікації сортів і якості насіння різних культур зокрема і соняшника. На підставі попередніх досліджень з'ясовано, що застосування згорткових нейронних мереж демонструє високі показники точності класифікації під час навчання на великих обсягах даних. Проте, враховуючи недостатність зображень для ефективного навчання моделі в контексті цього дослідження, вирішено застосувати тип умовних генеративних змагальних мереж для розширення первинного набору даних штучними зображеннями насіння соняшника. Це повинно вдосконалити показники навчання моделей згорткових нейронних мереж. На підставі первинного набору даних створено п'ять додаткових, що були розширені штучним зображенням за допомогою моделі генератора. Проведено експериментальні випробування, під час моделі згорткових нейронних мереж, що навчались на розширених наборах даних, демонстрували вищі показники точності передбачень класів якості насіння соняшника, ніж на первинному наборі, що підтверджують ефективність запропонованого підходу. Результати дослідження можуть бути корисними для сільськогосподарських виробників, агропромислових компаній і науковців, що працюють у галузі рослинництва.
Завантаження
Посилання
Agrosepmash. (2023). Determining the quality of sunflower seeds. AGROSEPMASH Ukraine. Expertise. URL: https://agrosepmash.ua/uk/viznachennya-yakosti-nasinnya-sonyashniku/
Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein generative adversarial networks. In Proceedings of the 34th International Conference on Machine Learning, PMLR 70: 214–223 URL: https://proceedings.mlr.press/v70/arjovsky17a.html
Bantan, R. A. R., Ali, A., Naeem, S., Jamal, F., Elgarhy, M., & Chesneau, C. (2020). Discrimination of sunflower seeds using multispectral and texture dataset in combination with region selection and supervised classification methods. Chaos: An Interdisciplinary Journal of Nonlinear Science, 30(11), 9–10. https://doi.org/10.1063/5.0024017
Barrio-Conde, M., Zanella, M. A., Aguiar-Perez, J. M., Ruiz-Gonzalez, R., & Gomez-Gil, J. (2023). A Deep Learning Image System for Classifying High Oleic Sunflower Seed Varieties. Sensors, 23(5), 8. https://doi.org/10.3390/s23052471
Çetin, N., Karaman, K., Beyzi, E., Sağlam, C., & Demirel, B. (2021). Comparative evaluation of some quality characteristics of sunflower oilseeds (Helianthus Annuus L.) through machine learning classifiers. Food Analytical Methods, 14(8), 11. https://doi.org/10.1007/s12161-021-02002-7
Colab.google. (2023). Colab.google. URL: https://colab.google
Detect – Seed-X Technologies. (2023). Seed-X Technologies. URL: https://www.seed-x.com/product/detect/
DIGISEED – seed analysis. KUBTEC scientific. (2023). KUBTEC Scientific: Home of Cabinet X-ray Imaging. URL: https://www.kubtecscientific.com/applications/seed-analysis
Envision – Seed-X Technologies. (2023). Seed-X Technologies. URL: https://www.seed-x.com/product/envision/
Faostat. (2023). Home. Food and Agriculture Organization of the United Nations. URL: https://www.fao.org/faostat/en/#data/QCL/visualize
Fastai – Welcome to fastai. (2023). Fastai – Welcome to fastai. URL: https://docs.fast.ai/
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 27–30. https://doi.org/10.1109/cvpr.2016.90
Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 21–26. https://doi.org/10.1109/cvpr.2017.243
ImageNet. (2023). ImageNet. URL: https://www.image-net.org/
JayaBrindha, G. & Subbu, E. S. G. (2018). Ant colony technique for optimizing the order of cascaded SVM classifier for sunflower seed classification. IEEE Transactions on Emerging Topics in Computational Intelligence, 2(1), 6–10. https://doi.org/10.1109/tetci.2017.2772918
Jin, X., Zhao, Y., Wu, H., & Sun, T. (2022). Sunflower seeds classification based on sparse convolutional neural networks in multi-objective scene. Scientific Reports, 12(1), 9–13. https://doi.org/10.1038/s41598-022-23869-4
Koklu, M., Sarigil, S., & Ozbek, O. (2021). The use of machine learning methods in classification of pumpkin seeds (Cucurbita Pepo L.) Genetic Resour. Crop Evolution, 68(7), 11. https://doi.org/10.1007/s10722-021-01226-0
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386
Kurtulmuş, F. (2020). Identification of sunflower seeds with deep convolutional neural networks. Journal of Food Measurement and Characterization, 8–9. https://doi.org/10.1007/s11694-020-00707-7
Meng, X., Yuan, Y., Teng, G., & Liu, T. (2021). Deep learning for fine-grained classification of jujube fruit in the natural environment. Journal of Food Measurement and Characterization, 11–14. https://doi.org/10.1007/s11694-021-00990-y
Nagar, S., Pani, P., Nair, R., & Varma, G. (2021). Automated Seed Quality Testing System using GAN & Active Learning. Computer Vision and Pattern Recognition (cs. CV); Hardware Architecture (cs. AR), 1–8. https://doi.org/10.48550/arXiv.2110.00777
NVIDIA A100 gpus power the modern data center. (2023). NVIDIA. URL: https://www.nvidia.com/en-us/data-center/a100/
Project jupyter. (2023). Project Jupyter. Home. URL: https://jupyter.org/
Sampath, V., Maurtua, I., Aguilar Martín, J. J., & Gutierrez, A. (2021). A survey on generative adversarial networks for imbalance problems in computer vision tasks. Journal of Big Datas, 8(1), 48–51. https://doi.org/10.1186/s40537-021-00414-0
Samsung galaxy A23, camera, battery & specs, Samsung UK. (2023). Samsung uk. URL: https://www.samsung.com/uk/ smartphones/galaxy-a/galaxy-a23-5g-awesome-black-64gb-sm-a236bzkueub/#specs
TEO grade (sunflower, annual sunflower). (2023). Agrarians together. Information and analytical system. URL: https://agrarii-razom.com.ua/culture-variety/teo
Truong Hoang, V., Van Hoai, D. P., Surinwarangkoon, T., Duong, H.–T., & Meethongjan, K. (2020). A comparative study of rice variety classification based on deep learning and hand-crafted features. ECTI Transactions on Computer and Information Technology (ECTI-CIT), 14(1), 5. https://doi.org/10.37936/ecti-cit.2020141.204170
Tu, K., et al. (2022). A model for genuineness detection in genetically and phenotypically similar maize variety seeds based on hyperspectral imaging and machine learning. Plant Methods, 18(81), 4–15. https://doi.org/10.1186/s13007-022-00918-7
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
