Abstract
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.
Publisher
Ukrainian National Forestry University
Reference28 articles.
1. Agrosepmash. (2023). Determining the quality of sunflower seeds. AGROSEPMASH Ukraine. Expertise. URL: https://agrosepmash.ua/uk/viznachennya-yakosti-nasinnya-sonyashniku/
2. 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
3. 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
4. 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
5. 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