КЛАСИФІКАЦІЯ СОНЯШНИКА ЗА ДОПОМОГОЮ ЗГОРТКОВО-КАПСУЛЬНОЇ МОДЕЛІ НЕЙРОННОЇ МЕРЕЖІ CNN-CAPSNET
DOI:
https://doi.org/10.31649/1997-9266-2024-176-5-63-70Ключові слова:
класифікація, соняшник, згортково-капсульна модель, нейронна мережа, точністьАнотація
Запропоновано класифікацію соняшника за допомогою згортково-капсульної моделі нейронної мережі CNN-CapsNet з удосконаленою архітектурою, яка поєднує згорткову нейронну мережу CNN та капсульну нейронну мережу CapsNet та дозволяє використати переваги цих обох архітектур. На основі проведеного літературного огляду встановлено, що перевагою згорткової нейронної мережі CNN є коротший час навчання, а капсульної нейронної мережі CapsNet — більша точність, надійність та можливість ефективно працювати зі складними задачами. Поєднання згорткової нейронної мережі CNN та капсульної нейронної мережі CapsNet та вдосконалення архітектури CNN-CapsNet проводилося шляхом внесення змін в CapsNet. Ці зміни полягають в тому, що у динамічній маршрутизації процес зворотного зв’язку додає підтримку для капсули, яка найбільше відповідає вихідному сигналу. Також застосовуються функції активації для апроксимації нелінійних з’єднань у глибоких мережах. Вони реалізовані як базові математичні функції, зазвичай для скалярних величин. Згорткові шари використовуються для отримання початкових карт функцій, які потім завантажуються в модель CapsNet для виконання остаточної класифікації. На основі цього розроблено дві окремі моделі. Одна модель виконує класифікацію на основі двох класів: «незрілий соняшник» та «стиглий соняшник». Друга модель виконує класифікацію на основі трьох класів: «незрілий соняшник», «стиглий соняшник» та «хворий соняшник». Основними показниками ефективності нейронної мережі CNN-CapsNet вибрано такі характеристики як точність класифікації, чутливість та F-оцінка на основі помилок І і ІІ роду. Для аналізу цих показників побудовано матриці помилок і графіки точності та похибок цих моделей. Здійснене порівняння запропонованих моделей нейронної мережі CNN-CapsNet з подібними продемонструвало найбільшу точність саме запропонованих моделей.
Посилання
Названо топ-3 культури, посівні площі під якими змінилися найбільше. [Електронний ресурс]. Режим доступу: https://agroportal.ua/news/eksklyuzivy/nazvano-top-3-kulturi-posivni-ploshchi-pid-yakimi-zminilisya-naybilshe . Дата звернення 09.07.2024.
Що вигідно вирощувати фермеру в Україні? [Електронний ресурс]. Режим доступу: https://veles-agro.com/news/chto-vygodno-vyrashhivat-fermeru-v-ukraine. Дата звернення 09.07.2024.
Найбільш популярні сільськогосподарські культури в Україні [Електронний ресурс]. Режим доступу: https://ropa.in.ua/news/najbilsh-populjarni-silskogospodarski-kulturi-v-ukraini. Дата звернення 09.07.2024.
А. Б. Ачасов, А. О. Седов, і А. О. Ачасова, «Оцінка забур’яненості посівів соняшника за допомогою безпілотних літальних апаратів,» Людина та довкілля. Проблеми неоекології, № 3-4 (26), с. 69-74, 2016.
B. Knysh, and Y. Kulyk, “Development of an image segmentation model based on a convolutional neural network,” Eastern-European Journal of Enterprise Technologies, no. 2 (110), pp. 6-15, 2021. https://doi.org/10.15587/1729-4061.2021.228644 .
B. Knysh, and Y. Kulyk, “Improving a model of object recognition in images based on a convolutional neural network,” Eastern-European Journal of Enterprise Technologies, no. 3 (111), pp. 40-50, 2021. https://doi.org/10.15587/1729-4061.2021.233786 .
Y. Unal, and M. N. Dudak, “Deep Learning Approaches for Sunflower Disease Classification: A Study of Convolutional Neural Networks with Squeeze and Excitation Attention Blocks,” Bitlis Eren Üniversitesi Fen Bilimleri Dergisi, vol 13 (1), pp. 247-258, 2024. https://doi.org/10.17798/bitlisfen.1380995 .
A. Sirohi, and A. Malik, “A Hybrid Model for the Classification of Sunflower Diseases Using Deep Learning,” in 2nd International Conference on Intelligent Engineering and Management (ICIEM), 2021, no. 2, pp. 58-62. https://doi.org/10.1109/ICIEM51511.2021.9445342 .
G. E. Hinton, A. Krizhevsky, and S. D. Wang, “Transforming autoencoders,” in International Conference on Artificial Neural Networks, 2011, pp. 44-51.
J. Xuefeng, W. Yikun, L. Wenbo, L. Shuying, and L. Junrui, “CapsNet, CNN, FCN: Comparative Performance Evaluation for Image Classification,” International Journal of Machine Learning and Computing, vol. 9, no. 6, pp. 840-848, 2019. https://doi.org/10.18178/ijmlc.2019.9.6.881 .
R. Mukhometzianov, and J. Carrillo, “CapsNet comparative performance evaluation for image classification,” Computer Vision and Pattern Recognition, vol. 1, pp. 1-14, 2018. https://arxiv.org/ftp/arxiv/papers/1805/1805.11195.pdf .
D. Rodica, and D. Ciprian, “ResNet interpretation methods applied to the classification of foliar diseases in sunflower,” Journal of Agriculture and Food Research, vol. 9, no. 100323, pp. 1-12, 2022. https://doi.org/10.1016/j.jafr.2022.100323 .
M. Bakr, S. Abdel-Gaber, M. Nasr, and M. Hazman, “DenseNet Based Model for Plant Diseases Diagnosis,” European Journal of Electrical Engineering and Computer Science, vol. 6, pp. 1-9, 2022. https://doi.org/10.24018/ejece.2022.6.5.458 .
Gh. Promila, A. K. Mondal, S. Chatterjee, M. Masud, H. Meshref, and A. K. Bairagi, “Recognition of Sunflower Diseases Using Hybrid Deep Learning and Its Explainability with AI,” Mathematics, vol. 11, no. 10, pp. 1-24, 2023. https://doi.org/10.3390/math11102241 .
M. U. Haq, M. A. J. Sethi, and A. U. Rehman, “Capsule Network with Its Limitation, Modification, and Applications – A Survey,” Machine Learning and Knowledge Extraction, vol. 5(3), pp. 891-921, 2023. https://doi.org/10.3390/make5030047 .
B. Juba, and H. S. Le, “Precision-recall versus accuracy and the role of large data sets,” in Proceedings of the AAAI Conference on Artificial Intelligence, 2019, vol. 33, pp. 4039-4048.
Sun Flower Fruits and Leaves dataset for Sunflower Disease Classification through Machine Learning and Deep Learning. [Electronic resource]. Available: https://data.mendeley.com/datasets/b83hmrzth8/1 . Accessed: 09.07.2024.
Sunflower_detection Computer Vision Project [Electronic resource]. Available: https://universe.roboflow.com/khaing/sunflower_detection . Accessed: 09.07.2024.
G. Rana, R. Singh, A. Pal, and R. Gupta, “Enhancing Sunflower Disease Identification with CNN-SVM Integration,” in 3rd International Conference on Smart Generation Computing, Communication and Networking (SMART GENCON), 2023, pp. 1-6. https://doi.org/10.1109/SMARTGENCON60755.2023.10442779 .
M. Peker, “Multi-channel capsule network ensemble for plant disease detection,” SN Applied Sciences, vol. 3, pp. 1-10, 2021. https://doi.org/10.1007/s42452-021-04694-2 .
282 Sunflower labeled image dataset [Electronic resource]. Available: https://images.cv/download/sunflower/282 . Accessed 09.07.2024.
##submission.downloads##
-
pdf
Завантажень: 19
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).