Recognizing rice diseases with modern computer vision techniques | Распознавание болезней риса с помощью современных методов компьютерного зрения

English. Relevance. Today, in the fight against rice diseases, it is still widely practiced to uniformly spray the entire field, either as a preventive measure or when any symptoms of disease are detected. Moreover, diseases in the early stages are often identified incorrectly and the complex of drugs is  selected incorrectly. The article explores the possibility of detecting and  classifying some fungal rice diseases from photography using machine learning. Two diseases are considered: blast disease and a group of diseases – brown spot. Methodology. The main idea behind convolutional neural networks is totry to bring the network closer to how human vision works. To determine the presence of a particular disease in the image, modern computer vision methods based on convolutional neural networks are used. The collection of a dataset must first of all be oriented towards the end user of the model. But even keeping an eye on the quality and shooting conditions both when collecting data and when using a trained model, a number of problems of a fundamental nature can arise that can significantly degrade the quality of the model. Among them: insufficient sample size; natural invariance of predictions with respect to rotations/reflections of the image; instability of predictions, when even insignificant noise can change the result; the effect of overfitting, when the quality of predictions on new images turns out to be significantly lower than on training images. A comparison is made of the four most successful and compact convolutional neural network architectures: GoogleNet, ResNet-18, SqueezeNet-1.0, and DenseNet-121. It was shown that in the data set used for the analysis, the disease can be detected with an accuracy of at least 95%.Results. The results obtained can be used for automatic recognition of fungal diseases of rice and making a decision on the implementation of protective measures, which could be carried out with minimal labor and time.

Russian. Актуальность. Сегодня при борьбе с болезнями риса, по-прежнему, широко практикуется прием равномерного опрыскивания всего поля либо в качестве превентивной меры, либо при обнаружении каких-либо симптомов заболеваний. При этом зачастую болезни на ранних стадиях идентифицируются неверно и комплекс препаратов подбирается некорректно. В статье исследуются возможность детекции и классификации некоторых грибных  болезней риса по фотографии с помощью машинного обучения. Рассмотрены две болезни: пирикуляриоз и группа болезней – бурая пятнистость.Методика. Основной идеей, стоящей за сверточными нейронными сетями, является попытка приблизить работу сети к механизму работы зрения человека. Для определения наличия на изображении того или иного заболевания используются современные методы компьютерного зрения, основанные на сверточных нейронных сетях. Сбор датасета нужно в первую очередь ориентировать на конечного пользователя модели. Но даже следя за качеством и условиями съемки как при сборе данных, так и при использовании обученной модели, может возникнуть ряд проблем принципиального характера, могущих существенно ухудшить качество модели. Среди них: недостаточный объем выборки; естественная инвариантность предсказаний относительно поворотов/отражений изображения; неустойчивость предсказаний, когда даже незначительный шум может изменить результат; эффект переобучения, когда качество предсказаний на новых изображениях оказывается значительно ниже, чем на обучающих. Проводится сравнение четырех наиболее успешных и компактных архитектур сверточных нейросетей: GoogleNet, ResNet-18, SqueezeNet-1.0 и DenseNet-121. Показано, что в  используемом для анализа наборе данных болезнь можно выявить с точностью не ниже 95%.Результаты. Полученные результаты могут быть  использованы для автоматического распознавания грибных заболеваний риса и принятия решения о проведении защитных мероприятий, которое можно было бы осуществить с минимальными трудовыми и временными затратами.