Application of convolutional neural network for monitoring the condition of strawberries | Применение сверточной нейронной сети для мониторинга состояния земляники садовой

Английский. A method for improving the accuracy of calcium deficiency diagnosing in strawberry plants is developed. It suggests the use of machine learning algorithms, such as convolutional neural networks (CNN), which makes it possible to train a model on a data set for qualitative detection of calcium deficiency signs in the leaves. A dataset of images of healthy leaves and leaves with calcium deficiency signs was collected; the method of artificially increasing the volume of the training sample (image augmentation) was applied, by horizontal and vertical reflection of objects in the images, rotation by a given angle and random addition of "noise". To train CNN, an algorithm for obtaining RGB images using a robotic platform is proposed. A modern model of the YOLOv7 neural network was used as a means of detecting the calcium deficiency signs of the strawberry leaves in the images. The configuration of the YOLOv7 machine learning algorithm for recognizing damaged areas in strawberry leaves caused by calcium deficiency has been determined. To train the YOLOv7 model, the Transfer learning method was used. To assess the quality of the object recognition algorithms, both the metric mAP (mean average precision) equal 0.454, and the metric F1-score (F-measure), 0.53 were used; the average absolute error (Mean Absolute Percentage Error, MAPE) of the analyzed model was calculated. The YOLOv7 model recognized the "Calciuemdeficiency" class, with a MAPE index equal to 7.52%. The analysis of the research results showed that timely monitoring of garden strawberry industrial plantation carried out using a wheeled robotic platform with the use of the YOLOv7 CNN for processing the data obtained will allow determining calcium deficiency in the strawberry leaves with high accuracy up to 94.43% at the early stages of pathology development.

Русский. Предложен метод повышения точности диагностирования недостатка кальция в растениях земляники садовой. Это применение алгоритмов машинного обучения, таких как сверточные нейронные сети (CNN), которые позволяют обучить модель на наборе данных для качественного обнаружения признаков дефицита кальция на листьях. Собран набор данных (dataset) изображений листьев (здоровых и с признаками недостатка кальция), использован способ искусственного увеличения объема обучающей выборки (image augmentation) путем горизонтального и вертикального отражения объектов на изображениях, поворота на заданный угол и случайного добавления "шума". Для обучения CNN предложен алгоритм получения RGB-изображений с помощью роботизированной платформы. В качестве средства обнаружения признаков дефицита кальция на листьях земляники на изображениях использована современная модель нейронной сети YOLOv7. Определены гиперпараметры алгоритма машинного обучения модели YOLOv7 для распознавания областей поражения листьев земляники садовой, вызванных недостатком кальция. Для обучения модели YOLOv7 использован метод трансферного обучения (Transfer learning). Для оценки качества работы алгоритмов распознавания объектов использованы метрики mAP (mean average precision) и F1-score (F-мера), проведен расчет средней абсолютной ошибки (Mean Absolute Percentage Error, MAPE) рассматриваемой модели нейронной сети YOLOv7. Анализ полученных результатов показал, что модель YOLOv7 распознала класс "Calciuemdeficiency" с показателем MAPE, равным 7,52%. Расчетное значение метрики бинарной классификации mAP составило 0,454, метрики F1-score – 0,53. Результаты исследований показали, что своевременный мониторинг состояния земляники садовой на промышленной плантации, проведенный с использованием колесной роботизированной платформы с применением CNN YOLOv7 для обработки полученных данных, позволит на ранних этапах развития патологии с высокой точностью до 94,43% определить дефицит кальция в листьях растений земляники садовой.