ВИЗНАЧЕННЯ СТАДІЙ ЗРІЛОСТІ ПОЛУНИЦІ ЗА ДОПОМОГОЮ МОДЕЛЕЙ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ
Ключові слова:
штучний інтелект, комп’ютерний зір, згорткова нейронна мережа, MobileNet, EfficientNetАнотація
Протягом всієї історії сільського господарства технології вирощування та збору урожаю постійно вдосконалюються, полегшуючи роботу та полі та збільшуючи ефективність збору плодів. Сьогодні у галузь агропромисловості теж проникають сучасні технології, зокрема штучний інтелект. Його використання щороку стає дедалі поширенішим. Ця технологія дозволяє виробникам агропродукції в режимі реального часу отримувати великі обсяги інформації, аналізувати їх та приймати рішення щодо внесення добрив, використання пестицидів, зрошування та визначення зрілості плоду або рослини.. Не менш важливим аспектом застосування рішень штучного інтелекту є відслідковування вуглецевого сліду, що дає перевагу при виході на європейські ринки збуту. Поєднання з новітніми розробками безпілотних машин та роботів дозволяє збільшити продуктивність та обсяги виробництва у сільському господарстві.
Важливою частиною сучасної агропромисловості є комп’ютерний зір — одна з галузей штучного інтелекту, яка зосереджена на створенні інтелектуальних систем, які здатні обробляти та аналізувати візуальну інформацію так, як це робить людська сенсорна система. У рамках даної технології часто використовуються нейронні мережі, що здійснюють як розпізнавання зображень, так і їхню класифікацію.
У статті здійснено порівняльний аналіз різних моделей згорткових нейронних мереж для класифікації стадії дозрівання полуниці, а саме MobileNetV2, MobileNetV3Small та EfficientNetB0. Для оцінки нейромережі враховувалися такі параметри, як точність навчання та валідації, втрати при навчанні та валідації, час навчання. У результаті найкращі показники виявилися у мережі MobileNetV3Small. Результати та методика цього дослідження можуть бути корисними як для науковців, так і для підприємців, що працюють в агропромисловості та впроваджують штучний інтелект у виробничий процес.
Посилання
1. Sady i Ogrody. (2024). Co czeka rynek truskawek? Produkcja do przetwórstwa staje się nieopłacalna [What awaits the strawberry market? Production for processing is becoming unprofitable]. https://www.sadyogrody.pl/owoce/101/co_czeka_rynek_truskawek_produkcja_do_przetworstwa_staje_sie_nieoplacalna,39056.html.
2. Wang, C., Wang, H., Han, Q., Zhang, Z., Kong, D., & Zou, X. (2024). Strawberry detection and ripeness classification using YOLOv8+ model and image processing method. Agriculture, 14(5), 751. https://doi.org/10.3390/.
3. Miraei Ashtiani, S.-H., Javanmardi, S., Jahanbanifard, M., Martynenko, A., & Verbeek, F. J. (2021). Detection of mulberry ripeness stages using deep learning models. IEEE Access, 9, 100380–100394. https://ieeexplore.ieee.org/abstract/document/9481231.
4. Al-Masawabe, M. M., Samhan, L. F., Al-Farra, A. H., Aslem, Y. E., & Abu-Naser, S. S. (2021). Papaya maturity classifications using deep convolutional neural networks. International Journal of Academic Engineering Research, 5(12), 22–29. https://philpapers.org/rec/ALMPMC
5. Pardede, J., Sitohang, B., Akbar, S., & Khodra, M. L. (2021). Implementation of transfer learning using VGG16 on fruit ripeness detection. International Journal of Intelligent Systems and Applications, 13(2), 34–43. URL: https://www.mecs-press.org/ijisa/ijisa-v13-n2/v13n2-4.html
6. Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., & Adam, H. (2017). MobileNets: Efficient convolutional neural networks for mobile vision applications. arXiv. https://arxiv.org/abs/1704.04861.
7. Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 4510–4520). https://doi.org/10.1109/CVPR.2018.00474. https://openaccess.thecvf.com/content_cvpr_2018/papers/Sandler_MobileNetV2_Inverted_Residuals_CVPR_2018_paper.pdf.
8. Howard, A., Sandler, M., Chu, G., Chen, L.-C., Chen, B., Tan, M., Wang, W., Zhu, Y., Pang, R., Vasudevan, V., Le, Q. V., & Adam, H. (2019). Searching for MobileNetV3. In Proceedings of the IEEE/CVF International Conference on Computer Vision (pp. 1314–1324). https://arxiv.org/abs/1905.02244.
9. Tan, M., & Le, Q. V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. In Proceedings of the 36th International Conference on Machine Learning (pp. 6105–6114). PMLR. https://arxiv.org/abs/1905.11946.
10. Zoph, B., & Le, Q. V. (2017). Neural architecture search with reinforcement learning. arXiv. https://arxiv.org/abs/1611.01578.
11. Hu, J., Shen, L., & Sun, G. (2018). Squeeze-and-excitation networks. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 7132–7141). https://doi.org/10.48550/arXiv.1709.01507.
12. Ramachandran, P., Zoph, B., & Le, Q. V. (2017). Searching for activation functions. arXiv. https://arxiv.org/abs/1710.05941
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Інформаційні технології в економіці та природокористуванні
TЦя робота ліцензується відповідно до ліцензії Creative Commons Attribution-ShareAlike 4.0 International License.
