Сучасні підходи до аналізу зображень в системах ідентифікації захворювань рослин із застосуванням детектору FAST
DOI:
https://doi.org/10.18372/2310-5461.45.14575Ключові слова:
рослини, захворювання, зображення, розпізнавання FAST, господарство, алгоритми FAST.Анотація
В умовах ведення точного господарства, з метою забезпечення ефективності управлінських рішень, шаленої конкуренції та зменшення родючих площ, постає питання про створення інтелектуальної системи управління аграрним сектором. Найбільшу небезпеку для аграріїв, на сьогоднішній день, складають ризики захворювання рослин, що значною мірою зменшують урожайність. Тому фермери вимушені знаходити нові засоби ідентифікації хвороб рослин.
Застосування детектору FAST в задачах розпізнавання хвороб рослин, може бути реалізовано у поєднанні із детекторами кольору, що дозволяють виділити область захворювання, яка потім може бути предметом дослідження. Перш за все, це пов’язано із можливостями виникнення помилок, не достатньо чіткими зображеннями та нестабільним освітленням. Разом з тим визначення особливих точок на зображенні не повністю вирішує проблему ідентифікації захворювань рослин, оскільки в умовах шумів вони можуть бути також хибними та недостатньо ідентифікованими. Тому все залежить від умов діагностики, та задач розпізнавання хвороби. Переважна більшість прикладів основана на встановлені особливих точок, проте дослідження ведуться і в галузі машинного навчання на основі нейронних мереж. Звичайно, що відповідні задачі потребують значних обчислювальних потужностей, що в умовах ведення точного господарства, яке реалізується в польових умовах забезпечити досить складно. Таким чином, необхідно просте та водночас ефективне рішення, що забезпечить використовувати дешеві засоби на яких реалізуються алгоритми розпізнавання образів.
Використання детектора FAST показало можливість встановлювати значну кількість особливих точок на зображенні, в результаті чого визначено певні закономірності між дескрипторами таких точок, проте точність та практичне застосування даного методу в реальних умовах потребують подальшого дослідження.
Ключові слова: рослини; захворювання; зображення; розпізнавання FAST; господарство; алгоритми FAST.Посилання
World Food Summit. URL: www.fao.org. Retrieved 31 December 2019. (access 31.12.2019)
Chubukova O., Ivanchenko H., Ivanchenko N. Development of the system for prediction of security state of an enterprise using semantic-frame fuzzy models of knowledge base. Eastern-European Journal of Enterprise Technologies. 2017. Vol 6. No 3 (90). p. 138-148. DOI:10.15587/1729-4061.2017.119100
Кудрицька Ж. В. Моделювання бізнес-процесів складського управління з використанням автоматизованої системи. Причорноморські економічні студії. 2018. № 28. Ч.2. URL: http://bses.in.ua/journals/2018/28_2_2018/37.pdf
Приставка П. О., Нічіков Є. П. Інформаційна технологія моделювання рельєфу місцевості із прив’язкою даних аерокосмічної фотозйомки. Наукоємні технології. 2012. 3 (15). С. 52-57.
Приставка П. О., Курочкін В. М. Аналіз неоднорідних текстур посівних площ на основі оцінки суміші розподілів. Наукоємні технології. 2015. №4(28). С.305–310.
Квашук Д. М., Підлужній В. В. Діагностика захворювань рослин з використанням технологій розпізнавання образів в системі економічної безпеки фермерських домогосподарств. Ефективна еко-номіка. 2019. № 6. URL: http://www.economy.nayka.com.ua/?op=1&z=7137 (дата звернення: 05.04.2020).
Приставка П. О., Рогатюк А. Математичне забезпечення розпізнавання та супроводу рухомого об’єкта в режимі реального часу для відео. Вісник НАУ. 2013. №2 (55). С. 141 – 148.
Харченко В. П., Нахаба О. O. Новий спосіб уніфікованої обробки інформації, відображеної у ви-гляді тривимірної асоціативно-логічної структури для оптимізації мультироторної безпілотної авіаційної системи. Вісник НАУ. 2017. №3 (72). С. 8-14.
Alonso D., Nieto M., Saldaro L. Robust Vehicle Detection through Multidimensional Classification for On Broad Video Based Systems. IEEE. 2007. P. 50–55.
Andrews S., Hofmann T., Tsochantaridis I. Support vector machines for multiple-instance learning Ad-vances in Neural Information. Processing Systems. 2002. P. 561-568.
Rosten E., Drummond T. Machine Learning for High-Speed Corner Detection. ECCV (1). Springer. 2006. Vol. 3951 of Lecture Notes in Computer Science, pp. 430-443.
Gunal D. S. Automated categorization scheme for digital libraries in distance learning:a pattern recogni-tion approach. Turkish Online Journal of Distance Education-TOJDE. 2008. Vol. 9. No. 4. Article 1.
