Применение сверточной нейронной сети для мониторинга состояния земляники садовой

   В статье предложен метод повышения точности диагностирования недостатка кальция в растениях земляники садовой – применение алгоритмов машинного обучения, таких как сверточные нейронные сети (CNN), что позволяет обучить модель на наборе данных для качественного обнаружения признаков дефицита кальция на листьях. Собран набор данных (dataset) изображений здоровых листьев 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 сверточной нейронной сети 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 сверточной нейронной сети 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.

1. Dunn J. L., Able A. J. Pre-harvest calcium effects on sensory quality and calcium mobility in strawberry fruit. Acta Horticulture. 2006;708(708):307-312. doi: 10.17660/ActaHortic.2006.708.52

2. Moore K. A., Bradley L. K. North Carolina extension gardener handbook (Ch. 5). The University of North Carolina Press, North Carolina, USA, 2018. URL: https://content.ces.ncsu.edu/extension-gardener-handbook/5-diseases-and-disorders

3. Kuronuma T., Watanabe Y., Ando M., Watanabe H. Tipburn severity and calcium distribution in lisianthus (Eustoma Grandiflorum (Raf.) Shinn.) cultivars under different relative air humidity conditions. Agronomy. 2018;8(10):218. doi: 10.3390/agronomy8100218

4. Bárcena A., Graciano C., Luca T., Guiamet J. J., Costa L. Shade cloths and polyethylene covers have opposite effects on tipburn development in greenhouse grown lettuce. Scientia Horticulturae. 2019;249:93-99. doi: 10.1016/j.scienta.2019.01.023

5. Olle M., Williams I. H. Physiological disorders in tomato and some methods to avoid them. The Journal of Horticultural Science and Biotechnology. 2017;92(3):223-230. doi: 10.1080/14620316.2016.1255569

6. Sayğı H. Effects of Organic Fertilizer Application on Strawberry (Fragaria vesca L.) Cultivation. Agronomy. 2022;12(5):1233. doi: 10.3390/agronomy12051233

7. Mohamed M. H. M., Petropoulos S. A., Ali M. M. E. The Application of Nitrogen Fertilization and Foliar Spraying with Calcium and Boron Affects Growth Aspects, Chemical Composition, Productivity and Fruit Quality of Strawberry Plants. Horticulturae. 2021;7(8):257. doi: 10.3390/horticulturae7080257

8. Cvelbar Weber N., Koron D., Jakopič J., Veberič R., Hudina M., Baša Česnik H. Influence of Nitrogen, Calcium and Nano-Fertilizer on Strawberry (Fragaria × ananassa Duch.) Fruit Inner and Outer Quality. Agronomy. 2021;11(5):997. doi: 10.3390/agronomy11050997

9. Sabatino L., D’Anna F., Prinzivalli C., Iapichino G. Soil Solarization and Calcium Cyanamide Affect Plant Vigor, Yield, Nutritional Traits, and Nutraceutical Compounds of Strawberry Grown in a Protected Cultivation System. Agronomy. 2019;9(9):513. doi: 10.3390/agronomy9090513

10. Kim H. M., Lee H. R., Kang J. H., Hwang S. J. Prohexadione-Calcium Application during Vegetative Growth Affects Growth of Mother Plants, Runners, and Runner Plants of Maehyang Strawberry. Agronomy. 2019;9(3):155. doi: 10.3390/agronomy9030155

11. Cruz M., Mafra S., Teixeira E., Figueiredo F. Smart Strawberry Farming Using Edge Computing and IoT. Sensors. 2022;22(15):5866. doi: 10.3390/s22155866

12. Basak J. K., Paudel B., Kim N. E., Deb N. C., Kaushalya Madhavi B. G., Kim H. T. Non-Destructive Estimation of Fruit Weight of Strawberry Using Machine Learning Models. Agronomy. 2022; 12(10):2487. doi: 10.3390/agronomy12102487

13. Ferentinos K. P. Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture. 2018;145:311-318. doi: 10.1016/j.compag.2018.01.009

14. Vieira G. S., Fonseca A. U., Rocha B. M., Sousa N. M., Ferreira J. C., Felix J. P., Lima J. C., Soares F. Insect Predation Estimate Using Binary Leaf Models and Image-Matching Shapes. Agronomy. 2022;12(11):2769. doi: 10.3390/agronomy12112769

15. Zheng C., Abd-Elrahman A., Whitaker V. Remote Sensing and Machine Learning in Crop Phenotyping and Management, with an Emphasis on Applications in Strawberry Farming. Remote Sensing. 2021;13(3):531. doi: 10.3390/rs13030531

16. Mahmud M. S., Zaman Q. U., Esau T. J., Chang Y. K., Price G. W., Prithiviraj B. Real-Time Detection of Strawberry Powdery Mildew Disease Using a Mobile Machine Vision System. Agronomy. 2020;10(7):1027. doi: 10.3390/agronomy10071027

17. Khort D., Kutyrev A., Smirnov I., Osypenko V., Kiktev N. Computer vision system for recognizing the coordinates location and ripeness of strawberries. Communications in Computer and Information Science. 2020;1158:334-343. doi: 10.1007/978-3-030-61656-4_22

18. Maxwell A. E., Warner T. A., Guillén L. A. Accuracy Assessment in Convolutional Neural Network-Based Deep Learning Remote Sensing Studies - Part 1: Literature Review. Remote Sensing. 2021;13(13):2450. doi: 10.3390/rs13132450

19. Maxwell A. E., Warner T. A., Guillén L. A. Accuracy Assessment in Convolutional Neural Network-Based Deep Learning Remote Sensing Studies - Part 2: Recommendations and Best Practices. Remote Sensing. 2021;13(13):2591. doi: 10.3390/rs13132591