Інтелектуальна система для визначення шкідників рослин на основі нейромережевих технологій

UKR: Актуальною є задача розробки нейромережевих моделей, що забезпечують високу точність детектування шкідників рослин за мінімальних обчислювальних та часових витрат. Вирішення цього завдання сприятиме розвитку цифрових технологій в аграрній галузі та надаватиме можливість для оперативного та точного виявлення загроз сільськогосподарським культурам, зокрема, визначення шкідників рослин. Метою роботи є розробка інтелектуальної системи для визначення шкідників рослин на основі нейромережевих технологій. У ході дослідження було реалізовано та проаналізовано модель детектування об'єктів на основі архітектури YOLOV5s. Для навчання та валідації моделі був використаний набір даних, сформований на основі відкритих датасетів, розміщених на платформі Roboflow. Підсумковий датасет включає 3766 анотованих зображень, кожне з яких містить не менше одного об'єкта, що відноситься до одного з 18 наперед визначених класів. Для підвищення узагальнюючої здатності моделі та розширення різноманітності навчального датасета на етапі передобробки використовувалася бібліотека аугментацій Albumentations. Навчання про-водилося з використанням оптимізатора стохастичного градієнтного спуску. Для управління швидкістю навчання застосовувався косинусний планувальник. В роботі реалізовано взаємодію користувача з серверною частиною з інтерфейсом у вигляді чат-бота. Розроблена інтелектуальна система забезпечує два повноцінні режими роботи: режим інференсу нейромережі (predict) та режим збору даних (collect). Перемикання між режимами здійснюється як через команди, так і автоматично – на основі наявності моделі у файловій системі серверної частини веб-застосунку. За результатами тестування підтверджено стабільну роботу серверної частини та демонструє повну відповідність заявленим функціональним вимогам.

ENG: The task of developing neural network models that provide high accuracy in detecting plant pests with minimal computational and time costs is relevant. Solving this problem will contribute to the development of digital technologies in the agricultural industry and will provide an opportunity for prompt and accurate detection of threats to agricultural crops, in particular, the identification of plant pests. The purpose of the work is to develop an intelligent system for identifying plant pests based on neural network technologies and study its performance. During the study, an object detection model based on the YOLOV5s architecture was implemented and analyzed. For training and validation of the model, a dataset was used, formed on the basis of open datasets hosted on the Roboflow platform. The final dataset includes 3766 annotated images, each of which contains at least one object belonging to one of 18 predefined classes. To increase the generalization ability of the model and expand the diversity of the training dataset, the Albumentations augmentation library was used at the preprocessing stage. Training was performed using a stochastic gradient descent optimizer. A cosine scheduler was used to control the learning rate. User interaction with the server part with an interface in the form of a chat bot was also implemented. The developed intelligent system provides two full-fledged operating modes: neural network inference mode (predict) and data collection mode (collect). Switching be-tween modes is carried out both via commands and automatically - based on the presence of a model in the file system of the server part of the web application. The results of testing confirmed the stable operation of the server part and demonstrate full compliance with the stated functional requirements.