Аңдатпа
With the advent of resistant varieties and hybrids of tomato, vegetable growers are less likely to encounter diseases on tomatoes. To prevent crop loss, it is important to identify unhealthy tomato leaves and separate them from healthy leaves. Early detection of tomato diseases through deep learning can help decrease the adverse effects of diseases, and also helps surmount the drawbacks of continuous human monitoring. This study examined the performance of modern convolutional neural network classification architectures, such as ResNet18 with a standard algorithm, as well as using optimization parameters and InceptionV3, on 11,000 images of tomato leaves for the classification of tomato diseases. The accuracy of training in Inception V3 was 80.9%, and the accuracy of validation was 71.8%. ResNet architecture training with the momentum parameter demonstrated a high recognition result with 97.7% accuracy. The recognition results were compared using the optimization parameter with values 0.5, 0.7 and 0.9. The influence of the optimization parameter on the quality of training was observed. It can be concluded that using the momentum optimizer with a higher value gives the best results by minimizing fluctuations and increasing accuracy. Keywords: agriculture, tomato recognition, disease detection, classification, convolutional neural network. С появлением устойчивых сортов и гибридов томатов овощеводы реже сталкиваются с болезнями томатов. Чтобы предотвратить потерю урожая, важно выявлять нездоровые листья томатов и отделять их от здоровых листьев. Раннее обнаружение болезней томатов с помощью глубокого обучения может помочь уменьшить неблагоприятные последствия болезней, а также помочь преодолеть недостатки постоянного мониторинга со стороны человека. В этом исследовании была изучена производительность современных архитектур классификации сверточных нейронных сетей, таких как ResNet18 со стандартным алгоритмом, а также с использованием параметров оптимизации и InceptionV3, на 11 000 изображениях листьев томатов для классификации болезней томатов. Точность обучения в Inception V3 составила 80,9%, а точность валидации - 71,8%. Обучение архитектуры ResNet с параметром momentum продемонстрировало высокий результат распознавания с точностью 97,7%. Результаты распознавания сравнивались с использованием параметра оптимизации со значениями 0,5, 0,7 и 0,9. Наблюдалось влияние параметра оптимизации на качество обучения. Можно сделать вывод, что использование оптимизатора импульса с более высоким значением дает наилучшие результаты за счет минимизации колебаний и повышения точности. Ключевые слова: сельское хозяйство, распознавание томатов, выявление болезней, классификация, сверточные нейронные сети. Қызанақтың төзімді сорттары мен будандарының пайда болуы көкөніс өсірушілердің қызанақ ауруларымен сирек кездесуіне әкелді. Егіннің жоғалуын болдырмау үшін қызанақтың зиянды жапырақтарын анықтап, оларды сау жапырақтардан ажырату қажет. Терең оқыту арқылы қызанақ ауруларын ерте анықтау аурудың жағымсыз әсерлерін азайтуға, сондай-ақ адамның үнемі бақылауындағы кемшіліктерді жеңуге көмектеседі. Бұл зерттеу стандартты алгоритмі бар ResNet18 сияқты конволюциялық нейрондық желілерді жіктеудің заманауи архитектураларының жұмысын, сондай-ақ қызанақ ауруларын жіктеу үшін қызанақ жапырақтарының 11000 кескінінде оңтайландырылған ResNet18 және InceptionV3 параметрлерін қолдана отырып зерттеді. Inception V3- те оқу дәлдігі 80,9%, ал валидация дәлдігі 71,8% құрады. Momentum параметрі бар ResNet архитектурасын оқыту 97,7% дәлдікпен танудың жоғары нәтижесін көрсетті. Тану нәтижелері оңтайландыру параметрінің 0,5, 0,7 және 0,9 мәндерімен салыстырылды. Оңтайландыру параметрінің оқыту сапасына әсері байқалды. Жоғары мәні бар импульсті оңтайландырғышты қолдану тербелістерді азайту және дәлдікті арттыру арқылы жақсы нәтиже береді деп қорытынды жасауға болады. Түйiн сөздер: ауыл шаруашылығы, қызанақты тану, ауруларды анықтау, жіктеу, конволюциялық нейрондық желілер.