Проведено аналіз сучасних методів обробки та розпізнавання зображень хвороб сільськогосподарських культур.
Розглянуто існуючі методи виявлення інформативних регіонів, включаючи перетворення Фур’є, кластеризацію k-means,
алгоритми Histogram Equalization, Scale-Invariant Feature Transform (SIFT), Local Binary Patterns (LBP), Histogram of Oriented
Gradients (HOG), а також їх комбінації. Розглянуті підходи продемонстрували високу точність у виявленні та класифікації
різних хвороб рослин.
У дослідженні розглянуто гібридні моделі, такі як, наприклад, логістична регресія з деревами рішень та Extreme
Learning Machines (ELM). Порівняно точність алгоритмів Support Vector Machine (SVM), ELM, та Decision Trees, визначено
важливість вибору правильних параметрів та налаштувань для підвищення точності. Розглянуто методи глибинного
навчання Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM) та їх
застосування в сфері розпізнавання зображень, зокрема для розпізнавання хвороб рослин.
Порівняно точність розпізнавання декількох моделей CNN: DenseNet121, MobileNetV2, NASNetMobile та
EfficientNetB0, де остання показала найкращі результати. Проаналізована модифікація готових архітектур, зокрема
архітектура нейромережі EfficientNetB0, як спосіб адаптації існуючих моделей до специфічних завдань розпізнавання.
An analysis of existing methods for processing and identifying the disease of agricultural crops was carried out. Other methods
for identifying informative regions, including Fourier transformation, k-means clustering, Histogram Equalization, Scale-Invariant
Feature Transform (SIFT), Local Binary Patterns (LBP), Histogram of Oriented Gradients (HOG) algorithms, as well as their
combinations were reviewed. The studied approaches demonstrated high accuracy in the identification and classification of various
plant diseases.
The study examined hybrid models, such as, for example, logistic regression with decision trees and Extreme Learning
Machines (ELM). The accuracy of the Support Vector Machine (SVM), ELM, and Decision Trees algorithms were compared,
convinced, that the importance of choosing the right parameters and fine-tuning to improve accuracy is important. The methods of
deep learning such as Convolutional Neural Network (CNN), Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM)
and their usage in the scope of the image recognition, which are also used for disease recognition, were examined.
The recognition accuracy of several CNN models was compared: DenseNet121, MobileNetV2, NASNetMobile and
EfficientNetB0, and the last demonstrated the best results. The modification of ready-made architectures, including the architecture
of the EfficientNetB0 neural network, has been analyzed as a way of adapting existing models to specific recognition requirements
