Метод виявлення та розпізнавання хвороб пшениці на основі аналізу зображень
Wheat diseases such as rust, septoria, and powdery mildew cause significant crop losses and pose a serious threat to global food security. As wheat is one of the most important staple crops, providing over 20 % of the daily caloric intake for the average person, timely and accurate disease diagnosis...
Gespeichert in:
| Datum: | 2025 |
|---|---|
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Ukrainian |
| Veröffentlicht: |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine
2025
|
| Schlagworte: | |
| Online Zugang: | https://jais.net.ua/index.php/files/article/view/529 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Problems of Control and Informatics |
Institution
Problems of Control and Informatics| id |
oai:ojs2.jais.net.ua:article-529 |
|---|---|
| record_format |
ojs |
| institution |
Problems of Control and Informatics |
| baseUrl_str |
|
| datestamp_date |
2025-10-22T12:28:31Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
класифікація дисбаланс класів XAI EfficientNetV2B0 фітопатологія |
| spellingShingle |
класифікація дисбаланс класів XAI EfficientNetV2B0 фітопатологія Smovzh, Serhii Метод виявлення та розпізнавання хвороб пшениці на основі аналізу зображень |
| topic_facet |
класифікація дисбаланс класів XAI EfficientNetV2B0 фітопатологія classification class imbalance XAI EfficientNetV2B0 phytopathology |
| format |
Article |
| author |
Smovzh, Serhii |
| author_facet |
Smovzh, Serhii |
| author_sort |
Smovzh, Serhii |
| title |
Метод виявлення та розпізнавання хвороб пшениці на основі аналізу зображень |
| title_short |
Метод виявлення та розпізнавання хвороб пшениці на основі аналізу зображень |
| title_full |
Метод виявлення та розпізнавання хвороб пшениці на основі аналізу зображень |
| title_fullStr |
Метод виявлення та розпізнавання хвороб пшениці на основі аналізу зображень |
| title_full_unstemmed |
Метод виявлення та розпізнавання хвороб пшениці на основі аналізу зображень |
| title_sort |
метод виявлення та розпізнавання хвороб пшениці на основі аналізу зображень |
| title_alt |
Method for wheat disease detection and recognition using image analysis |
| description |
Wheat diseases such as rust, septoria, and powdery mildew cause significant crop losses and pose a serious threat to global food security. As wheat is one of the most important staple crops, providing over 20 % of the daily caloric intake for the average person, timely and accurate disease diagnosis is of critical importance. Traditional methods for identifying phytopathologies are labor-intensive, prone to subjectivity, and often lack sufficient accuracy. At the same time, advancements in deep learning technologies have enabled the development of automated systems capable of performing rapid and scalable image-based diagnostics in real-field conditions. In this study, a custom dataset was created, which revealed the challenge of class imbalance—a key factor that significantly reduced the classification accuracy for diseases with limited image samples. To address this issue, a two-stage classification method was developed. During the preparation phase, classes were grouped into large, medium, and small categories based on the number of training images. In the first stage, a model determines which group the input image belongs to. In the second stage, a corresponding specialized model is invoked to identify the specific disease within the identified group. Additionally, explainable artificial intelligence (XAI) mechanisms were implemented, specifically Grad-CAM, which allows for visualizing and interpreting the model’s diagnostic decisions. The conducted experiments confirmed the high effectiveness of the proposed method: the average classification accuracy reached 88 %, with over 90% accuracy achieved for the numerically dominant classes. These results form a strong foundation for the practical deployment of the method in agricultural enterprises for real-time crop monitoring. Future research directions include adapting models to varying imaging conditions, developing lightweight architectures suitable for mobile devices, and further enhancing techniques for handling data imbalance. |
| publisher |
V.M. Glushkov Institute of Cybernetics of NAS of Ukraine |
| publishDate |
2025 |
| url |
https://jais.net.ua/index.php/files/article/view/529 |
| work_keys_str_mv |
AT smovzhserhii methodforwheatdiseasedetectionandrecognitionusingimageanalysis AT smovzhserhii metodviâvlennâtarozpíznavannâhvorobpšenicínaosnovíanalízuzobraženʹ |
| first_indexed |
2025-10-30T02:49:20Z |
| last_indexed |
2025-10-30T02:49:20Z |
| _version_ |
1847373396015316992 |
| spelling |
oai:ojs2.jais.net.ua:article-5292025-10-22T12:28:31Z Method for wheat disease detection and recognition using image analysis Метод виявлення та розпізнавання хвороб пшениці на основі аналізу зображень Smovzh, Serhii класифікація дисбаланс класів XAI EfficientNetV2B0 фітопатологія classification class imbalance XAI EfficientNetV2B0 phytopathology Wheat diseases such as rust, septoria, and powdery mildew cause significant crop losses and pose a serious threat to global food security. As wheat is one of the most important staple crops, providing over 20 % of the daily caloric intake for the average person, timely and accurate disease diagnosis is of critical importance. Traditional methods for identifying phytopathologies are labor-intensive, prone to subjectivity, and often lack sufficient accuracy. At the same time, advancements in deep learning technologies have enabled the development of automated systems capable of performing rapid and scalable image-based diagnostics in real-field conditions. In this study, a custom dataset was created, which revealed the challenge of class imbalance—a key factor that significantly reduced the classification accuracy for diseases with limited image samples. To address this issue, a two-stage classification method was developed. During the preparation phase, classes were grouped into large, medium, and small categories based on the number of training images. In the first stage, a model determines which group the input image belongs to. In the second stage, a corresponding specialized model is invoked to identify the specific disease within the identified group. Additionally, explainable artificial intelligence (XAI) mechanisms were implemented, specifically Grad-CAM, which allows for visualizing and interpreting the model’s diagnostic decisions. The conducted experiments confirmed the high effectiveness of the proposed method: the average classification accuracy reached 88 %, with over 90% accuracy achieved for the numerically dominant classes. These results form a strong foundation for the practical deployment of the method in agricultural enterprises for real-time crop monitoring. Future research directions include adapting models to varying imaging conditions, developing lightweight architectures suitable for mobile devices, and further enhancing techniques for handling data imbalance. Хвороби пшениці, такі як іржа, септоріоз і борошниста роса, призводять до значних втрат врожаю та становлять суттєву загрозу продовольчій безпеці. Своєчасна й точна діагностика захворювань — надзвичайно важлива задача, оскільки пшениця є однією з ключових культур і забезпечує понад 20 % середньостатистичного добового раціону людини. Традиційні методи визначення фітопатологій характеризуються значною трудомісткістю, суб’єктивністю оцінок та недостатньою точністю. Водночас розвиток технологій глибокого навчання надає можливості для створення автоматизованих систем, здатних оперативно й масштабовано проводити діагностику за зображеннями в реальних польових умовах. У межах даного дослідження утворено датасет, використання якого висвітлило проблему дисбалансу класів, внаслідок чого у разі малої кількості зображень суттєво знижувалася точність визначення хвороб. Для подолання цієї проблеми розроблено метод двоетапної класифікації. На підготовчому етапі відповідно до кількості зображень у тренувальній вибірці визначаються групи класів: великі, середні, малі. Перший етап передбачає використання моделі, яка вирішує, до якої групи належить зображення, що аналізується. Після того як визначено групи, на другому етапі застосовується відповідна модель, яка безпосередньо розпізнає конкретне захворювання всередині групи. Крім того, реалізовано механізми пояснювального штучного інтелекту (Explainable Artificial Intelligence — XAI), зокрема градієнтно-зважену карту активації класу Grad-CAM, які надають можливості для візуалізації та обґрунтування діагностичних рішень моделі. Проведені експерименти підтвердили високу ефективність запропонованого методу: загальна середня точність для всіх класів досягла 88 %, а для чисельно домінуючих класів — понад 90 %. Отриманий результат створює підґрунтя для практичного впровадження розробленого методу в аграрних підприємствах для оперативного моніторингу стану посівів. Перспективи майбутніх досліджень вбачаємо в адаптації моделей до мінливих умов зйомки, розробці полегшених архітектур для мобільних пристроїв та подальшому вдосконаленні методик роботи з дисбалансом даних. V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2025-08-20 Article Article application/pdf https://jais.net.ua/index.php/files/article/view/529 10.34229/1028-0979-2025-4-5 Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; Том 70 № 4 (2025): Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; 85-95 International Scientific Technical Journal "Problems of Control and Informatics; Том 70 № 4 (2025): International Scientific Technical Journal «Problems of Control and Informatics»; 85-95 International Scientific Technical Journal "Problems of Control and Informatics"; Vol. 70 No. 4 (2025): International Scientific Technical Journal «Problems of Control and Informatics»; 85-95 2786-6505 2786-6491 10.34229/1028-0979-2025-4 uk https://jais.net.ua/index.php/files/article/view/529/603 Copyright (c) 2025 Serhii Smovzh https://creativecommons.org/licenses/by-nc-nd/4.0 |