Презентация_Протопович

1.

Государственный морской университет имени адмирала Ф.Ф. Ушакова
Кафедра «Радиоэлектроника и информационные технологии»
Создание программного комплекса обработки изображений
для определения заспорённости растений с применением
нейронных сетей
Выполнил: курсант группы 2151 Протопович К.А.
Руководитель: доцент кафедры РЭиИТ, к.э.н. Малахов С.О.
Новороссийск, 2026

2.

Актуальность и цель работы
Актуальность
Цель работы
✗ Ручной анализ под микроскопом —
значительные временные затраты
Разработка и применение нейронных сетей
для определения заспорённости растений
под микроскопом, обеспечивающих высокую
точность классификации при
автоматизированной обработке
изображений спор.
✗ Субъективность эксперта и ошибки
диагностики
✓ Методы ИИ и CNN автоматизируют
анализ и снижают ошибки
✓ Актуально для сельского хозяйства и
экомониторинга
Задачи:
1. Обзор методов распознавания
2. Подготовка и аугментация данных
3. Разработка и обучение CNN, AlexNet, VGG16
4. Сравнительная оценка точности
2

3.

Объект и предмет исследования
Объект исследования
Процесс автоматизированного определения заспорённости растений по изображениям спор,
полученным с помощью микроскопа, а также совокупность методов и моделей распознавания
изображений, применяемых для классификации биологических объектов по их визуальным
признакам.
Предмет исследования
Применение свёрточных нейронных сетей (CNN, AlexNet, VGG16) для классификации изображений
спор растений по виду заспорённости: анализ методов распознавания, подготовка и аугментация
данных, разработка и обучение архитектур, сравнительная оценка точности.
Ключевые слова: нейронные сети · CNN · AlexNet · VGG16 · обработка изображений · заспорённость
растений · глубокое обучение · Python · Keras
3

4.

Методы распознавания изображений
Характеристический
Машинное обучение
Глубокое обучение
Ручные признаки: форма,
текстура (GLCM, LBP), цвет,
интенсивность
SVM, Random Forest, Gradient
Boosting — на основе
извлечённых признаков
Автоматическое извлечение
иерархических признаков —
CNN, AlexNet, VGG16
Сегментация
Модели формы
Граф. модели
Выделение областей спор на
изображении для последующей
классификации
Active Shape Models —
статистические модели
деформаций формы объекта
CRF — вероятностные модели
для учёта пространственных
зависимостей
Выбранный подход: свёрточные нейронные сети — автоматическое извлечение признаков, высокая
точность, без ручного проектирования
4

5.

Архитектуры нейронных сетей
CNN (собственная)
12 слоёв
Архитектура: 4× [Conv→ReLU→MaxPool] + Dense(512)+Dropout +
Softmax(2)
AlexNet
8 слоёв
Архитектура: 5 свёрточных + 3 полносвязанных, входной размер 224×224,
LRN
VGG16
16 слоёв
Архитектура: 13 свёрточных + 3 полносвязанных, фильтры 3×3,
предобученная на ImageNet
Общий оптимизатор: Adam | Функция потерь: sparse_categorical_crossentropy | Метрика: accuracy
5

6.

Анализ и подготовка данных
Набор данных
Аугментация данных
Два класса заболеваний растений:
Методы аугментации:
• Мучнистая роса
• Жёлтая ржавчина
Изображения получены с микроскопа
Формат: JPEG / PNG
Размер после обработки: 224×224 px
Разделение выборки
Обучение: ~60%
~25%
Валидация: ~15%
Тест:
• Поворот на 90° и 270°
• Горизонтальное отражение
• Гауссово размытие (3×3, σ=1)
• Изменение размера до 224×224 px
Эффект: Обучающая выборка увеличена в
8 раз
6

7.

Структура нейронных сетей
Собственная CNN (12 слоёв)
Вход
224×224×3
Conv32
ReLU
MaxPool
Conv64
ReLU
MaxPool
Conv128
ReLU
MaxPool
Conv128
ReLU
MaxPool
Flatten
Dense512
Dropout
Softmax
(2 кл.)
Ключевые компоненты
Свёрточный слой
ReLU
MaxPooling
Dropout (0.5)
Извлечение локальных
признаков с помощью
обучаемых фильтров
Функция активации: f(x) =
max(0, x), устраняет
проблему затухающего
градиента
Уменьшение
пространственных
размерностей, выбор
максимального значения
Регуляризация:
случайное отключение
нейронов для
предотвращения
переобучения
7

8.

Процесс обучения
Гиперпараметры и настройки
Оптимизаторы:
Adam (основной) и SGD
Функция потерь:
sparse_categorical_crossentropy
Размеры пакетов (batch size):
CNN: 10 | AlexNet: 16 | VGG16: 20
Метрика оценки:
Accuracy (точность на тест. выборке)
Среда разработки
Язык программирования:
Python 3.8+
Основные библиотеки:
TensorFlow 2.x / Keras
OpenCV 4.x
NumPy, Matplotlib
Среда разработки:
JupyterNotebook / PyCharm
Аппаратура:
Intel Core i5, ОЗУ ≥ 8 ГБ
GPU с поддержкой CUDA (опц.)
8

9.

Анализ результатов
Архитектура
Оптимизатор
Batch size
Точность (test)
Собственная CNN
Adam
10
99%
AlexNet
Adam
16
100%
VGG16
Adam
20
100%
Собственная CNN
AlexNet
VGG16
+ Низкие вычислительные затраты,
быстрое обучение
+ 100% точность, умеренные ресурсы
+ 100% точность, предобученные
веса
− Чуть ниже точность (99%)
− Требует больше памяти, чем CNN
− Наибольшие вычислительные
затраты
→ Устройства с ограниченными
ресурсами
→ Балансирование точность/ресурсы
→ Серверная централизованная
обработка
9

10.

Экономическое обоснование
Разработка выполнена на основе открытых библиотек (Python, TensorFlow/Keras, OpenCV) без затрат на
лицензионное ПО. Основные затраты — труд разработчика.
Экономия времени
До 90%
Сокращение времени
анализа
относительно ручного
метода
Точность
99–100%
По сравнению с ≈70–80%
у ручного анализа
эксперта
Масштаб
∞
кадров/сут.
Неограниченная
производительность
при наличии
вычислительного
ресурса
Внедрение
Python-ПО
Готовый программный
продукт
на базе открытых
инструментов
Применение в сельскохозяйственных организациях и НИИ позволит существенно снизить трудозатраты на
фитопатологический анализ
10

11.

Заключение
1
Проведён обзор и сравнительный анализ методов распознавания изображений; обоснован выбор
свёрточных нейронных сетей.
2
Сформирован набор данных изображений спор мучнистой росы и жёлтой ржавчины; объём
обучающей выборки увеличен в 8 раз за счёт аугментации.
3
Разработаны и обучены три архитектуры СНС: собственная CNN (99%), AlexNet (100%), VGG16
(100%).
4
Создана программа автоматической классификации изображений спор по виду заспорённости на
языке Python.
5
Все поставленные задачи решены; цель выпускной квалификационной работы достигнута.
Перспективы: расширение классов заболеваний, трансферное обучение (ResNet, EfficientNet), интеграция в
мобильное/веб-приложение
11

12.

Спасибо за внимание!
Курсант группы 2151 Протопович Константин Александрович
Тема: Создание программного комплекса обработки изображений для определения
заспорённости растений с применением нейронных сетей
Готов ответить на ваши вопросы