Метод класифікації патологій листя рослин на основі згорткових нейронних мереж із застосуванням технологій розподіленого паралельного навчання

Скорочена інформація про документ
dc.contributor.authorСоколовський, Валентин
dc.contributor.authorМанзюк, Едуард
dc.contributor.authorБагрій, Руслан
dc.contributor.authorСкрипник, Тетяна
dc.contributor.authorSokolovskyi, Valentyn
dc.contributor.authorBahrii, Ruslan
dc.contributor.authorManziuk, Eduard
dc.contributor.authorSkrypnyk, Tetiana
dc.date.accessioned2026-05-06T08:49:20Z
dc.date.available2026-05-06T08:49:20Z
dc.date.issued2026
dc.description.abstractУ роботі представлено удосконалений метод класифікації патологій листя сільськогосподарських рослин на основі глибокого навчання, спрямований на підвищення точності діагностики та скорочення часу обчислень. Запропоновано модифіковану п'ятиблокову архітектуру згорткової нейронної мережі (на базі VGG16) з інтегрованими механізмами батчнормалізації та dropout-регуляризації, що дозволило вирішити проблему перенавчання на обмежених вибірках. Для забезпечення ефективності експериментальних досліджень реалізовано технологію розподіленого паралельного навчання, яка базується на принципі паралелізму даних із синхронізацією градієнтів. Такий підхід дозволив суттєво прискорити процес тренування моделі та забезпечити горизонтальну масштабованість системи. Описано технологічні аспекти створення програмного забезпечення, зокрема використання декларативного конфігурування та системи версіонування, що гарантує відтворюваність експериментів та надійність результатів. Для експериментальних досліджень обрано датасет з чотирма класами хвороб листа. Проведено експериментальні дослідження на датасеті зображень листя квасолі у чотирьох категоріях. Встановлено, що запропонований метод досягає точності 91.2%, перевищуючи базову модель на 4%. Доведено критичний вплив аугментації даних на здатність моделі до узагальнення в умовах варіативності освітлення та ракурсів зйомки.
dc.description.abstractThe effective operation of automated plant disease diagnosis systems is a critical factor in modern precision agriculture, requiring robust solutions for early detection of pathologies. Traditional diagnostic methods based on visual inspection are labor-intensive, subjective, and difficult to scale. This paper presents an improved method for classifying pathologies of agricultural plant leaves based on deep learning technologies, specifically aimed at increasing diagnostic accuracy and optimizing computational performance in high-load environments. A modified five-block Convolutional Neural Network (CNN) architecture, derived from the VGG16 baseline, is proposed. The key architectural innovation involves the deep integration of batch normalization mechanisms after convolutional layers and dropout regularization in the fully connected layers. These modifications successfully addressed the issue of overfitting on limited datasets, ensuring the model's robustness to variations in input data and improving feature extraction capabilities for complex disease patterns. To ensure the efficiency of experimental studies involving large-scale image datasets, a distributed parallel training technology was implemented. This approach relies on the principle of data parallelism with synchronous gradient updates across multiple computing nodes. The implementation allowed for a significant reduction in model training time and provided horizontal scalability of the system, making it suitable for processing big data. Furthermore, the paper describes the technological aspects of software creation, emphasizing the use of declarative configuration and a comprehensive versioning system (following MLOps principles). This approach guarantees the full reproducibility of experiments, systematic documentation of the development process, and reliability of the obtained results. Experimental studies were conducted using a representative dataset of bean leaf images classified into four distinct categories. The results established that the proposed method achieves a classification accuracy of 91.2%, outperforming the baseline model by 4%. The study also proved the critical impact of data augmentation techniques on the model's generalization ability, particularly under conditions of variable lighting and diverse shooting angles. The obtained results confirm the practical value of the method for developing scalable automated diagnostic systems.
dc.identifier.citationСоколовський В., Манзюк Е., Багрій Р., Скрипник Т. Метод класифікації патологій листя рослин на основі згорткових нейронних мереж із застосуванням технологій розподіленого паралельного навчання // Herald of Khmelnytskyi National University. Technical Sciences. 2026. Vol. 363, No. 2. P. 402-410.
dc.identifier.doihttps://doi.org/10.31891/2307-5732-2026-363-55
dc.identifier.urihttps://elar.khmnu.edu.ua/handle/123456789/21039
dc.language.isouk
dc.publisherХмельницький національний університет
dc.subjectзгорткові нейронні мережі
dc.subjectкласифікація патологій
dc.subjectрозподілене навчання
dc.subjectпаралельні обчислення
dc.subjectбатч-нормалізація
dc.subjectаугментація даних
dc.subjectVGG16
dc.subjectComputer Vision
dc.subjectConvolutional Neural Networks
dc.subjectpathology classification
dc.subjectdistributed training
dc.subjectparallel computing
dc.subjectbatch normalization
dc.subjectdata augmentation
dc.subjectMLOps
dc.subject.udc004.02
dc.titleМетод класифікації патологій листя рослин на основі згорткових нейронних мереж із застосуванням технологій розподіленого паралельного навчання
dc.title.alternativeMethod for plant leaf pathology classification based on convolutional neural networks using distributed parallel training technologies
dc.typeСтаття
Файли
Контейнер файлів
Зараз показуємо 1 - 1 з 1
Назва:
(363)+VKNU-TS-2026-N2_p402-410 (2).pdf
Розмір:
803.69 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Назва:
license.txt
Розмір:
4.26 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити
Зібрання
Вісник ХНУ. Технічні науки - 2026 рік