СРАВНИТЕЛЬНЫЙ АНАЛИЗ АРХИТЕКТУР CNN ДЛЯ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ РАСТЕНИЙ РАЗЛИЧНЫХ РОДОВ

АННОТАЦИЯ

В статье рассматривается задача автоматического распознавания видов растений по изображениям листьев с использованием сверточных нейронных сетей. Для решения задачи разработана собственная модель PlantCNN и адаптирована предобученная архитектура ResNet18. Проведен сравнительный анализ моделей с применением различных объёмов данных и методов аугментации. Результаты показывают эффективность глубокого обучения для классификации растений различных родов.

Ключевые слова: сверточные нейронные сети, классификация растений, аугментация изображений, ResNet18, глубокое обучение, компьютерное зрение.

Введение

В последние годы задачи компьютерного зрения нашли широкое применение в различных областях, включая сельское хозяйство и экологию. В ботанике автоматическое распознавание растений по изображениям способствует ускорению классификации и мониторинга флоры. Среди методов машинного обучения сверточные нейронные сети (CNN) доказали свою высокую эффективность в классификации изображений.

В данной работе рассматривается разработка и обучение сверточных моделей для распознавания видов растений по изображениям листьев. Используются как собственная архитектура CNN, так и предобученная модель ResNet18, адаптированная под задачу классификации 47 классов растений. Проведён сравнительный анализ моделей с учётом различных объёмов данных и методов аугментации.

Обзор технологий

Распознавание изображений является одной из центральных задач компьютерного зрения и эффективно решается с помощью сверточных нейронных сетей (CNN) [1]. В отличие от классических методов, CNN автоматически извлекают сложные визуальные признаки из изображений без необходимости ручного проектирования.

В ботанике и сельском хозяйстве CNN широко применяются для классификации видов растений, определения стадий роста и выявления заболеваний. Точность таких моделей достигает 90–95% при наличии достаточного количества размеченных данных. В частности, для классификации растений по изображениям листьев анализируются форма, текстура и цветовые особенности.

Основу CNN составляют три типа слоев: свёртки, объединения (pooling) и полносвязные слои. Слои свёртки выделяют локальные признаки, слои объединения снижают размерность и сокращают параметры, а полносвязные слои выполняют финальную классификацию. Совместная работа этих слоев позволяет моделям переходить от простых визуальных элементов к сложным абстракциям, обеспечивая высокую точность распознавания.

Описание моделей

Для решения задачи классификации растений использовался открытый датасет с платформы Kaggle [4], содержащий изображения 47 видов растений. Все изображения были приведены к размеру 256×256, нормализованы и преобразованы в тензоры для обработки в PyTorch. Для повышения устойчивости модели применялась аугментация: случайное горизонтальное отражение и вращение на ±10 градусов.

В работе использовались две архитектуры сверточных нейросетей. Первая — собственная простая модель PlantCNN, состоящая из нескольких сверточных и max-pooling слоёв с функцией активации ReLU и слоем dropout для предотвращения переобучения. Эта архитектура была разработана для контроля над структурой и параметрами модели.

Вторая — предобученная модель ResNet18 [3] с остаточными связями, адаптированная под 47 классов путем замены последнего полносвязного слоя. Использование ResNet18 и подхода transfer learning позволило значительно ускорить обучение и повысить точность за счёт использования знаний, полученных на большом наборе ImageNet [2].

Эксперименты и результаты

Проведено сравнение трёх моделей: PlantCNN без аугментации, PlantCNN с аугментацией и предобученной ResNet18 на полном наборе данных. Результаты точности на валидационном наборе составили:

• PlantCNN без аугментации — 26%;
• PlantCNN с аугментацией — 25%;
• ResNet18 (full dataset) — 94%.

Использование аугментации в PlantCNN немного улучшило устойчивость модели к вариациям изображений, однако точность оставалась низкой из-за ограниченного объёма данных. Предобученная ResNet18 с полной выборкой показала значительное преимущество, обеспечив высокую точность и быструю сходимость.

Основные ошибки возникали в классах с визуально схожими растениями. Механизм ранней остановки помогал избежать переобучения, особенно для PlantCNN на малых данных. ResNet18 продемонстрировала стабильное обучение и высокую общую эффективность благодаря transfer learning и глубокой архитектуре.

Таким образом, эксперименты подтвердили превосходство предобученной модели на полноценном наборе данных для задачи классификации растений.

Заключение

В работе рассмотрена задача автоматического распознавания видов растений по изображениям листьев с использованием сверточных нейронных сетей. Разработанная собственная модель PlantCNN показала ограниченную эффективность из-за малого объёма данных и недостаточной устойчивости к вариациям изображений. В то же время предобученная модель ResNet18 с применением transfer learning продемонстрировала значительно более высокую точность и быструю сходимость, подтверждая эффективность глубоких архитектур при наличии достаточного объёма размеченных данных.

Полученные результаты подчёркивают важность использования предобученных моделей и методов аугментации для повышения качества классификации в задачах компьютерного зрения, связанных с распознаванием видов растений. В дальнейшем целесообразно исследовать расширение датасета и дополнительные техники улучшения обобщающей способности моделей.

Список литературы:

1. Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль. — 2-е изд. — Москва : ДМК, 2018. — 652 c. — Текст : непосредственный.
2. Deng, J. ImageNet: A large-scale hierarchical image database / J. Deng, W. Dong, R. Socher // 2009 IEEE Conference on Computer Vision and Pattern Recognition. — 2009. — С. 248–255. — Текст : непосредственный.
3. He, K. Deep Residual Learning for Image Recognition / K. He, X. Zhang, S. Ren, J. Sun // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2016. — С. 770–778. — Текст : непосредственный.
4. House Plant Species. — Текст : электронный // Kaggle : [сайт]. — URL: https://www.kaggle.com/datasets/kacpergregorowicz/house-plant-species (дата обращения: 25.05.2025).