Н.А. Андриянов1, Ю.Б. Камалова2

1,2 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)

Постановка проблемы. На сегодняшний день подходы на основе машинного и глубокого обучения используются приложениях классификации, в которых достаточно часто число классов значительно превышает два. При решении одной из таких задач (распознавания зерен пыльцы) важно не только качество работы системы компьютерного зрения, но и ее скорость. Так как при распознавании зерен пыльцы разделение микроскопических изображений выполняется операторами, важным показателем становится скорость машинной обработки. Чем быстрее система сможет классифицировать подаваемые на вход изображения зерен пыльцы, тем больше будет экономия по времени. Однако при этом должно обеспечиваться качество (точность) не ниже заданного порога.

Цель. Провести исследование качественных и производительных характеристик алгоритмов на базе сверточной нейронной сети VGG-19 при распознавании зерен пыльцы.

Результаты. Проведен анализ задачи классификации изображений пыльцевых зерен, полученных с оптического микроскопа. Представлены эффективные и быстродействующие алгоритмы распознавания зерен пыльцы. Выполнено сравнение метода трансферного обучения нейронной сети VGG-19 с различными настройками гиперпараметров. Показано, что применение нейронной сети VGG-19 обеспечило долю верных распознаваний на уровне 79,4%. На базе аугментирования исходных выборок удалось повысить точность распознавания на 3,1%. Осуществлена оптимизация путем квантизации весовых коэффициентов нейронной сети. Установлено, что потери в точности составили 1,1%, а скорость обработки возросла примерно в 2,15 раза. Разработана система измерения метрик точности и производительности при обработке новых данных на базе языка программирования Python.

Практическая значимость. Представленная система при расширении обучающей выборке и соответствующем дообучении позволит значительно сократить временные затраты оператора на распознавание пыльцевых зерен. Прогнозы, полученные с помощью предложенной модели, могут быть использованы в качестве «подсказок» или рекомендация для эксперта при классификации.

Андриянов Н.А., Камалова Ю.Б. Исследование эффективности и производительности алгоритмов компьютерного зрения в задачах распознавания зерен пыльцы // Информационно-измерительные и управляющие системы. 2022. Т. 20. № 5. С. 48−54. DOI: https://doi.org/10.18127/j20700814-202205-08

1. Battiato S., Ortis A., Trenta F., Ascari L., Politi M., Siniscalco C. Detection and classification of pollen grain microscope images // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) Workshops. 2020. № 1. Р. 980-981.
2. Shelekhova T.S., Slukovsky Z.I., Lavrova N.B. Methods for studying bottom sediments of lakes in Karelia [monograph] // Institute of Geology KarRC RAS. Petrozavodsk: KarRC RAS. 2020. 112 p.
3. Chekryga G.P., Nitsievskaia K.N., Yudin O.B. Determination of the botanical origin of honey and the growth of honey-bearing vegetation by the method of pollen analysis // News of higher educational institutions. Food technology. 2021. № 1(379). Р. 94-97.
4. Андриянов Н.А., Дементьев В.Е., Ташлинский А.Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана–Пирсона к детекторам на базе нейронных сетей EfficientDet // Компьютерная оптика. 2022. Т. 46. № 1. С. 139-159.
   DOI: 10.18287/2412-6179-CO-922.
5. ГОСТ 31769-2012 «Мед. Метод определения частоты встречаемости пыльцевых зерен». Электронный фонд правовой и нормативно-технической документации [Электронный ресурс]. – Режим доступа: https://docs.cntd.ru/document/1200100244, дата обращения 10.09.2022.
6. LeCun Y., Bengio Y. Convolutional networks for images, speech, and time series // The handbook of brain theory and neural networks. 1995. № 3361(10). Р. 1-20.
7. Маршалко Д.А., Кубанских О.В. Архитектура сверточных нейронных сетей // Ученые записки Брянского государственного университета. 2019. № 4(16). C. 10-13.
8. Макаренко А.В. Глубокие нейронные сети: зарождение, становление, современное состояние // Проблемы управления, 2020. № 2. C. 3-19.
9. Šaulien I., Šukien L., Daunys G., Valiulis G., Vaitkeviˇcius L., Matavulj P., Brdar S., Panic M., Sikoparija B., Clot B., Crouzy B., Sofiev M. Automatic pollen recognition with the Rapid-Eparticle counter: the first-level procedure, experience and next steps // Atmos. Meas. Tech. 2019. № 12. Р. 3435-3452. DOI:10.5194/amt-2018-432.
10. Sevillano V., Aznarte J. L. Improving classification of pollen grain images of the POLEN23E dataset through three different applications of deep learning convolutional neural networks // PloS one. 2018. № 13(9). Р. e0201807. DOI: 10.1371/journal.pone.0201807.
11. Камалова Ю.Б., Андриянов Н.А. Распознавание пыльцевых зерен с помощью сверточной нейронной сети VGG-16 // Вестник Южно-Уральского государственного университета. Сер. Компьютерные технологии, управление, радиоэлектроника. 2022. № 22(3). С. 39-46.
12. Dementyiev V.E., Andriyanov N.A., Vasiliev K.K. Use of Images Augmentation and Implementation of Doubly Stochastic Models for Improving Accuracy of Recognition Algorithms Based on Convolutional Neural Networks // 2020 Systems of Signal Synchronization, Generating and Processing in Telecommunications (SYNCHROINFO). 2020. Р. 1-4. DOI: 10.1109/SYNCHROINFO-49631.2020.9166000.
13. Андриянов Н.А., Камалова Ю.Б., Моисеев Г.В. Сравнение методов AutoML и ML с учителем для решения задач распознавания изображений // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 5. С. 19-27. DOI: https://doi.org/ 10.18127/j19998554-202205-02.
14. Андриянов Н.А., Хасаншин И.Я., Уткин Д.С., Ахмад Аус, Ковылов Н.Н., Кочкаров А.А. Система машинного зрения для определения пространственного положения объектов на базе YOLOv3 и стереокамеры // Нейрокомпьютеры: разработка, применение. 2022. T. 24. № 5. С. 74-84. DOI: https://doi.org/ 10.18127/j19998554-202205-08.