Исследование влияния архитектурных параметров сверточной нейронной сети на точность и вычислительную эффективность классификации состояния сельскохозяйственных культур

Постановка проблемы. В настоящее время актуальным является применение современных технических решений для задачи мониторинга состояния сельскохозяйственных культур. Существующий метод оценки агрономом-экспертом имеет ряд ограничений, в частности, низкую масштабируемость и высокую субъективность. При этом в современных исследованиях в области информационных технологий, а именно сверточных нейронных сетей, наблюдается нерешенное противоречие: либо анализируются высокоточные тяжеловесные сети, которые невозможно применять на периферийных устройствах в полевых условиях, либо создаются легкие сети, но без исследования влияния различных факторов, в том числе архитектурных, на точность и вычислительную сложность обработки.

Цель. Разработать и провести валидацию легкой сверточной нейронной сети для анализа состояния сельскохозяйственных культур, а именно: для классификации состояния растений на здоровые и пораженные с тремя типами заболеваний.

Результаты. На основе поиска по сетке архитектурных параметров выявлена оптимальная конфигурация сверточной нейронной сети: два сверточных блока, число начальных каналов – 32, без пакетной нормализации, размер полносвязного слоя – 128. Для оценки предложенной сверточной нейронной сети проведено сравнение с современными архитектурными решениями: ResNet18, EfficientNetV2‑S и ConvNeXt‑Tiny. Выявлено, что разработанная нейронная сеть превосходит аналоги как по точности, так и по вычислительной сложности.

Практическая значимость. Разработанная сверточная нейронная сеть представляет собой эффективный, легко применимый инструмент для автоматизации мониторинга состояния виноградников. Ее можно интегрировать в периферийные и мобильные устройства.