Обработка и анализ спектров методами машинного обучения и глубоких нейронных сетей

Диссертация посвящена применению спектрального анализа совместно с методами машинного обучения и нейронных сетей для диагностики состояния растений, бессимптомного выявления заболеваний растений, что является важной темой для повышения продуктивности и устойчивости сельского хозяйства. В современном агропромышленном комплексе одной из важнейших задач является борьба с болезнями растений, которые могут значительно снизить урожайность и качество посевов. Стандартная диагностика заболеваний растений состоит из визуальных осмотров и лабораторных тестов, что занимает много времени, а также часто не позволяет выявить заболевания на ранней стадии. Появление технологий спектрального анализа в сочетании с мощью машинного обучения или нейронных сетей представляет собой фундаментальное решение этих проблем. Рассматривается интеграция машинного обучения и нейронных сетей со спектральным анализом для раннего выявления заболеваний растений. Этот подход очень важен в сельском хозяйстве, поскольку позволяет проводить быструю и точную диагностику и принимать меры по лечению или ликвидации растения до появления видимых симптомов. Целью исследования является разработка и валидация моделей машинного обучения и нейронных сетей, которые смогут с высокой точностью классифицировать растения как здоровые или больные на основе их спектральных данных. Была проведена предварительная обработка спектральных данных для обеспечения согласованности, использование методов уменьшения размерности для повышения эффективности, использование моделей машинного обучения для прогнозирования заболеваний, разработка архитектуры нейронной сети и подбор оптимальных гиперпараметров для этой архитектуры для наилучшей классификации растений. Результаты исследования указывают на высокую точность в выявлении заболеваний. Наилучшая нейронная сеть с оптимизированными гиперпараметрами обеспечивает точность 89,59%. Модель машинного обучения смогла дать результат лучше чем нейронная сеть, модель SVM, использованная в сочетании с уменьшением LDA и предварительной обработкой стандартным масштабированием, позволила достичь точности тестирования почти в 99,7%, и была проведена перекрестная проверка, которая подтвердила, что модель не подвергалась переобучению, что подчеркивает потенциал этой технологии в будущем. революционная борьба с болезнями растений.