Цифрлық суреттерден алма жемісінің қылтықтарын анықтауға арналған терең оқыту әдісі

Ауыл шаруашылық өнімдері жоғары экономикалық құндылыққа ие және оларды одан әрі дамыту мүмкіндігі бар. Жасыл және қызыл алма - бұл ауыл шаруашылығының бір бөлігі ретінде өсіруге болатын жеміс түрі. Алма экономикасы, әсіресе өндірісті нарыққа жеткізу тұрғысынан тұрақты. Бұл зерттеудің мақсаты - жасыл және қызыл алманың қылтықтарын дәл анықтау үшін CNN (конволюциялық нейрондық желі) негізіндегі модельдің өнімділігін арттыру. Модельдің жалпы өнімділігін арттыру үшін SiLU (Sigmoid Linear Units активация функциясы), партиялық нормализация және SGD (Stochastic Gradient Descent) алгоритмін қолданатын жаңартылған YOLOv5 ансамбльдік моделі енгізілді. Активация функциясы, оңтайландыру, нормализация және ансамбльдік тәсілдің үйлесімі YOLOv5 моделін жетілдіруге және ресурстарды үнемдей отырып, алма қылтықтарын анықтауға пайдалануға болады. Толық зерттеу нәтижелері бойынша, жаңартылған YOLO ансамбльдік моделінің дәлдігі жасыл, қызыл және барлық алмалар үшін сәйкесінше 97.8%, 92.1% және 95% болды.

1. Sekharamantry, P.K. (2024). A seamless deep learning approach for apple detection, depth estimation, and tracking using YOLO models enhanced by multi-head attention mechanism. Computers, 13(3), 83. https://doi.ore/10.3390/computers13030083

2. Sekharamantry, P.K. (2023). In this work, we present a deep learning-based scheme to detect apples which uses YOLOv5 architecture in live apple farm images. Journal of Agricultural Robotics, 9(1), 42-53. https://doi.org/10.1016/i.agror.2023.100007

3. Wang, D. (2021). In this study, we developed a channel-pruned YOLO V5s model for the rapid and accurate detection of apple fruitlets before fruit thinning. Agricultural Robotics & Automation, 10(4), 191¬ 202. https://doi.org/10.1109/AGRIROBOT.2021.3078293

4. Tsai, C.F., & Chang, F.Y. (2016). Combining instance selection for better missing value imputation. Journal of Systems and Software, 122, 63-71. https://doi.org/10.1016/i.iss.2016.08.093

5. Janssen, M., van der Voort, H., & Wahyudi, A. (2017). Factors influencing big data decision-making quality. Journal of Business Study, 70, 338-345. https://doi.org/10.1016/i.ibusres.2016.08.007

6. Batra, S., Khurana, R., Khan, M.Z., Boulila, W., Koubaa, A., & Srivastava, P. (2022). A Pragmatic Ensemble Strategy for Missing Values Imputation in Health Records. Entropy, 24(4), 1 -20. https://doi.org/10.3390/e24040533

7. Chen, Z., Tan, S., Chajewska, U., Rudin, C., & Caruana, R. (2023). Missing Values and Imputation in Healthcare Data: Can Interpretable Machine Learning Help? Proceedings of Machine Learning Research, 209, 86-99.

8. Feng, S., Hategeka, C., & Grepin, K.A. (2021). Addressing missing values in routine health information system data: an evaluation of imputation methods using data from the Democratic Republic of the Congo during the COVID-19 pandemic. Population Health Metrics, 19(1), 1-28. https://doi.org/10.1186/s12963-021-00274-z

9. Urda, D., Subirats, J.L., Garda-Laencina, P.J., Franco, L., Sancho-Gomez, J.L., & Jerez, J.M. (2012). WIMP: Web server tool for missing data imputation. Computer Methods and Programs in Biomedicine, 108(3), 1247-1254. https://doi.org/10.1016/i.cmpb.2012.08.006

10. Acampora, G., Vitiello, A., & Siciliano, R. (2020). MIDA: A web tool for missing data imputation based on a boosted and incremental learning algorithm. IEEE International Conference on Fuzzy Systems, 1-6. https://doi.org/10.1109/FUZZ48607.2020.9177644

11. Zhou, Y. H., & Saghapour, E. (2021). ImputEHR: A Visualization Tool of Imputation for the Prediction of Biomedical Data. Frontiers in Genetics, 12(July), 1-9. https://doi.org/10.3389/fgene.2021.691274

12. Gungor Uluta§, Esra & Altin, Cemil. (2023). Kiwi Fruit Detection with Deep Learning Methods. International Journal of Advanced Natural Sciences and Engineering Researches. 7. 39-45. https://doi.org/10.59287/ijanser.1333

13. Alabadla, M., Sidi, F., Ishak, I., Ibrahim, H., & Hamdan, H. (2022). ExtraImpute: A Novel Machine Learning Method for Missing Data Imputation. Journal of Advances in Information Technology, 13(5). https://doi.org/10.12720/iait.13.5.470-476

14. B. Ambrus, G. Teschner, A.J. Kovacs, M. Nemenyi, L. Helyes, Z. Pek, S. Takacs, T. Alahmad, A. Nyeki (2024) Field-grown tomato yield estimation using point cloud segmentation with 3D shaping and RGB pictures from a field robot and digital single lens reflex cameras, Heliyon, Volume 10, Issue 20, 2024, 37997, https://doi.org/10.1016/i.heliyon.2024.e37997

15. Apple collection Dataset (2023). Open-Source Dataset https://universe.roboflow.com/firstieeat/apple-collection. visited on 2024-12-04.