Архітектура інтелектуальної системи управління ризиками та розпізнавання видів грибів

Автор(и)

  • Д.І. Угрин Чернівецький національний університет імені Юрія Федьковича
  • Ю.О. Ушенко Чернівецький національний університет імені Юрія Федьковича
  • В.В. Дворжак Чернівецький національний університет імені Юрія Федьковича
  • Т.В. Терлецький Луцький національний технічний університет
  • О.Л. Кайдик Луцький національний технічний університет

DOI:

https://doi.org/10.31649/1681-7893-2024-48-2-114-127

Ключові слова:

інтелектуальна система, машинне навчання, нейронна мережа, розпізнавання зображень, ІТ-галузь, ризик-менеджмент та маркетинг.

Анотація

У статті представлено розробку інтелектуальної системи для розпізнавання видів грибів, яка забезпечує високу точність і зручність у використанні. Для навчання моделі було використано великий датасет "Mushrooms classification" з платформи Kaggle, що забезпечило необхідну різноманітність зображень і досягнення точності класифікації на рівні 85%. Попередня обробка даних включала перевірку якості зображень, їх стандартизацію та поділ на тренувальні, валідаційні й тестові вибірки, що сприяло ефективному навчанню моделі. Основою алгоритму розпізнавання стала згорткова нейронна мережа ResNet, яка продемонструвала перевагу в точності над іншими архітектурами.

Біографії авторів

Д.І. Угрин, Чернівецький національний університет імені Юрія Федьковича

доктор технічних наук, професор, доцент кафедри комп’ютерних наук

Ю.О. Ушенко, Чернівецький національний університет імені Юрія Федьковича

доктор фізико-математичних наук, професор, завідувач комп’ютерних наук

В.В. Дворжак, Чернівецький національний університет імені Юрія Федьковича

кандидат фізико-математичних наук, асистент кафедри комп’ютерних наук

Т.В. Терлецький, Луцький національний технічний університет

кандидат технічних наук, доцент, завідувач кафедри комп’ютерної інженерії та безпеки

О.Л. Кайдик , Луцький національний технічний університет

кандидат технічних наук, доцент, доцент кафедри комп’ютерної інженерії та безпеки

Посилання

Johaira U. Lidasan, & Martina P. Tagacay. (2018). Mushroom Recognition using Neural Network. International Journal of Computer Science Issues, 15(5), 52–57. https://doi.org/10.5281/zenodo.1467659

Deep learning for computer vision. Part 1 / V.V. Dvorak, M.V. Talakh - Chernivtsi: Technoprint, 2022 - 271 p.

Timchyshyn R.M., Volkov O.E., Gospodarchuk O.Yu., Bogachuk Yu.P. Modern approaches to solving problems of computer vision // collection. of Sciences, "Management Systems and Computers", USiM, 2018, No. 6, p. 46-73.

Zinchenko O.V., Zvenigorodskyi O.S., Kysil T.M. Convolutional neural networks for solving computer vision problems. Telecommunications and information technologies. Kyiv, 2022, No. 2(75), p. 4-12.

Du, A.; Zhou, Q.; Dai, Y. Methodology for Evaluating the Generalization of ResNet. Appl. Sci. 2024, 14, 3951. https://doi.org/10.3390/app14093951

Wang, Z., Bovik, A. C. and Lu, L. “Why is image quality assessment so difficult?”, Proceedings of 2002 IEEE International Conference on Acoustics, Speech, and Signal Processing, 13–17 May 2002, Orlando, FL, USA, Vol. 4, pp. IV-3313-IV-3316.

Chollet, F. Deep Learning with Python, 2nd ed., Manning Publications Co., 2021, 478 p.

Stepanov A., Kornaga Ya.,. Krylov Ye, Anikin V. (2021). Peculiarities of indexing in databases and choosing the optimal implementation. Adaptive automatic control systems, No. 2(37), p. 110–117.

Lathkar M. High-Performance Web Apps with FastAPI. California : Apress Berkeley, 2023. 309 p.

Advancements in CNN Architectures for Computer Vision: A Comprehensive Review. - This paper explores recent developments in CNN architectures and their applications in image classification, object detection, and segmentation. IEEE 2023. https://ieeexplore.ieee.org/document/9654151.

A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects. - A thorough analysis of CNN advancements, covering foundational concepts and current innovations in architecture, along with applications in healthcare, security, and autonomous vehicles. IEEE Transactions on Neural Networks and Learning Systems, 2022. https://ieeexplore.ieee.org/document/9451544

Deep Residual Learning for Image Recognition: A Review of ResNet Architectures. - Discusses ResNet variations and improvements in training deeper CNNs efficiently. International Journal of Neural Systems, 2021.

Convolutional Neural Networks for Visual Recognition and Beyond. - This book chapter covers CNNs from basic principles to advanced techniques in computer vision Advances in Neural Information Processing Systems, 2021.

EfficientNet and Beyond: CNNs Optimized for Resource-Constrained Environments. - Focuses on the EfficientNet family of models, which optimize accuracy and efficiency for practical applications Neural Networks, 2022.

Application of CNNs in Biomedical Imaging: Opportunities and Challenges. - A specialized review on the use of CNNs in analyzing medical images for disease detection IEEE Transactions on Medical Imaging, 2021.

CNNs in Autonomous Driving: Current Research and Future Directions - A practical survey on CNN applications in autonomous vehicle systems, including object detection and lane tracking. Journal of Field Robotics, 2020.

Transfer Learning in CNNs: A Pathway to Efficient Model Deployment. - Examines transfer learning to adapt pre-trained CNN models for specific tasks, reducing computational demands. Pattern Recognition Letters, 2021.

Attention Mechanisms in Convolutional Neural Networks: Enhancing Model Interpretability. - Analyzes attention mechanisms within CNNs and their impact on interpretability and accuracy. IEEE Transactions on Neural Networks and Learning Systems, 2022.

Wójcik Waldemar, Smolarz Andrzej (2017). Information Technology in Medical Diagnostics, July 11, 2017 by CRC Press, 210 Pages.

Highly linear Microelectronic Sensors Signal Converters Based on Push-Pull Amplifier Circuits / edited by Waldemar Wojcik and Sergii Pavlov, Monograph, (2022) NR 181, Lublin, Comitet Inzynierii Srodowiska PAN, 283 Pages. ISBN 978-83-63714-80-2

Pavlov Sergii, Avrunin Oleg, Hrushko Oleksandr, and etc. (2021). System of three-dimensional human face images formation for plastic and reconstructive medicine // Teaching and subjects on bio-medical engineering Approaches and experiences from the BIOART-project Peter Arras and David Luengo (Eds.), , Corresponding authors, Peter Arras and David Luengo. Printed by Acco cv, Leuven (Belgium). - 22 P. ISBN: 978-94-641-4245-7.

Pavlov S.V., Avrunin O.G., etc. (2019). Intellectual technologies in medical diagnosis, treatment and rehabilitation: monograph / [S. In edited by S. Pavlov, O. Avrunin. - Vinnytsia: PP "TD "Edelweiss and K", 260 p. ISBN 978-617-7237-59-3.

Romanyuk, O., Zavalniuk, Y., Pavlov, S., etc. (2023). New surface reflectance model with the combination of two cubic functions usage, Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Srodowiska, , 13(3), pp. 101–106

Kukharchuk, Vasyl V., Sergii V. Pavlov, Volodymyr S. Holodiuk, Valery E. Kryvonosov, Krzysztof Skorupski, Assel Mussabekova, and Gaini Karnakova. (2022). "Information Conversion in Measuring Channels with Optoelectronic Sensors" Sensors 22, no. 1: 271. https://doi.org/10.3390/s22010271.

Vasyl V. Kukharchuk, Sergii V. Pavlov, Samoil Sh. Katsyv, and etc. (2021). Transient analysis in 1st order electrical circuits in violation of commutation laws”, Przegląd elektrotechniczny, ISSN 0033-2097, R. 97 NR 9/2021, p. 26-29, doi:10.15199/48.2021.09.05.

##submission.downloads##

Переглядів анотації: 33

Опубліковано

2024-11-19

Як цитувати

[1]
Д. Угрин, Ю. Ушенко, В. Дворжак, Т. . Терлецький, і О. Кайдик, «Архітектура інтелектуальної системи управління ризиками та розпізнавання видів грибів», Опт-ел. інф-енерг. техн., вип. 48, вип. 2, с. 114–127, Лис 2024.

Номер

Розділ

Системи технічного зору і штучного інтелекту з обробкою та розпізнаванням зображень

Метрики

Завантаження

Дані завантаження ще не доступні.

Статті цього автора (авторів), які найбільше читають

1 2 > >>