霂瑞霂��撘����迨��辣:
http://elartu.tntu.edu.ua/handle/lib/52148| Title: | Дослідження та розробка моделі глибокого машинного навчання для класифікації хвороб рослин за зображеннями |
| Other Titles: | Research and Development of a Deep Machine Learning Model for Plant Disease Classification from Image |
| Authors: | Семенів, Максим Васильович Semeniv, Maksym |
| Affiliation: | Тернопільський національний технічний університет імені ім. І. Пулюя |
| Bibliographic description (Ukraine): | {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. |
| Bibliographic reference (2015): | Семенів М. В. Дослідження та розробка моделі глибокого машинного навчання для класифікації хвороб рослин за зображеннями : робота на здобуття кваліфікаційного ступеня магістра : спец. 122 - комп’ютерні науки / наук. кер. М. Є. Фриз. Тернопіль : Тернопільський національний технічний університет імені Івана Пулюя, 2026. 72 с. |
| Issue Date: | 27-五月-2026 |
| Submitted date: | 13-五月-2026 |
| Date of entry: | 6-六月-2026 |
| Publisher: | Тернопільський національний технічний університет імені ім. І. Пулюя |
| Country (code): | UA |
| Place of the edition/event: | Тернопіль |
| Supervisor: | Фриз, Михайло Євгенович Fryz, Mykhailo |
| UDC: | 004.85:004.932:632.3 |
| Keywords: | 122 комп’ютерні науки глибинне навчання згорткові нейронні мережі класифікація зображень класифікація хвороб рослин комп’ютерний зір efficientnet tensorflow computer vision convolutional neural networks deep learning image classification plant disease classification transfer learning |
| Page range: | 72 |
| Abstract: | Кваліфікаційна робота присвячена дослідженню та розробці моделей глибинного навчання для автоматизованої класифікації хвороб рослин за зображеннями листя.
У першому розділі проаналізовано сучасні підходи до класифікації зображень, методи машинного та глибинного навчання.
У другому розділі досліджено технології та методи реалізації системи класифікації, виконано аналіз методів попередньої обробки зображень та метрик оцінювання моделей та програмних засобів реалізації.
У третьому розділі виконано формування та підготовку датасету, проведено їх навчання, тестування та експериментальне дослідження ефективності.
Об’єкт дослідження: процес автоматизованого аналізу та класифікації зображень рослин із використанням методів глибинного навчання.
Предмет дослідження: моделі глибинного навчання та методи комп’ютерного зору для класифікації хвороб рослин за зображеннями листя. Qualification work is devoted to the research and development of deep learning models for automated plant disease classification using leaf images. The first section analyzes modern approaches to image classification, machine learning and deep learning methods. The second section investigates technologies and implementation methods of the classification system, including image preprocessing methods, model evaluation metrics and software tools for implementation. The third section describes dataset formation and preparation, model training, testing and experimental evaluation of efficiency. Object of research: the process of automated analysis and classification of plant images using deep learning methods. Subject of research: deep learning models and computer vision methods for plant disease classification using leaf images. |
| Description: | Роботу виконано на кафедрі комп'ютерних наук Тернопільського національного технічного університету імені Івана Пулюя. Захист відбудеться 27.05.2026р. на засіданні екзаменаційної комісії №33 у Тернопільському національному технічному університеті імені Івана Пулюя |
| Content: | ВСТУП 9 1 АНАЛІЗ МЕТОДІВ КЛАСИФІКАЦІЇ ХВОРОБ РОСЛИН 11 1.1 Проблематика автоматизованої діагностики хвороб рослин 12 1.2 Традиційні підходи до виявлення хвороб 13 1.3 Методи машинного навчання для класифікації зображень 14 1.3.1 Класичні алгоритми машинного навчання 15 1.3.2 Згорткові нейронні мережі 17 1.4 Дослідження сучасних моделей глибинного навчання 18 1.4.1 Архітектури CNN, VGG, ResNet та EfficientNet 20 1.4.2 Трансферне навчання 22 1.4.3 Використання трансформерів у задачах комп’ютерного зору 23 1.5 Висновки до першого розділу 24 2 АНАЛІЗ ТЕХНОЛОГІЙ ТА МЕТОДІВ РЕАЛІЗАЦІЇ СИСТЕМИ КЛАСИФІКАЦІЇ 26 2.1 Постановка задачі дослідження 26 2.2 Формалізація задачі класифікації зображень 27 2.3 Методи попередньої обробки зображень 28 2.4 Метрики оцінювання якості моделей 29 2.5 Опис обраних програмних засобів реалізації 31 2.5.1 Python як основна мова реалізації 31 2.5.2 TensorFlow / PyTorch 32 2.5.3 Бібліотеки комп’ютерного зору та обробки даних 35 2.6 Висновки до другого розділу 37 3 ДОСЛІДЖЕННЯ ТА РОЗРОБКА МОДЕЛЕЙ ГЛИБИННОГО НАВЧАННЯ ДЛЯ КЛАСИФІКАЦІЇ ХВОРОБ РОСЛИН 38 3.1 Формування та підготовка датасету 42 3.2 Реалізація моделей глибинного навчання 46 3.3 Налаштування та навчання моделей 48 3.4 Аналіз результатів класифікації 49 3.5 Практичне застосування розробленої системи 50 3.6 Висновки до третього розділу 51 4. ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ 52 4.1 Питання щодо охорони праці 52 4.1.1 Охорона праці під час роботи з комп’ютерними системами та засобами обробки даних 52 4.1.2 Забезпечення безпечних умов праці при використанні комп’ютерної техніки та програмного забезпечення 54 4.2 Питання щодо безпеки в надзвичайних ситуаціях 55 4.2.1 Аналіз небезпечних факторів під час експлуатації комп’ютерних систем та методи їх прогнозування 55 4.2.2 Забезпечення безпеки користувачів і захисту даних в умовах надзвичайних ситуацій 57 ВИСНОВКИ 59 ПЕРЕЛІК ВИКОРИСТАНИХ ДЖЕРЕЛ 61 ДОДАТКИ 68 |
| URI: | http://elartu.tntu.edu.ua/handle/lib/52148 |
| ISBN: | {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. {ВІДКОРЕГУЙТЕ!!!} Прізвище І. Б. Назва : кваліфікаційна робота на здобуття освітнього ступеня магістр за спеціальністю „122 — комп’ютерні науки“ / І. Б. Прізвище. — Тернопіль: ТНТУ, РІК. — ХХ с. |
| Copyright owner: | © Семенів Максим Васильович, 2026 |
| References (Ukraine): | 1. Lyu S., Cheung R. C. C. (2023) Efficient Multiple Channels EEG Signal Classification Based on Hierarchical Extreme Learning Machine. Sensors. Vol. 23, No. 21. Art. 8976. DOI: https://doi.org/10.3390/s23218976. 2. Titkanlou M. K., Pham D. T., Mouček R. (2025) Classification of EEG Signal Using Deep Learning Architectures Based Motor-Imagery for an Upper-Limb Rehabilitation Exoskeleton. SN Computer Science. Vol. 6. Art. 193. DOI: https://doi.org/10.1007/s42979-025-03743-6. 3. Zhang Y., Ji X., Zhang S. (2023) Motor Imagery EEG Classification Based on Riemannian Geometry and CNN. Brain Sciences. Vol. 13, No. 4. DOI: https://doi.org/10.3390/brainsci13040567. 4. Dai G., Zhou J., Huang J., Wang N. (2021) Deep Learning for EEG Motor Imagery Classification Based on Multi-Scale Features. Neural Computing and Applications. Vol. 33. P. 8759–8773. 5. Dahiya Y., Solanki A. (2023) EEG-based Emotion Recognition Using Graph Convolutional Networks. Biomedical Signal Processing and Control. Vol. 84. Art. 104777. 6. Zhao X., Zhang H., Zhu G. (2023) A Novel Transfer Learning Framework for Motor Imagery EEG Classification. IEEE Access. Vol. 11. P. 42115–42128. 7. Marcos-Martínez D., Pérez-Velasco S., Martínez-Cagigal V., Santamaría-Vázquez E., Hornero R. (2025) Calibration-free Ocular artifact reduction in EEG signals using a montage-independent deep learning model. Biomedical Signal Processing and Control. Т. 110. Ст. 108147. DOI: https://doi.org/10.1016/j.bspc.2025.108147. 8. Li Y., Liu Q., Fan S. (2022) A Deep Learning Approach for Motor Imagery EEG Classification Based on Residual Neural Networks. IEEE Access. Vol. 10. P. 11234–11245. 9. Zhang T., Chen W., Li M. (2024) Motor Imagery EEG Classification Using Graph Neural Networks. Computers in Biology and Medicine. Vol. 169. Art. 107823. 10. Kumar P., Singh A. (2024) EEG-Based Emotion Recognition Using Transformer and Convolutional Neural Networks. Expert Systems with Applications. Vol. 237. Art. 121435. 11. Altaheri H., Muhammad G., Alsulaiman M. (2023) A Spatio-Temporal Deep Learning Framework for EEG-Based Motor Imagery Classification. Neural Networks. Vol. 161. P. 33–47. 12. Ma R., Cao Y., Xie S. Q., Zhang M., Li J., Zhang Z.-Q. (2025) LGFCNN: A synergistic framework integrating graph-based spatial filter and lightweight CNN for SSVEP recognition. Neurocomputing. Т. 656. Ст. 131561. DOI: https://doi.org/10.1016/j.neucom.2025.131561. 13. Sharma R., Gupta P. (2023) EEG Emotion Recognition Using LSTM with Attention Mechanism. Biomedical Signal Processing and Control. Vol. 82. Art. 104529. 14. Chen J., Liu Y., Wang X. (2024) A Novel RL-assisted Deep Learning Framework for Task-informative Signals Selection and Classification for Spontaneous BCIs. IEEE Transactions on Neural Systems and Rehabilitation Engineering. Vol. 32. P. 1185–1196. 15. Ahmed K., Hassan M., Ali S. (2024) Optimal Channel Selection of Multiclass Motor Imagery Classification Based on Fusion Convolutional Neural Network with Attention Blocks. Biomedical Signal Processing and Control. Vol. 89. Art. 105812. 16. Venu K., Natesan P. (2023) Optimized Deep Learning Model Using Modified Whale’s Optimization Algorithm for EEG Signal Classification. Information Technology and Control. Vol. 52, No. 3. P. 744–760. DOI: https://doi.org/10.5755/j01.itc.52.3.33320. 17. Chowdhury R. R., Muhammad Y., Adeel U. (2023) Enhancing Cross-Subject Motor Imagery Classification in EEG-Based Brain–Computer Interfaces by Using Multi-Branch CNN. Sensors. Vol. 23. Art. 7908. DOI: https://doi.org/10.3390/s23187908. 18. Li F., He F., Wang F. et al. (2020) A Novel Simplified Convolutional Neural Network Classification Algorithm of Motor Imagery EEG Signals Based on Deep Learning. Applied Sciences. Vol. 10. Art. 1605. DOI: https://doi.org/10.3390/app10051605. 19. Ozelbas E., Tülay E. E., Ozekes S. (2024) Improving Cross-Subject Classification Performance of Motor Imagery Signals: A Data Augmentation-Focused Deep Learning Framework. Machine Learning: Science and Technology. Vol. 5. Art. 015021. DOI: https://doi.org/10.1088/2632-2153/ad200c. 20. Deng X., Zhang B., Yu N., Liu K., Sun K. (2021) Advanced TSGL-EEGNet for Motor Imagery EEG-Based Brain-Computer Interfaces. IEEE Access. Vol. 9. P. 25118–25131. DOI: https://doi.org/10.1109/ACCESS.2021.3056088. 21. Zhang K., Xu G., Han Z. et al. (2020) Data Augmentation for Motor Imagery Signal Classification Based on a Hybrid Neural Network. Sensors. Vol. 20. Art. 4485. DOI: https://doi.org/10.3390/s20164485. 22. Özdenizci O., Wang Y., Koike-Akino T., Erdoğmuş D. (2020) Learning Invariant Representations From EEG via Adversarial Inference. IEEE Access. Vol. 8. P. 27074–27084. DOI: https://doi.org/10.1109/ACCESS.2020.2971600. 23. Lomelin-Ibarra V. A., Gutierrez-Rodriguez A. E., Cantoral-Ceballos J. A. (2022) Motor Imagery Analysis from Extensive EEG Data Representations Using Convolutional Neural Networks. Sensors. Vol. 22. Art. 6093. DOI: https://doi.org/10.3390/s22166093. 24. Taghizadeh M., Vaez F., Faezipour M. (2024) EEG Motor Imagery Classification by Feature Extracted Deep 1D-CNN and Semi-Deep Fine-Tuning. IEEE Access. Vol. 12. P. 111265–111279. DOI: https://doi.org/10.1109/ACCESS.2024.3430838. 25. Li D., Liu P., Xia Y. (2023) A Novel Artifact Removal Strategy and Spatial Attention-based Multiscale CNN for MI Recognition. International Journal of Advanced Computer Science and Applications. Vol. 14, No. 9. P. 283–292. 26. Zhou B., Wang L., Xu W., Jiang C. (2024) Multi-Scale Convolutional Attention and Riemannian Geometry Network for EEG-Based Motor Imagery Classification. IEEE Access. Vol. 12. P. 79731–79741. DOI: https://doi.org/10.1109/ACCESS.2024.3410036. 27. Li L., Sun N. (2022) Attention-Based DSC-ConvLSTM for Multiclass Motor Imagery Classification. Computational Intelligence and Neuroscience. Vol. 2022. Article ID 8187009. DOI: https://doi.org/10.1155/2022/8187009. 28. Ha K.-W., Jeong J.-W. (2021) Temporal Pyramid Pooling for Decoding Motor-Imagery EEG Signals. IEEE Access. Vol. 9. P. 3112–3123. DOI: https://doi.org/10.1109/ACCESS.2020.3047678. 29. Abibullaev B., Dolzhikova I., Zollanvari A. (2020) A Brute-Force CNN Model Selection for Accurate Classification of Sensorimotor Rhythms in BCIs. IEEE Access. Vol. 8. P. 101014–101027. DOI: https://doi.org/10.1109/ACCESS.2020.2997681. 30. Megalingam R. K., Sankardas K. S., Manoharan S. K. (2024) An Empirical Model-Based Algorithm for Removing Motion-Caused Artifacts in Motor Imagery EEG Data for Classification Using an Optimized CNN Model. Sensors. Vol. 24. Art. 7690. DOI: https://doi.org/10.3390/s24237690. 31. Hanafy M. A., Yusufjonov S., SharafianArdakani P., Yusufjonov D., Rayguru M. M., Popa D. O. (2025) A Dual-Validation Framework for Temporal Robustness Assessment in Brain–Computer Interfaces for Motor Imagery. Technologies. Т. 13, № 12. Ст. 595. DOI: https://doi.org/10.3390/technologies13120595. 32. Miao Z., Zhang X., Menon C. et al. (2023) Priming Cross-Session Motor Imagery Classification with A Universal Deep Domain Adaptation Framework. arXiv. DOI: https://doi.org/10.48550/arXiv.2202.09559. 33. Olza A., Soto D., Santana R. (2025) Domain Adaptation-enhanced searchlight: enabling classification of brain states from visual perception to mental imagery. Brain Informatics. Т. 12. Ст. 17. DOI: https://doi.org/10.1186/s40708-025-00263-0. 34. Xia Y., Dong J., Li D. et al. (2023) An Adaptive Channel Selection and Graph ResNet Based Algorithm for Motor Imagery Classification. International Journal of Advanced Computer Science and Applications. Vol. 14, No. 5. P. 240–248. 35. Abdulkarim H., Al-Faiz M. Z. (2021) Online Multiclass EEG Feature Extraction and Recognition Using Modified Convolutional Neural Network Method. International Journal of Electrical and Computer Engineering. Vol. 11, No. 5. P. 4016–4026. DOI: https://doi.org/10.11591/ijece.v11i5.pp4016-4026. 36. Padfield N., Ren J., Murray P., Zhao H. (2021) Sparse Learning of Band Power Features with Genetic Channel Selection for Effective Classification of EEG Signals. Neurocomputing. Vol. 463. P. 566–579. DOI: https://doi.org/10.1016/j.neucom.2021.08.067. 37. Singh A. K., Bianchi L. (2024) Encoding Temporal Information in Deep Convolution Neural Network. Frontiers in Neuroergonomics. Vol. 5. Art. 1287794. DOI: https://doi.org/10.3389/fnrgo.2024.1287794. 38. Huang B., Xu H., Yuan M. et al. (2022) Exploiting Asymmetric EEG Signals with EFD in Deep Learning Domain for Robust BCI. Symmetry. Vol. 14. Art. 2677. DOI: https://doi.org/10.3390/sym14122677. 39. Kocejko T., Matuszkiewicz N., Durawa P. et al. (2024) How Integration of a Brain-Machine Interface and Obstacle Detection System Can Improve Wheelchair Control via Movement Imagery. Sensors. Vol. 24. Art. 918. DOI: https://doi.org/10.3390/s24030918. 40. Hwang J., Park S., Chi J. (2023) Improving Multi-Class Motor Imagery EEG Classification Using Overlapping Sliding Window and Deep Learning Model. Electronics. Vol. 12. Art. 1186. DOI: https://doi.org/10.3390/electronics12051186. 41. Salami A., Andreu-Perez J., Gillmeister H. (2022) EEG-ITNet: An Explainable Inception Temporal Convolutional Network for Motor Imagery Classification. IEEE Access. Vol. 10. P. 36672–36687. DOI: https://doi.org/10.1109/ACCESS.2022.3161489. 42. Parchami J., Sarbishaei G. (2023) A Novel Scheme Based on Information Theory and Transfer Learning for Multi Classes Motor Imagery Decoding. IET Signal Processing. DOI: https://doi.org/10.1049/sil2.12222. 43. Roy A. M. (2022) An Efficient Multi-Scale CNN Model with Intrinsic Feature Integration for Motor Imagery EEG Subject Classification in Brain-Machine Interfaces. Biomedical Signal Processing and Control. Vol. 74. Art. 103496. DOI: https://doi.org/10.1016/j.bspc.2022.103496. 44. Zhang J., Li K. (2023) A Multi-View CNN Encoding for Motor Imagery EEG Signals. Biomedical Signal Processing and Control. Vol. 85. Art. 105063. DOI: https://doi.org/10.1016/j.bspc.2023.105063. 45. Hwaidi J. F., Chen T. M. (2022) Classification of Motor Imagery EEG Signals Based on Deep Autoencoder and Convolutional Neural Network Approach. IEEE Access. Vol. 10. P. 48071–48081. DOI: https://doi.org/10.1109/ACCESS.2022.3171906. 46. Zhang K., Robinson N., Lee S.-W., Guan C. (2021) Adaptive Transfer Learning for EEG Motor Imagery Classification with Deep Convolutional Neural Network. Neural Networks. Vol. 136. P. 1–10. DOI: https://doi.org/10.1016/j.neunet.2020.12.013. 47. Xie Y., Oniga S. (2023) Classification of Motor Imagery EEG Signals Based on Data Augmentation and Convolutional Neural Networks. Sensors. Vol. 23. Art. 1932. DOI: https://doi.org/10.3390/s23041932. 48. Ju C., Guan C. (2023) Tensor-CSPNet: A Novel Geometric Deep Learning Framework for Motor Imagery Classification. IEEE Transactions on Neural Networks and Learning Systems. Vol. 34, No. 12. P. 10955–10969. DOI: https://doi.org/10.1109/TNNLS.2022.3172108. 49. Mallat S., Hkiri E., Albarrak A. M., Louhichi B. (2025) A Synergy of Convolutional Neural Networks for Sensor-Based EEG Brain–Computer Interfaces to Enhance Motor Imagery Classification. Sensors. Vol. 25. Art. 443. DOI: https://doi.org/10.3390/s25020443. 50. Mwata-Velu T., Avina-Cervantes J. G., Ruiz-Pinales J. et al. (2022) Improving Motor Imagery EEG Classification Based on Channel Selection Using a Deep Learning Architecture. Mathematics. Vol. 10. Art. 2302. DOI: https://doi.org/10.3390/math10132302. 51. Закон України «Про охорону праці» : Закон України від 14.10.1992 № 2694-XII. URL: https://zakon.rada.gov.ua/laws/show/2694-12 (дата звернення: 25.05.2026). 52. Кодекс законів про працю України : Закон України від 10.12.1971 № 322-VIII. URL: https://zakon.rada.gov.ua/laws/show/322-08 (дата звернення: 25.05.2026). 53. Закон України «Про захист інформації в інформаційно-комунікаційних системах» : Закон України від 05.07.1994 № 80/94-ВР. URL: https://zakon.rada.gov.ua/laws/show/80/94-%D0%B2%D1%80 (дата звернення: 25.05.2026). 54. Кодекс цивільного захисту України : Закон України від 02.10.2012 № 5403-VI. URL: https://zakon.rada.gov.ua/laws/show/5403-17 (дата звернення: 25.05.2026). 55. ДСанПіН 3.3.2-007-98. Державні санітарні правила і норми роботи з візуальними дисплейними терміналами електронно-обчислювальних машин. Київ : МОЗ України, 1998. URL: https://ips.ligazakon.net/document/REG455 (дата звернення: 25.05.2026). 56. ДБН В.2.5-28:2018. Природне і штучне освітлення. Київ : Мінрегіон України, 2018. URL: https://online.budstandart.com/ua/catalog/doc-page.html?id_doc=79885 (дата звернення: 25.05.2026). 57. ДСТУ ISO/IEC 25010:2016. Системна та програмна інженерія. Моделі якості систем та програмних засобів. Київ : ДП «УкрНДНЦ», 2016. URL: https://online.budstandart.com/ua/catalog/doc-page?id_doc=71810 (дата звернення: 25.05.2026). 58. ISO/IEC 27001:2022. Information security, cybersecurity and privacy protection — Information security management systems — Requirements. Geneva : International Organization for Standardization, 2022. URL: https://www.iso.org/standard/27001 (дата звернення: 25.05.2026). |
| Content type: | Master Thesis |
| �蝷箔����: | 122 — комп’ютерні науки, F3 Комп’ютерні науки |
��辣銝剔�﹝獢�:
| 獢�獢� | ��膩 | 憭批�� | �撘� | |
|---|---|---|---|---|
| 2026_KRM_SNnm-61_Semeniv_MV.pdf | Дипломна робота | 7,87 MB | Adobe PDF | 璉�閫�/撘�� |
�DSpace銝剜�������★��������雿��.
蝞∠�極�