Експертна інформаційна система ідентифікації рослин

Abstract

Магістерська кваліфікаційна робота викладена на 68 сторінках машинописного тексту, містить 26 рисунків, 11 таблиць та 38 джерел у списку використаних джерел. Робота присвячена розробленню експертної інформаційної системи ідентифікації рослин на основі методів комп’ютерного зору та глибинного машинного навчання. У роботі досліджено сучасні підходи до автоматизованої ідентифікації рослин за зображеннями листя, стебел і плодів, проаналізовано основні проблеми традиційних методів класифікації та обґрунтовано доцільність застосування згорткових нейронних мереж. Розглянуто процес формування та підготовки навчальних вибірок, методи попередньої обробки зображень, а також особливості використання відкритих датасетів для навчання моделей. На основі системного аналізу та UML-моделювання спроєктовано архітектуру експертної інформаційної системи, що включає підсистеми збору та оброблення вхідних даних, модуль машинного навчання, логічну модель бази даних і підсистему формування рекомендацій. Побудовано ER-модель бази даних та розроблено програмну реалізацію системи з використанням мови програмування Python, фреймворку FastAPI, реляційної бази даних SQLite та інтерфейсів прикладного програмування REST. Розроблена система реалізує гібридний підхід до ідентифікації рослин із використанням згорткових нейронних мереж CNN, моделей ResNet, EfficientNet і Vision Transformer, що забезпечує високу точність класифікації та можливість масштабування. У ході експериментального дослідження проведено порівняльний аналіз моделей за показниками точності, повноти та F1-міри, за результатами якого визначено найбільш ефективні архітектури для практичного застосування. Отримані експериментальні результати підтвердили працездатність системи та можливість її використання в умовах реального часу. Практична цінність роботи полягає у створенні програмного інструменту для автоматизованої ідентифікації рослин, який може бути використаний у сільському господарстві, екологічному моніторингу, освітніх і науково-дослідних проєктах. Результати дослідження мають як прикладне, так і наукове значення та підтверджують доцільність застосування методів глибинного навчання для задач класифікації біологічних об’єктів.