CC BY
3Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2023 год
BARG TASVIRI BO'YICHA MADANIY O'SIMLIKLARNING FITOSANITAR HOLATINI
ANIQLASH ALGORITMLARI
S.S.Radjabov,
TIQXMMI Milliy tadqiqiot universiteti t.f.d katta
ilmiy xodimi s-radj abov@yahoo.com
G.R.Mirzayeva,
Muxammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalar universiteti assistenti
gmirzaeva@mail.ru
A.O.Tillavoldiyev,
Raqamli texnologiyalar va sun'iy intellektni rivojlantirish ilmiy tadqiqot instituti tayanch doktoranti azizbek.otabekovich@gmail.com
J.A.Allayorov,
TIQXMMI Milliy tadqiqiot universiteti j-allayarov@gmail.com
Annotatsiya. Ushbu maqolada madaniy o'simliklarning fitosanitar holatini aniqlash masalasi qaralgan va boshlang'ich ma'lumotlar sifatida ularning barg tasvirlari olingan. Mazkur masalani hal qilish uchun ikki o'lchamli bo'sag'aviy funksiyalarga asoslangan tanib olish algoritmlari modeli taklif etilgan. Taklif etilayotgan algoritmlarning asosiy g'oyasi afzal belgilar to'plamini shakllantirish va ushbu belgilarni taqqoslash asosida qarorlar qabul qilish qoidasini qurishdan iborat. Fitosanitar holatini aniqlash algoritmlari modelini tasniflash bosqichlari keltirilgan. Taklif etilayotgan modelning ishga yaroqli ekanligini baholash barg tasvirlari yordamida g'o'zaning fitosanitar holatini aniqlash masalasini hal qilish orqali ko'rsatilgan.
Kalit so'zlar: fitosanitar holatini aniqlash, asosiy tasvir bo'laklari, tashxisiy belgilar, afzal belgilar, umumiy bahoni hisoblash
Kirish. Jahonda qishloq xo'jaligi mahsulotlarini ishlab chiqarishida axborot tizimlari va texnologiyalarini yaratish va ulardan foydalanish masalalari mazkur sohada innovatsion va ilmiy-texnik taraqqiyotni rivojlantirishning asosiy omillaridan biriga aylanib bormoqda [1-6]. Zamonaviy axborot texnologiyalarini tadbiq etishning asosiy vazifalardan biri qishloq xo'jaligi ekinlari kasalliklariga tashxis qo'yish va ularning rivojlanishini bashorat qilishga mo'ljallangan kompyuter tizimlarini yaratish bilan bog'liq. So'nggi yillarda o'simlik kasalliklariga tashxis qo'yish masalalariga bag'ishlangan bir qator ilmiy ishlar paydo bo'ldi, xususan [4-12]. Madaniy o'simliklarning barg tasvirlarini qayta ishlash asosida ularni mevalarining kasalligiga tashxis qo'yish uchun
mo'ljallangan kompyuter tizimini yaratish masalasi ko'rib chiqilgan. Avtomatlashtirilgan tashxis qo'yish tizimlarini tadbiq etish madaniy o'simliklarni tashxisiy obyektiv ma'lumotlaridan foydalanish, o'simlik kasalliklarini erta va yetarlicha aniq tashxis qo'yish imkoniyatini beradi. Bu esa o'simliklarni himoya qilish choralarini ko'rish bo'yicha qarorlar qabul qilish uchun shart-sharoitni yaratadi [11, 12]. Obrazlarni tanib olish usullari va algoritmlari o'simliklar kasalligiga tashxis qo'yish uchun mo'ljallangan kompyuter tizimlarini yaratishda asosiy o'rinni egallaydi.
Ushbu ishda madaniy o'simliklarning fitosanitar holatini ularning barg tasvirlari bo'yicha aniqlash masalasiga o'ziga xos yondashuv taklif qilingan. Taklif qilinayotgan yondashuvning asosiy
54
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2023 год
xususiyati o'simlikning barg tasvirlarini xarakterlovchi afzal belgilar to'plamini shakllantirish va ularni tahlil qilish asosida o'simlik kasalliklariga tashxis qo'yish algoritmlarini qurishdan iborat. Shuni ta'kidlash zarurki, ushbu maqola tashxis qo'yish uchun o'simlik barglari tasvirlarining belgilarini ajratish masalasi ko'rib chiqilgan [11] ishning qayta ishlov berilgan va to'ldirilgan variantidir.
Mazkur maqolaning maqsadi o'simliklar kasalligini ularning barglari tasvirlarini tahlil qilish asosida tashxis qo'yish qilish algoritmlari modelini ishlab chiqishdan iborat. Taklif etilayotgan algoritmlar modeli ikki o'lchamli bo'sag'aviy funksiyalarni qurishga asoslangan [13].
Masalaning qo'yilishi. O'rganilayotgan o'simliklar haqidagi boshlang'ich ma'lumotlar -h x ш o'lchamdagi T matritsa (barglarning tasvirlari) shaklida berilgan. Faraz qilaylik, L ruxsat etilgan barcha barglarning tasvirlar to'plami bo'lsin. Ushbu to'plamning elementlari ma'lum bir qoidaga ko'ra к ta kesishmaydigan qism to'plamlariga (ya'ni tashxislarga) bo'lingan:
Di,D2.....Dk
(\JDj = L, Dt
П Di = 0,i ïj ,i,je{\,...,k}
(1)
Oldindan taxmin qilinadiki, L to'plamni qism to'plamlarga ajratish qoidasi (ya'ni (1) bo'lishni amalga oshiruvchi algoritm) noma'lum, ammo o'simliklarning mumkin bo'lgan holatlari, ya'ni D1,D2,.,Dk haqidagi ba'zi bir boshlang'ich ma'lumotlar beriladi. Bu ma'lumotlar E0 orqali belgilanadi: E0 =
.....Qi.....Qm; ä(üi).....ä(Qi).....ä(Qm)}, ä(üi)
(aii,...,aij,...,aik), (2)
bu yerda atj - Pj(Qi) (Pj(&i) = "&t E Df.&i E L) predikatning qiymati, cc(Qi) - tasvirning axborot vektori, l^i1lmxk matritsa esa Qm(Qm = (ß1, ...,Qit...,ßm}) tanlanmaning axborot matritsasi.
Asosiy masala berilgan boshlang'ich ma'lumotlar (2) bo'yicha Pj(&i) predikatining qiymatini aniqlaydigan A tanib olish algoritmini qurishdan iborat:
A(E0,Qi)=ß(Qi), ß(*i) = (ßn.....ßij.....ßik),
ßtj = Pj(Qi),ßij E [0,1,2].
Bu yerda ßtj ham xuddi [14 ] ishdagi kabi izohlanadi. Agar ßtj E [0,1] bo'lsa, ßt] - Pj(Qi) predikatning qiymati bo'lib, u fy tasvirni xarakterli belgilari bo'yicha A algoritmi yordamida hisoblangan. Aks holda, A algoritmi Pj(ßi) predikatning qiymatlarini hisoblay olmagan deb hisoblanadi.
Taklif qilingan yechish usuli. Yuqorida shakllantirilgan masalani yechish uchun bo'sag'aviy funksiyalarga asoslangan tashxis qo'yish algoritmlari modeli taklif etiladi. Taklif etilayotgan modelning asosiy g'oyasi barglarning tasvirlarini tahlil qilish asosida tashxisni xarakterlovchi afzal belgilar to'plamini aniqlash va mazkur belgilar bo'yicha o'simlikni fitosanitar holatini tanib olishdan iborat. Bunda barg tasvirlarining fazoviy (ikki o'lchamli) tuzilishi katta o'lchamli belgilarning vektor (bir o'lchamli) fazosi sifatida ifodalanadi. Har bir belgi faqat ko'rib chiqilayotgan tasvirning ma'lum bir qismini (fragmentini) tavsiflaydi. Xuddi shu tasvirning bir xil bo'lagini bir nechta belgilar (raqamli belgilar) bilan tavsiflash mumkin deb hisoblanadi.
Bo'sag'aviy funksiyalarga asoslangan tashxis qo'yish algoritmlari modelini qurish quyidagi asosiy bosqichlarni o'z ichiga oladi.
1. Barg tasvirlarining tayanch qismlarini shakllantirish. Modelni qurishning birinchi bosqichi V(.V = Va x Vw) parametridan bog'liq bo'lgan holda tasvirning tayanch qismlar (fragmentlar) to'plamini shakllantirishdan iborat [15]. Ushbu parametr ko'rib chiqilayotgan tasvirni qismlarga bo'lish natijasida hosil bo'lgan qism to'plamlar sonini ko'rsatadi. Ushbu parametrga turli xil butun va musbat qiymatlarni berish orqali turli xil o'lchamga ega bo'lgan belgilar to'plamini olish mumkin. Hech qanday shubha yo'qki, k parametrining qiymati berilgan barg tasvirining haqiqiy kattaligiga bog'liq holda aniqlanadi. Ammo, ba'zi hollarda u barg tasvirlari haqidagi aprior ma'lumotlarga asoslanib belgilanishi ham mumkin. Biroq, har ikkala holat ham tasvirning har bir fragmentidagi elementlar (piksellar) soni bir xil bo'lishini talab qiladi.
2. Barg tasvirlari bo'yicha tashxisiy belgilar majmuasini aniqlash. Ushbu bosqichda tashxisiy (diagnostik) belgilar to'plami shakllantiriladi. Ular ko'rib chiqilayotgan tasvir qismining (fragmentining) ba'zi bir raqamli xarakteristikalari sifatida aniqlanadi, masalan, tasvir qismining birinchi darajali statistik xarakteristikasiga asoslangan tekstura belgilarini olish mumkin. Ular piksel almashinuviga nisbatan invariant
55
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2023 год
bo'ladi [16, 17]. Tasvirning tashxisiy belgilari sifatida teksturani xarakterlovchi belgilardan tashqari entropiya, avtokorrelyatsiya, momentlar va hokazolardan foydalanish mumkin [15]. Har bir qism (fragment) uchun rf ta belgilarini hisoblab, biz tashxisiy belgilarning n (n = rf x rf) tasini olamiz.
Shuni ta'kidlash lozimki, tasvirning barcha qismlari uchun hisoblangan belgilarning har biri shakllantirilgan belgilar fazosi sifatida ko'rib chiqilgan. Masalan, tasvirning barcha bo'laklari uchun hisoblangan entropiya bitta belgilar fazosini, birinchi tartibli momentlar esa boshqa bir belgilar fazosini tashkil qiladi.
3. Kuchli bog'langan tashxisiy belgilarning qism toplamlarini ajratish. Ushbu bosqichda tashxisiy belgilarining "o'zaro bog'liq bo'lmagan" qism to'plamlari tizimi aniqlanadi (har bir belgilar fazosi uchun alohida), ta'kidlash zarurki, ularning tarkibi n' parametriga bog'liq bo'ladi. Bunda har bir belgilar fazosi alohida (masalan, entropiya yoki birinchi tartibli momentlar) yoki barcha belgilar birgalikda ko'rib chiqiladi.
Bir-biriga kuchli bog'liq bo'lgan belgilarning qism to'plamlarini aniqlash tashxisiy belgilarning qism to'plamlari orasidagi yaqinlik bahosini hisoblash asosida amalga oshiriladi. Faraz qilaylik, = 1,n') - tashxisiy belgilarning bir-biri bilan o'zaro bog'liq belgilardan iborat qism to'plami bo'lsin. U holda fy va qism to'plamlari orasidagi yaqinlik o'lchovi ^(©i, ©j) turli yo'llar bilan aniqlanishi mumkin, masalan, ushbu qism to'plamlarning elementlari orasidagi o'rtacha masofa [18].
4. Tashxisiy reprezentativ belgilarini aniqlash. Bu bosqichni bajarish natijasida bir-biri bilan o'zaro kuchli bog'liq bo'lgan belgilarning har bir qism to'plamidan faqat bitta belgi tanlab olinadi va hamma qism to'plamlar ko'rib chiqilgandan so'ng reprezentativ belgilari to'plami aniqlanadi. Reprezentativ belgilarni tanlashning asosiy g'oyasi har bir qism to'plamdan uni xarakterlovchi vakilni ajratib olish hisoblanadi. Reprezentativ belgilar to'plamini shakllantirish jarayonida har bir tanlangan belgi uning kuchli bog'liq belgilar to'plamining tipik vakili bo'lishi talab qilinadi. Reprezentativ belgilar to'plamini ajratish protsedurasi [19] ilmiy ishda batafsilroq ko'rib chiqilgan.
5. Tashxisiy afzal belgilarni aniqlash. Ushbu bosqich natijasida o'simlik barglari tasvirlarining afzal belgilari shakllanadi. Endi, tashxisiy reprezentativ belgilar to'plamidan afzal belgilarni ajratish jarayonini
ko'rib chiqaylik. Faraz qilaylik, {t[,... ,f,... ,t'n'} oldingi bosqichda aniqlangan reprezentativ belgilar to'plami bo'lsin. Ma'lumki, T' reprezentativ belgilar fazosida har bir fi (fi E 1) obektga n' o'lchovli a (a = (av, ...,щ, ...,an')) vektori mos keladi. T' to'plamidan afzal belgilarni tanlab olish £m to'plamiga tegishli barg tasvirlarini ikkita qism to'plamga, ya'ni Dj va CDj qism to'plamlarga ajratishda ko'rib chiqilayotgan belgining ustunligini baholash asosida amalga oshiriladi. Afzal belgilar to'plamini ajratish protsedurasi [20] ilmiy ishda batafsilroq ko'rib chiqilgan.
6. Ikki barg tasvirlari fiu va fiv orasidagi farq funksiyasini d(fiu,fiv) aniqlash. Ushbu bosqichda tashxisiy afzal belgilar fazosida (Xj) fazosida ikki, ya'ni fiu va fiv barg tasvirlari orasidagi farqni tavsiflovchi farq funksiyasi aniqlanadi. d(fiufiv) funksiyasini qurishda quyidagi prinsip qo'llaniladi: "d(fi,fiv) funksiyasining qiymati qanchalik katta bo'lsa, bu tasvirlar orasidagi farq shunchalik katta bo'ladi."
7. Kuchli bog'langan tasvirlarning qismtoplamlarini shakllantirish. Ushbu bosqichda tasvirlarning "o'zaro bog'liq bo'lmagan" qismto'plamlari tizimini shakllantiriladi. Faraz qilaylik Qa - ko'rib chiqilayotgan {fi!, ...,£i,..., fim} tasvirlarning barcha kesishmaydigan qismto'plamlar tizimini bo'lsin. Bunday barcha qismto'plamlar tizimini Q bilan belgilaymiz. Bu bosqichda m' ta kuchli bog'langan QA (Qa с Q) tasvirlarni qismto'plamlari tizimini aniqlaymiz:
&A = Wv - ,9u, - ,5m'}.
Bunda Qa qismto'plamlari tizimining
elementlari quyidagi shartlarga javob beradi:
m' m'
П 5u = 0; m' = lSAl
u=! u=!
11. Tasvirni sinfga yaqinlik bahosini hamma qismfazolari bo'yicha baholash. Ushbu bosqichda fi tasvirni Dj (j = 1, l) sinfga yaqinlik bahosini hisoblash amalga oshiriladi. Mazkur modelning 10 - bosqichiga ko'ra, har bir qismfazosidagi reprezentativ belgilar bo'yicha fi tasvirni Dj (j = 1, l) sinfga yaqinlik bahosi hisoblangan. U holda fi tasvirni Dj (j = 1,1) sinfga yaqinligining yakuniy bahosi hamma qismfazolari bo'yicha olgan umumiy baholarni yigindisi sifatida aniqlanadi:
56
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2023 год
■ I i=l
bu yerda yu-algoritm parametri (i = 1, ...,n').
12. Hal qiluvchi qoida. Qaror har bir element bo'yicha qabul qilinadi [14], ya'ni
{О.агар B(Dj,S) < cv
1,агар B(Dj,Si) > c2 , А, агар cl < B(Dj,Q) < c2,
bu yerda cx, c2 -algoritm parametrlari.
Shunday qilib ikki o'lchamli bo'sag'aviy funksiyalarni qurishga asoslangan tashxis qo'yish algoritmlari modelini ko'rib chiqildi. Bu model doirasidagi har qanday A algoritmi n parametrlari to'plami orqali to'liq aniqlanadi. Taklif etilgan modeldagi barcha tashxis qo'yish algoritmlari to'plamini A(n,Q) bilan belgilanadi. Berilgan masala uchun eng yaxshi tashxis qo'yish algoritmni qurish uni ekstremal qiymatlarini izlash orqali n parametr fazosida olib boriladi.
Eksperimental tekshirish. Ishlab chiqilgan tashxis qo'yish algoritmlarining imkoniyatini tekshirish uchun barg tasvirlari yordamida bug'doyning sariq zang kasalligiga tashxis qo'yish masalasini ko'rib chiqiladi. Ma'lumki, don ekinlarining ayniqsa, bug'doyning zang kasalligi dunyoning ko'p joylarida eng zararli va xavfli kasalliklardan biri hisoblanadi. Bug'doydagi bu kasallik oqibatida kelib chiqadigan zarar va hosilni yo'qotish miqdori bir qator omillarga bog'liq. Masalan, uni birlamchi zararlanish davriga (ya'ni, bug'doyning rivojlanish bosqichi, kasallikning boshlanish vaqti), kasallikning rivojlanish intensivligiga bog'liq. Rivojlanish bosqichini to'g'ri aniqlash nafaqat zararli zang kasalliklarini o'rganishda, balki kasalliklarning rivojlanishini bashorat qilish bo'yicha tadqiqotlar olib borishda va ekin maydonlaridagi bug'doyni himoya qilish choralarini tashkil etishda ham juda muhim ahamiyatga egadir.
Bug'doyning zang kasalligiga tashxis qo'yish uchun ekin maydonlari tasvirga olindi va boshlang'ich ma'lumotlar to'plandi. Boshlang'ich ma'lumotlar sifatida bug'doy barglarining 300 ta tasvirlar to'plami tanlab olindi. Bunda mumkin bo'lgan tashxislar soni (ya'ni bug'doyni fitosanitar holati) 2 ta: 1) sariq zang aniqlangan bug'doy barglari tasvirlari (Dl) sariq zang aniqlangan bug'doy barglari tasvirlari; 2) sariq zang aniqlanmagan bug'doy barglari tasvirlari (D2).
Birinchi qism (D-^) to'plamida tasvirlar soni 150 ta. Ikkinchi qism (D?) to'plamda ham 150 tadan iborat. Bu tasvirlarni o'quv va nazorat tanlanmalariga bo'lish 1-jadvalda ko'rsatilgan. teng qismga muvaffaqiyatli (yoki muvaffaqiyatsiz) bo'linishini istisno qilish uchun ¿x^-fold cross-validation usuli qo'llanildi [21].
1-jadval
Boshlang'ich ma'lumotlarni o'quv va
Tashxis O'quv Nazorat
tanlanmasi tanlanmasi hajmi
hajmi
D- 100 50
D? 100 50
Jami 200 100
Ko'rib chiqilayotgan masala bo'yicha qaror qabul qilish quyidagi formula bo'yicha qabul qilindi (Yu.I. Juravlev modelidagi qaror qabul qilish qoidasi formulasiga o'xshashlik bo'yicha) [14]: { 1, агар Hx(ß) = 1;
S(£) = {-1,агар H?(ß) = 1; [ 0, акс х,олда;
HiCß) = (B(Dj,Q) > с2) Л (в(Щ,0) < c1); Н2СО = (B(CDpQ) > С2)Л(В(Ц,&) < с-);
Bu yerda В (Dp О), В (CDp S) - ruxsat etilgan £ tasvirning mos ravishda Dj va CDj to'plamlariga tegishlilik bahosi. Ushbu baholar tashhis qo'yish algoritmining dastlabki o'nbir bosqichda ko'rsatilganidek hisoblanadi.
Agar R(Q) = 1 bo'lsa, obyekt Dj qism to'plamiga tegishli, agar R(Q) = —1 bo'lsa, obyekt CDj qism to'plamiga tegishli. R(Q) = 0 holatida Q tasvirning qism to'plamlaridan hech biriga tegishliligini aniqlash mumkin emas.
Ushbu tashxis qo'yish masalasi: 1) potensiallar prinsipiga asoslangan klassik tanib olish algoritmi yordamida hal qilindi [18]; 2) taklif etilayotgan algoritm. Potensiallar prinsipiga asoslangan algoritmdan foydalangan holda ko'rib chiqilayotgan masalani hal qilish uchun o'tkazilgan eksperimental tadqiqotlarning natijalari 2-jadvalda keltirilgan.
2-jadval
Potensiallar prinsipiga asoslangan klassik algoritm yordamida tashxis qo'yish masalasini yechish natijalari
57
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 | Son: 4 | 2023-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2023 год
Tashxis To'g'i Noto'g'ri Tashxisdan Tashxis
tashxislar tashxislar bosh aniqligi
soni soni tortish
Dv 34 12 4 68%
D2 36 11 3 72%
Taklif etilgan algoritmdan foydalangan holda ko'rib chiqilayotgan masalani hal qilish uchun o'tkazilgan eksperimental tadqiqotlarning natijalari 3-jadvalda keltirilgan.
3-jadval
Taklif etilgan algoritm yordamida tashxis qo'yish masalasini hal qilish natijalari__
Tashxis To'g'i Noto 'g ' ri Tashxisdan Tashxis
tashxislar tashxislar bosh aniqligi
soni soni tortish
Dv 45 4 1 90%
D2 42 6 2 84%
2-jadvalga ko'ra, klassik algoritmdan foydalanganda, o'rganilgan 100 tadan 70 ta bug'doy barglarining fitosanitar holati to'g'ri tan olingan, bu 70% ni tashkil qiladi. Taklif etilgan algoritmdan foydalanganda 100 ta obektdan (barglarning tasviri) 87 tasi to'g'ri tan olingan, bu 87% ni tashkil qiladi (3-jadval).
Olingan natijalarni taqqoslash shuni ko'rsatadiki, taqdim etilgan algoritmning tashxis qo'yish aniqligi boshqa ikkinchi algoritmga nisbatan yuqori. Ushbu algoritmni tashxis qo'yish aniqligi yuqori ekanligi quyidagilar bilan izohlanadi:
1) tashxis qo'yish algoritmlarining taqdim etilgan modeli bug'doy bargi tasvirlarining tashxisiy belgilarini xarakterli xususiyatlarini hisobga olganligi;
2) tashxis qo'yish natijalarini yaxshilash uchun bir qator qo'shimcha protseduralarni bajarishi.
Yana shuni ta'kidlash lozimki, ko'rib chiqilayotgan tashxis qo'yishni afzal tashxisiy belgilariga ko'ra amalga oshiriladi.
Xulosa. Qishloq xo'jaligi ekinlarining fitosanitar holatini tashxis qo'yish va ularni himoya qilish bo'yicha qarorlar qabul qilinishini axborot bilan ta'minlash asosida hosilni boshqarish hozirgi kunning asosiy muommolaridan biri hisoblanadi. Shunga qaramay, madaniy o'simliklarni kasalliklariga tashxis qo'yishni avtomatlashtirilgan tizimlarini ishlab chiqish va ulardan foydalanish masalalari yetarlicha to'liq taqiq etilmagan.
Madaniy o'simliklarning barg tasvirlari bo'yicha ularni fitosanitar holatiga tashxis qo'yish algoritmlari modeli ishlab chiqilgan. Taklif etilayotgan
modelining asosiy g'oyasi tashxisiy belgilar o'zaro taqqoslash asosida qishloq xo'jaligi ekinlarini fitosanitar holatini tanib olishdan iborat. Bunda tashxisiy belgilarni shakllantirish berilgan tasvirning har bir qismi (fragmenti) uchun turli xil statistik xususiyatlarni hisoblashga asoslanadi.
Amaliy masalani yechish jarayonida quyidagilar namayon bo'ldi: 1) ishlab chiqilgan tashxis qo'yish modelni tasvir ko'rinishida taqdim etilgan obektlarni tasniflash masalalarini yechishga qaratilgan turli xil dasturiy majmualarni ishlab chiqishga tadbiq qilish mumkinligi; 2) "o'zaro bog'liq bo'lmagan" belgilarning qism to'plamlarini shakllantirish bosqichi (ya'ni barg tasviridan ajratiladigan qism to'plamlar sonini aniqlash), reprezentativ tashxisiy belgilar fazosida bo'sag'aviy funksiyalarni qurish masalalari muhim ekanligi aniqlandi. Bu esa aniqlangan yo'nalishlarni hisobga olgan holda tadqiqotlarni davom ettirish zarurligi.
Adabiyotlar
1. Jacobs M. (Ed) Information and Communications Technologies in Agriculture. States Academic Press, 2022. - 239 p.
2. Che F.N., Strang K.D., Vajjhala N.R. Opportunities and Strategic Use of Agribusiness Information Systems. IGI Global, 2021. - 333 p.
3. Fouda Hazem Shawky. Information Technology in Agriculture. Delve Publishing, 2020. — 270 p.
4. Noh Hyun-Ho, Han Xiongzhe. (2022). Plant Disease Diagnosis Using Deep Learning Based on Aerial Hyperspectral Images: A Review. Remote Sensing. 14. 6031. 10.3390/rs14236031.
5. Adedoja A.O., Owolawi P.A., Mapayi T., Tu C. (2022) Intelligent Mobile Plant Disease Diagnostic System Using NASNet-Mobile Deep Learning. IAENG International Journal of Computer Science. Vol. 49, No 1. Pp. 216-231
6. Tembhurne, J.V., Gajbhiye, S.M., Gannarpwar, V.R. et al. Plant disease detection using deep learning based Mobile application. Multimed Tools Appl 82, 27365-27390 (2023). https://doi.org/10.1007/s11042-023-14541-8
7. Anami B.S., Pujari J.D., Yakkundimath R. Identification and classification of normal and affected agriculture/horticulture produce based on combined color and texture feature extraction // International Journal of Computer Applications in Engineering Sciences - 2011. - Vol. 1, № 3. - P. 356- 360.
58
Muhammad al-Xorazmiy nomidagi TATU Farg'ona filiali "Al-Farg'oniy avlodlari" elektron ilmiy jurnali ISSN 2181-4252 Tom: 1 I Son: 4 I 2G23-yil
"Descendants of Al-Farghani" electronic scientific journal of Fergana branch of TATU named after Muhammad al-Khorazmi. ISSN 2181-4252 Vol: 1 | Iss: 4 | 2023 year
Электронный научный журнал "Потомки Аль-Фаргани" Ферганского филиала ТАТУ имени Мухаммада аль-Хоразми ISSN 2181-4252 Том: 1 | Выпуск: 4 | 2023 год
8. El-Helly M., Rafea A., El-Gammal S. An Integrated Image Processing System for Leaf Disease Detection and Diagnosis // In Proceedings of the 1st Indian International Conference on Artificial Intelligence (December 18-20, 2003). - Hyderabad, India, 2003. - P. 1182-1195. 40
9. Cheshkova A.F. A review of hyperspectral image analysis techniques for plant disease detection and identif ication // Vavilov Journal of Genetics and Breeding. Novosibirsk, 2022. Vol. 26. No. 2. P. 202213. D0I:10.18699/VJGB-22-25
10. Тутыгин В.С., Аль-Винди Басим Х.М.А. Способ распознавания болезней растений по текстурным признакам с использованием нечёткой логики // Инженерный вестник Дона. Ростов-на-Дону, 2019. № 3. - URL: http://ivdon.ru/ru/m agazine/archive/n3y2019/5846 (дата обращения: 22.05.2021).
11. Мирзаев Н.М. Модель выделения признаков в задаче диагностики фитосостояния растений по изображениям листьев // Вестник Рязанского государственного радиотехнического университета. - Рязань, 2012. - № 3. - С.17-21.
12. Mirzaev N, Saliev E. Feature extraction model in systems of diagnostics of plant diseases by the leaf images. Instrumental Engineering, Electronics and Telecommunications - 2017. Proceedings of the International forum (November 22-24, 2017, Izhevsk, Russia). - Izhevsk: Publishing House of Kalashnikov ISTU, 2018. - Pp. 20-27.
13. Mirzaeva G.R. Models of Recognition Algorithms Based on Construction of Two-Dimensional Logical Classifiers // Networked Control Systems for Connected and Automated Vehicles 2022, Volume 2. Springer, 2022. Pp. 1199-1209. D0I:10.1007/978-3-031-11051-1_122.
14. Журавлев Ю.И. Избранные научные труды. - М.: Магистр, 1998. - 420 с.
15. Mirzaev N. M. About one model of image recognition // Computer Technology and Applications: Proceedings of The First Russia and Pacific Conference. - Vladivostok, 2010. - P. 394-398. -URL: ftp://ftp.dvo.ru/pub/RPC 2010/rpc2010 docs/
16. Burger W., Burge M.J. Digital Image Processing. An Algorithmic Introduction. Springer, 2022. - 936 p.
17. Gonzalez R.C., Woods R.E. Digital Image Processing. New York: Pearson, 2018. - 1306 p.
18. Ту, Дж., Гонсалес, Р. Принципы распознавания образов. Пер. с англ. И.Б. Гуревича; под ред. Ю.И. Журавлева. - М.: Мир, 1978. - 410 с.
19. О.Н.Мирзаев, Ф.Ф.Мелиев, Г.Р.Мирзаева, О.А.Тиллаволдиев «Экстремал таниб олиш алгоритмларини куришда репрезентатив белгиларни аниклаш» // Узбекский журнал «Проблемы информатики и энергетики». -Ташкент, 2022. - № 6. - С.80-90 (ВАК)
20 Ш.Х.Фазылов, С.С.Раджабов, Г.Р.Мирзаева, Х.Ш.Рашидов «Модель
распознающих операторов, основанных на оценке взаимосвязанности признаков»// Узбекский журнал «Проблемы информатики и энергетики». -Ташкент, 2022. - № 6. - С.22-31
21. Braga-Neto U.M., Dougherty E.R. Error Estimation for Pattern Recognition. - New York: Springer, 2016. - 312 p.
59
