Mobile Application for the Automated Diagnosis of Diseases of Agricultural Crops and the Selection of Recommendations for Their Treatment

Cover Page

Cite item

Full Text

Abstract

The aim of the study was a mobile development based on computer vision technologies and site parsing, which allows automating the process of diagnosing diseases of agricultural crops and issuing recommendations for treatment. The article discusses methods for recognizing plant diseases using computer vision, describes the principles of convolutional neural networks, selects the most appropriate machine learning model based on the accuracy, speed and efficiency of the model in conditions of limited resources of a mobile device, describes the tools: libraries and frameworks used for development. The detailed architecture of the application is presented, as well as the results of the developed software are demonstrated. A new contribution to the development of this topic is the experimental substantiation of the choice of a neural network model based on the analysis of its effectiveness on a prepared dataset, as well as the introduction of an automatic search for recommendations for a certain disease of agriculture. In the future, it is planned to introduce a voice assistant into this mobile application.

About the authors

Julia V. Torkunova

Kazan State Power Engineering University; Sochi State University

Author for correspondence.
Email: torkynova@mail.ru
ORCID iD: 0000-0001-7642-6663
SPIN-code: 7422-4238

Professor of the Department of Information Technologies and Intelligent Systems, Doctor of Pedagogical Sciences

Russian Federation, 51, Krasnoselskaya Str., Kazan, Republic of Tatarstan, 420066, Russian Federa-tion; 94, Plastunskaya Str., Sochi, Krasnodar region, 354000, Russian Federation

Dmitrij Je. Ivanov

Kazan State Power Engineering University

Email: alwayswannafly070400@mail.ru

Magister

Russian Federation, 51, Krasnoselskaya Str., Kazan, Republic of Tatarstan, 420066, Russian Federation

References

  1. Avetisjan T.V., L'vovich Ja.E., Preobrazhenskij A.P. Razrabotka podsistemy raspoznanija signalov slozhnoj formy [Development of a subsystem for rec-ognizing complex-shaped signals]. International Journal of Advanced Studies, 2023, vol. 13, no. 1, pp. 102-114. https://doi.org/10.12731/2227-930X-2023-13-1-102-114
  2. The doctrine of food security. URL://www.scrf.gov.ru/security/economic/document108/ (accessed February 01, 2024)
  3. Documentation Koin. URL://insert-koin.io/ (accessed February 01, 2024).
  4. Osovskij S. Nejronnye seti dlja obrabotki informacii [Neural networks for in-formation processing]. M., 2019, 448 p.
  5. Jupyter Notebook. URL://jupyter.org/ (accessed February 21, 2024)
  6. Proektirovanie informacionnyh sistem: uchebnik i praktikum dlja vuzov [Infor-mation Systems design: textbook and workshop for universities] / D.V.Chistov, P.P.Mel'nikov, A.V.Zolotarjuk, N.B. Nicheporuk; ed. D.V.Chistov. Moscow: Jurajt Publ., 2024, 293 p.
  7. Skin Dzh., Grinhol D. Kotlin. Programmirovanie dlja professionalov [Kotlin. Programming for professionals]. SPb.: Piter, 2023, 464 p.
  8. Torkunova Ju.V., Korosteleva D.M., Krivonogova A.E. Formirovanie cifrovyh navykov v jelektronnoj informacionno-obrazovatel'noj srede s ispol'zovaniem nejrosetevyh tehnologij [Formation of digital skills in an elec-tronic information and educational environment using neural network tech-nologies]. Sovremennoe pedagogicheskoe obrazovanie, 2020, no. 5, pp.107-110.
  9. Torkunova Ju.V., Milovanov D.V. Optimizacija nejronnyh setej: metody i ih sravnenie na primere intellektual'nogo analiza teksta [Optimization of neural networks: methods and their comparison on the example of text mining]. In-ternational Journal of Advanced Studies, 2023, vol. 13, no. 4, pp. 142-158. https://doi.org/10.12731/2227-930X2023-13-4-142-158
  10. Castillo J. Jetpack Compose internals. Leanpub, 2021, 121 p.
  11. Moskała M. Kotlin Coroutines: Deep Dive (Kotlin for Developers). 2022.
  12. Nguyen C., Sagan V., Maimaitiyiming M., Maimaitijiang M., Bhadra S., Kwasniewski M.T. Early detection of plant viral disease using hyperspectral imaging and deep learning. Sensors, 2021, vol. 21, no. 3, 742 p.
  13. Pyataeva A., Merko M., Zhukovskaya V., Pinchuk I., Eliseeva M. Raspoz-navanie rukopisnoj podpisi s primeneniem nejronnyh setej [Handwritten sig-nature recognition using neural networks]. International Journal of Advanced Studies, 2023, vol. 13, no. 3, pp. 130-148. https://doi.org/10.12731/2227-930X-2023-13-3-130-148
  14. TensorFlow Overview URL: //www.tensorflow.org/overview. (accessed Feb-ruary 3, 2024)
  15. What is a Swimlane Diagram. URL: https://www.lucidchart.com/pages/tutorial/swimlane-diagram (accessed Feb-ruary 3, 2024)

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2024 Torkunova J.V., Ivanov D.J.

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».