АНАЛИЗ ЭФФЕКТИВНОСТИ ТРАНСФОРМЕРОВ И СВЕРТОЧНЫХ НЕЙРОСЕТЕЙ ДЛЯ КЛАССИФИКАЦИИ ЗАБОЛЕВАНИЙ РИСА

В данной статье представлен сравнительный анализ современных архитектур нейросетей, сверточных нейронных сетей (CNN) и трансформеров для автоматической диагностики заболеваний листьев риса. В рамках экспериментов были обучены и протестированы модели DenseNet121, ResNet, Vision Transformer (ViT) и MaxViT, после чего проведена их оценка по точности и вычислительной эффективности. Исследование выполнено на основе крупномасштабного датасета, включающего реальные изображения больных и здоровых листьев риса, что делает результаты актуальными для сельскохозяйственной науки и практики. Эксперименты включали оптимизацию гиперпараметров, применение методов аугментации данных, а также использование функций потерь и методов регуляризации с целью повышения обобщающей способности моделей. Для оценки качества использовались метрики точности классификации, F1-мера, а также показатели вычислительной эффективности, такие как время предсказания и объем потребляемых ресурсов. Полученные результаты показали, что модели на основе трансформеров, в частности MaxViT, достигают точности до 94,10%. Это связано с их способностью эффективно моделировать как локальные, так и глобальные признаки изображений за счет механизмов внимания и глубокой контекстуализации. В то же время CNN-архитектуры, такие как DenseNet121 и ResNet, демонстрируют высокую скорость работы и устойчивость в условиях ограниченных вычислительных ресурсов.

1. Ahad, M.T., Li, Y., Song, B., Bhuiyan, T. Comparison of CNN-based deep learning architectures for rice diseases classification. Artificial Intelligence in Agriculture, 9, 22–35 (2023). https://doi.org/10.1016/j.aiia.2023.07.001.

2. Sethy, P.K., Barpanda, N.K., Rath, A.K., Behera, S.K. Deep feature based rice leaf disease identification using support vector machine. Computers and Electronics in Agriculture, 175, 105527 (2020). https://doi.org/10.1016/j.compag.2020.105527.

3. Simhadri, C.G., Kondaveeti, H.K., Vatsavayi, V.K., Mitra, A., Ananthachari, P. Deep learning for rice leaf disease detection: A systematic literature review on emerging trends, methodologies and techniques. Information Processing in Agriculture (2024, May). https://doi.org/10.1016/j.inpa.2024.04.006.

4. Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T. et al. An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint (2020). URL: https://arxiv.org/abs/2010.11929.

5. Haque, M.A., Pastor-Escuredo, D., Brigui, I., Kesswani, N., Bordoloi, S., Ray, A. K. Rice disease identification using Vision Transformer (ViT) based network. The Future of Artificial Intelligence and Robotics (Cham: Springer, 2024), pp. 732–741. https://doi.org/10.1007/978-3-031-60935-0_63.

6. Mhaned, A., Salma, M., El Haji, M., Jamal, B. Plant disease detection using vision transformers. International Journal of Electrical and Computer Engineering, 15 (2), 2334–2344 (2025). https://doi.org/10.11591/ijece.v15i2.

7. Zhang, H. Attention-based feature enhancement for rice leaf disease recognition. Proc. 2nd Int. Conf. Artificial Intelligence and Automation in High-Performance Computing (AIAHPC 2022), pp. 41–49. https://doi.org/10.1117/12.2641832.

8. Tharani, P., Baranidharan, B. A hybrid ViT-CNN model premeditated for rice leaf disease identification. International Journal of Computational Methods and Experimental Measurements, 12 (1), 35–43 (2024). https://doi.org/10.18280/ijcmem.120104.

9. Mustofa, S., Munna, M., Emon, Y., Rabbany, G., Ahad, M. A comprehensive review on plant leaf disease detection using deep learning // arXiv preprint (2023). URL: https://arxiv.org/abs/2308.14087.

10. Li, Z., Liu, F., Yang, W., Peng, S., Zhou, J. A survey of convolutional neural networks: Analysis, applications, and prospects. IEEE Transactions on Neural Networks and Learning Systems (2021), pp. 1–21. https://doi.org/10.1109/TNNLS.2021.3084827.

11. Tu, Z., Talebi, H., Zhang, H., Yang, F., Milanfar, P., Bovik, A., Li, Y. MaxViT: Multi-axis vision transformer. arXiv preprint (2022). URL: https://arxiv.org/abs/2204.01697.

12. Ahad, Md & Li, Yan & Song, Bo & Bhuiyan, Touhid. Comparison of CNN-based deep learning architectures for rice diseases classification. Artificial Intelligence in Agriculture, 9, 22–35 (2023). https://doi.org/ 10.1016/j.aiia.2023.07.001.