КҮРІШ ЖАПЫРАҚТАРЫНЫҢ АУРУЛАРЫН АВТОМАТТЫ ЖІКТЕУ ҮШІН ТРАНСФОРМЕР ЖӘНЕ СВЕРТКІШ НЕЙРОЖЕЛІ АРХИТЕКТУРАЛАРЫНЫҢ ӘСЕРЛІЛІГІН САЛЫСТЫРА ТАЛДАУ

Бұл мақалада заманауи нейрондық желі архитектуралары – конволюциялық нейрондық желілер (CNN) және трансформерлер – күріш жапырақтарының ауруларын автоматты түрде диагностикалаудағы салыстырмалы талдауы ұсынылады. Эксперименттер барысында DenseNet121, ResNet, Vision Transformer (ViT) және MaxViT модельдері оқытылып, сыналды, содан кейін олардың дәлдігі мен есептеу тиімділігі тұрғысынан бағаланды. Зерттеу шынайы сау және ауру күріш жапырақтарының бейнелерінен құралған ірі ауқымды деректер жиыны негізінде жүргізілді, бұл нәтижелерді ауыл шаруашылығы ғылымы мен тәжірибесі үшін аса өзекті етеді. Эксперименттер гиперпараметрлерді оңтайландыруды, деректерді аугментациялау әдістерін қолдануды, сондай-ақ модельдердің жалпылау қабілетін арттыру мақсатында шығын функциялары мен регуляризация әдістерін пайдалануды қамтыды. Бағалау метрикаларына классификация дәлдігі, F1-мера, сондай-ақ есептеу тиімділігінің көрсеткіштері – болжам жасау уақыты мен ресурстарды тұтыну кірді. Нәтижелер көрсеткендей, трансформерлер негізіндегі модельдер, әсіресе MaxViT, 94,10%-ға дейін дәлдікке қол жеткізді. Бұл олардың назар механизмдері мен терең контекстуализация арқылы кескіндердің жергілікті және ғаламдық белгілерін тиімді модельдей алу қабілетіне байланысты. Сонымен қатар, DenseNet121 және ResNet сияқты CNN архитектуралары шектеулі есептеу ресурстары жағдайында жоғары жылдамдық пен тұрақтылық көрсетті.

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.