Задачи, поставленные в рамках данной работы:

·         изучение литературы и анализ имеющихся приложений в области распознавания объектов живой природы;

·         выбор технологии и инструментария для будущего приложения;

·         выбор архитектуры нейронной сети и обучение для распознавания и классификации грибов на основе технологии компьютерного зрения, а также выбор наилучшей модели для дальнейшего включения в приложение;

·         подготовка данных и разметка для дальнейшего обучения;

·         разработка приложения с внедренной обученной моделью нейронной сети по распознаванию опасных видов грибов;

·         проведение тестирования разработанного приложения.

Функциональные возможности:

1. Для разработки мобильного приложения, предназначенного для идентификации видов грибов, выбрана операционная система Android. Разработка осуществляется в среде Android Studio.

2. Для проектирования интерфейса выбрана платформа Figma.

3. Подготовка данных для модели компьютерного зрения осуществляется с помощью CVAT. Аугментация данных выполняется в Roboflow.

4. Обучение модели нейронной сети реализуется с использованием библиотеки Ultralytics.

В перспективе предстоит провести следующие работы:

1.               Реализовать геолокации грибов.

2.               Разработать базу кулинарных рецептов.

На данном этапе имеются следующие результаты:

1.               Проведена подготовка данных для обучения модели.

2.               Проведена тонкая настройка с переносом обучения на основе YOLO 11.

3.               Разработан пользовательский интерфейс сервиса.

4.               Разработано Android-приложение.

Проводится тестирование с сопутствующей доработкой приложения.

Актуальность работы обусловлена необходимостью создания мобильных приложений, не требующих много ресурсов и имеющих узконаправленные решения, в основе разработки которых лежат предобученные модели с использованием искусственного интеллекта и компьютерного зрения.

1. Для разработки мобильного приложения, предназначенного для идентификации видов грибов, выбрана операционная система Android, обеспечивающая широкий охват аудитории, превышающий 70% рынка. Разработка осуществляется в среде Android Studio, которая предоставляет прямой доступ к системным возможностям, таким как камера, GPS, сенсоры и уведомления, а также поддержку различных версий операционной системы для создания стабильного решения.

2. Для проектирования интерфейса выбрана платформа Figma, обладающая зрелой и стабильной средой для работы с ресурсоемкими проектами, развитой экосистемой плагинов и интеграций, а также расширенными возможностями для создания сложных интерактивных прототипов.

3. Подготовка данных для модели компьютерного зрения осуществляется с помощью CVAT, главным преимуществом которого является бесплатное использование. Аугментация данных выполняется в Roboflow,предоставляющей возможности визуализации данных и тестирования на различных моделях нейросетей.

4. Обучение модели нейронной сети реализуется с использованием библиотеки Ultralytics, предоставляющей высокоуровневый API для эффективного переносного обучения и тонкой настройки, что позволяет адаптировать модель к новым классам объектов при ограниченных данных.

   
   

В ходе исследования был проведен анализ существующих популярных приложений сегмента распознавания грибов.

Данные приложения обладают схожим функционалом, основанным на распознавании грибов с использованием камеры смартфона. Их преимущества включают высокую скорость обработки изображений и интуитивно понятный интерфейс. Однако они имеют недостатки, к которым относится: зависимость точности предсказаний от качества фото, необходимость в стабильном интернет-соединении и ориентированность выборки на видах грибов США и Западной Европы, игнорирующей российские грибы.