Інтелектуальна мультимодальна веб-система для автоматизованої ідентифікації та класифікації грибів
Автор: Анастасин Ігор Андрійович
Кваліфікаційний рівень: магістр
Спеціальність: Інформаційні технології проектування
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2025-2026 н.р.
Мова захисту: українська
Анотація: Анастасин І.А., (керівник) Артищук І.В. «Інтелектуальна мультимодальна веб-система для автоматизованої ідентифікації та класифікації грибів» Магістерська кваліфікаційна робота. – Національний університет «Львівська політехніка», Львів, 2025. Розширена анотація Актуальність роботи. Сучасні досягнення у сфері комп’ютерного зору та штучного інтелекту відкривають нові можливості для автоматизованої ідентифікації об’єктів природного середовища, зокрема грибів. Ідентифікація грибів за зображенням є складним завданням навіть для досвідчених мікологів, адже різні види мають схожі морфологічні ознаки. Водночас зростає кількість випадків отруєнь, що обумовлює потребу у створенні надійних цифрових інструментів для розпізнавання їстівних та отруйних видів. Розроблення мобільного застосунку з вбудованою нейронною мережею для класифікації грибів є актуальним напрямом, який поєднує штучний інтелект, мультимодальну обробку даних та цифрову освіту в галузі біології. Метою дипломної роботи є створення інтелектуальної системи для автоматичної ідентифікації грибів за зображенням, що поєднує методи глибинного навчання, оптимізовані нейронні моделі та мобільні технології, забезпечуючи точну, швидку й безпечну класифікацію у польових умовах. Об’єктом дослідження є процес розпізнавання та класифікації зображень грибів із використанням моделей глибинного навчання. Предметом дослідження виступають методи комп’ютерного зору, архітектури нейронних мереж і принципи інтеграції моделей TensorFlow Lite у мобільне середовище Android. Структура та зміст роботи У першому розділі подано аналіз об’єкта дослідження – грибів як біологічних організмів, їх морфологічних ознак, класифікаційних особливостей і видової різноманітності. Розглянуто існуючі методи комп’ютерного зору, підходи до автоматичної ідентифікації видів, а також наявні програмні рішення, такі як iNaturalist, Mushroom Observer, PlantNet тощо. Здійснено порівняльний аналіз, який показав, що більшість таких систем не забезпечують офлайн-роботи та мають обмежену точність. У другому розділі виконано системний аналіз, сформульовано вимоги до функціональності, точності та зручності майбутнього застосунку. Розроблено структуру бази даних, що містить відомості про види, токсини, користувачів і результати класифікації. Запропоновано архітектуру трирівневої системи, що включає модуль даних, модуль штучного інтелекту та користувацький інтерфейс. У третьому розділі реалізовано мобільний застосунок, який забезпечує захоплення фото, обробку зображення та інференс безпосередньо на пристрої користувача. Модель на базі TensorFlow MobileNetV3-Large навчено на відкритих наборах даних (Kaggle, iNaturalist, FGVCx Fungi), оптимізовано методом FP16 quantization і конвертовано у формат TensorFlow Lite. Інтерфейс, створений у Figma з використанням Material Design Components, відзначається зручністю та сучасним стилем. Тестування показало точність класифікації 91% і стабільну роботу в офлайн-режимі. Робота складається зі вступу, трьох розділів, висновків, списку використаних джерел і додатків. У ній наведено 25 рисунків, 10 таблиць, 5 фрагментів коду, а також ілюстрації архітектури, інтерфейсу та графіки навчання моделі. КЛЮЧОВІ СЛОВА: штучний інтелект, глибинне навчання, комп’ютерний зір, TensorFlow Lite, MobileNetV3, Android-застосунок, класифікація грибів, офлайн-ідентифікація, екологічний моніторинг, Fungi.Info. 1. Chollet, F. Deep Learning with Python. Manning Publications, 2021. – 504 p. 2. TensorFlow Lite Documentation. Google Developers. [Електронний ресурс]. URL: https://www.tensorflow.org/lite (дата звернення: 08.04.2025). 3. iNaturalist Platform. [Електронний ресурс]. URL: https://www.inaturalist.org (дата звернення: 08.04.2025). FGVCx Fungi Image Dataset. [Електронний ресурс]. URL: https://www.kaggle.com/competitions/fgvcx-fungi (дата звернення: 08.04.2025).