Развитие технологий, а также пользовательский опыт в неумолимо расширяющейся сфере мобильных устройств стимулирует расширение областей применения наукоемких компьютерных технологий на мобильных устройствах, включая решение задач повышения урожайности растительных культур. Одной из компонент такого блока задач является своевременное распознавание их заболеваний на основе фотографий поверхностей листьев. Данная работа посвящена разработке и применению сжатых моделей машинного обучения для классификации признаков на разнородных массивах данных. В предложенном подходе применяется комбинация наиболее приспособленных к работе на мобильных устройствах методов машинного обучения для распознавания признаков на поверхностях объектов по фотографиям соответствующих поверхностей. Обучение производится для наиболее подходящей для таких устройств архитектуры MobileNetV2. В ходе исследования были проведены эксперименты, подтверждающие эффективность подхода на массиве данных растительных культур (цветов). Точность классификации на малых выборках составила 90%, а на массивах данных стандартных размеров достигла 96,3%. Также, благодаря квантизации обученных нейронных сетей, удалось достичь увеличения быстродействия и уменьшения размера мобильного приложения почти в два раза по сравнению с неквантизированной моделью с допустимыми потерями качества классификации.

The development of technologies, as well as user experience in the inexorably expanding field of mobile devices, stimulates the expansion of applications of high-tech computer technologies on mobile devices, including solving problems of increasing crop yields. One of the components of such a block of tasks is the timely recognition of their diseases based on photographs of leaf surfaces. This work is devoted to the development and application of compressed machine learning models for the classification of features on heterogeneous data arrays. The proposed approach uses a combination of the most adapted machine learning methods to work on mobile devices to recognize features on the surfaces of objects from photographs of the corresponding surfaces. Training is performed for the MobileNetV2 architecture that is most suitable for such devices. In the course of the study, experiments were carried out confirming the effectiveness of the approach on a data array of plant crops (flowers). Classification accuracy on small samples was 90%, and on data arrays of standard sizes reached 96.3%. Also, thanks to the quantization of trained neural networks, it was possible to achieve an increase in performance and a reduction in the size of the mobile application by about two times compared to an unquantized model with acceptable loss of classification quality.