В настоящее время вычислительный анализ изображений пшеницы с целью идентификации сортов пшеницы и оценкой ее качества находит много применений в сельском хозяйстве и на производстве. В данной работе предложен и реализован подход к анализу и классификации изображений образцов пшеницы, полученных методом кристаллизации с добавлениями. Исходные данные представляют набор изображений из 5 различных классов, 12 изображений для каждого класса, которые представляют результаты экспериментов для 3 вариантов концентраций и 4 временных интервалов для каждой концентрации. Все изображения имеют довольно близкие визуальные характеристики, что не позволяет успешно использовать такие известные методы, как статистики второго порядка. В качестве признакового описания изображений использовался мультифрактальный спектр, полученный методом вычисления так называемой локальной функции плотности. Классификация проводилась с помощью различных методов машинного обучения, таких как линейная регрессия, наивный байесовский классификатор, машина опорных векторов и случайный лес. В некоторых случаях для сокращения размерности признаковых характеристик использовался метод главных компонент. Результаты классификации показали, что использование мультифрактального спектра в качестве классификационного признака и метода случайного леса в комбинации с методом главных компонент позволяет идентифицировать изображения, полученные методом чувствительной кристаллизации, с наибольшей средней точностью классификации в 74 %. С. 5-20.

The computational analysis of wheat images to identify wheat varieties and quality has wide applications in agriculture and production. This paper presents an approach to the analysis and classification of images of wheat samples obtained by the method of crystallization with additives. In tests 3 concentration and 4 times for each concentration were used, such that each type of wheat was characterized by 12 images. We used the images obtained for 5 classes. All the images have similar visual characteristics, that makes it difficult to use statistical methods of analysis. The multifractal spectrum obtained by calculating the local density function was used as a classifying feature. The classification was performed on a set of 60 wheat images corresponding to 5 different samples (classes) by various machine learning methods such as linear regression, naive Bayesian classifier, support vector machine, and random forest. In some cases, to reduce the dimension of the feature space the method of principal components was applied. To identify the relationships between wheat samples obtained at different concentrations, 3 different clustering methods were used. The classification results showed that the multifractal spectrum as classifying sign and using the random forest method in combination with the principal component analysis allow identifying wheat samples obtained by crystallization with additives, being the highest average classification accuracy is 74 %.