moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2025.49.2.042 1938 Применение моделей машинного обучения семейства YOLO для задачи анализа чайного сырья по фотографии Application of YOLO family machine learning models for the task of analyzing tea raw materials by photograph Попов Владислав Алексевич Popov Vladislav Alekseevich 79064090334@yandex.ru aff-1 0000-0003-0425-5695 Зубков Александр Владимирович Zubkov Alexander Vladimirovich zubkov.alexander.v@gmail.com aff-2 Волгоградский государственный технический университет Volgograd State Technical University, Volgograd, the Russian Federation Волгоградский государственный технический университет Волгоградский государственный медицинский университет Volgograd State Technical University Volgograd State Medical University 01 01 2026 1 1 10.26102/2310-6018/2025.49.2.042 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В статье проведен концепт решения анализа чайного сырья по фотографии с использованием моделей семейства YOLO, а также их сравнительный анализ различных версий двух моделей YOLOv8: Nano и Small. В статье выделены метрики для сравнительного анализа. Было проведено экспериментальное сравнение характеристик обеих моделей на реальных примерах чайного сырья. Для целей исследования был собран тренировочный набор данных, который содержал в себе изображения сырья чая следующих классов ферментации: зеленый чай, красный чай, белый чай, желтый чай, улун, шу пуэр, шен пуэр. Для увеличения количества тренировочных образцов были применены методы аугментации, такие как поворот изображения, усиление резкости, искажение перспективы и размытие. Из результатов эксперимента следует, что выбор между двумя представленными моделями обусловливается решаемой задачей и количеством вычислительных ресурсов. YOLOv8s (Small) превосходит YOLOv8n (Nano) в точности, но YOLOv8n расходует меньше времени для предоставления результатов и может использоваться в условиях ограниченного количества вычислительных ресурсов, что делает ее особенно предпочтительной при обработке больших объемов данных.

This article presents a concept for analyzing tea raw materials using the YOLO family of models, as well as comparative analysis of two versions of YOLOv8: Nano and Small. The study highlights metrics used to compare these models' performance. An experimental comparison was conducted on real examples of tea raw material images. For this purpose, a training dataset was collected containing images of tea samples classified by fermentation type: green tea, red tea, white tea, yellow tea, oolong, shou puerh, and sheng puerh. To increase the number of training samples, augmentation methods were applied such as image rotation, sharpening, perspective distortion, and blurring. Based on the experiment results, it is concluded that choosing between the two presented models depends on the task at hand and available computational resources. YOLOv8s (Small) outperforms YOLOv8n (Nano) in terms of accuracy but consumes more time to provide results. On the other hand, YOLOv8n processes data faster and can be effectively utilized under limited computing power conditions, making it particularly suitable for handling large volumes of data.

 анализ изображений машинное обучение компьютерное зрение чайное сырье сверточные нейронные сети image analysis machine learning computer vision tea raw material convolutional neural networks Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Preedy V.R. Tea in Health and Disease Prevention. Academic Press; 2012. 1612 p. Zhen Yo.-S. Tea: Bioactivity and Therapeutic Potential. London: CRC Press; 2002. 280 p. https://doi.org/10.1201/b12659 Ning J., Sun J., Li Sh., Sheng M., Zhang Zh. Classification of Five Chinese Tea Categories with Different Fermentation Degrees Using Visible and Near-Infrared Hyperspectral Imaging. International Journal of Food Properties. 2017;20(2):1515–1522. https://doi.org/10.1080/10942912.2016.1233115 Bakhshipour A., Zareiforoush H., Bagheri I. Application of Decision Trees and Fuzzy Inference System for Quality Classification and Modeling of Black and Green Tea Based on Visual Features. Journal of Food Measurement and Characterization. 2020;14(3):1402–1416. https://doi.org/10.1007/s11694-020-00390-8 Mukhopadhyay S., Paul M., Pal R., De D. Tea Leaf Disease Detection Using Multi-Objective Image Segmentation. Multimedia Tools and Applications. 2021;80(1):753–771. https://doi.org/10.1007/s11042-020-09567-1 Chen Yi. Identification of Tea Leaf Based on Histogram Equalization, Gray-Level Co-Occurrence Matrix and Support Vector Machine Algorithm. In: Multimedia Technology and Enhanced Learning: Second EAI International Conference, ICMTEL 2020: Proceedings: Part I, 10–11 April 2020, Leicester, UK. Cham: Springer; 2020. P. 3–16. https://doi.org/10.1007/978-3-030-51100-5_1 Takahashi K., Sugimoto I. Remarks on Tea Leaves Aroma Recognition Using Deep Neural Network. In: Engineering Applications of Neural Networks: 18th International Conference, EANN 2017: Proceedings, 25–27 August 2017, Athens, Greece. Cham: Springer; 2017. P. 160–167. https://doi.org/10.1007/978-3-319-65172-9_14 Lakshmanan V., Görner M., Gillard R. Practical Machine Learning for Computer Vision. Sebastopol: O’Reilly Media, Inc.; 2021. 482 p. Burns D.A., Ciurczak E.W. Handbook of Near-Infrared Analysis. Boca Raton: CRC Press; 2007. 834 p. https://doi.org/10.1201/9781420007374 Shanmugamani R. Deep Learning for Computer Vision: Expert Techniques to Train Advanced Neural Networks Using TensorFlow and Keras. Packt Publishing Ltd; 2018. 310 p. Терещук М.В., Зубков А.В., Орлова Ю.А., Молчанов Д.Р., Литвиненко В.А., Черкашин Д.Р. Классификация движений антропоморфного объекта на видеоизображении с использованием методов машинного обучения. Вестник Дагестанского государственного технического университета. Технические науки. 2024;51(2):154–163. https://doi.org/10.21822/2073-6185-2024-51-2-154-163 Ульев А.Д., Донская А.Р., Зубков А.В. Автоматизированное распознавание и контроль взаимодействия людей по видеоизображению. Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023;13(2):45–64. https://doi.org/10.21869/2223-1536-2023-13-2-45-64 Никитин Д.В., Тараненко И.С., Катаев А.В. Детектирование дорожных знаков на основе нейросетевой модели YOLO. Инженерный вестник Дона. 2023;(7). URL: http://www.ivdon.ru/ru/magazine/archive/n7y2023/8531 Orlova Yu., Gorobtsov A., Sychev O., Rozaliev V., Zubkov A., Donsckaia A. Method for Determining the Dominant Type of Human Breathing Using Motion Capture and Machine Learning. Algorithms. 2023;16(5). https://doi.org/10.3390/a16050249 Майорова Е.С., Зарипова Р.С. Разработка алгоритма переноса стиля изображения с использованием предобученной нейросети. Инженерный вестник Дона. 2024;(2). URL: http://www.ivdon.ru/ru/magazine/archive/n2y2024/8997

The authors declare that there are no conflicts of interest present.