Классификация болезней листьев яблони с использованием набора данных изображений: подход многослойной сверточной нейронной сети
Ключевые слова:
искусственный интеллект, болезнь листьев яблони, обработка изображений, многослойная сверточная нейронная сеть, классификацияАннотация
Сельское хозяйство является одним из основных источников экономического роста в России; мировое производство яблок в 2019 году составило 87 миллионов тонн. Болезни листьев яблони являются основной причиной ежегодного сокращения производства яблок, что приводит к огромным экономическим потерям. Автоматизированные методы выявления болезней листьев яблони позволяют сократить трудоемкую работу по мониторингу яблоневых садов и раннему выявлению симптомов болезни. В этой статье предложена многослойная сверточная нейронная сеть (MCNN), которая способна классифицировать листья яблони по одной из следующих категорий: парша яблони, черная гниль и болезни яблоневой кедровой ржавчины, используя недавно созданный набор данных. В этом методе мы использовали методы аффинного преобразования и перспективного преобразования для увеличения размера набора данных. После этого операции предварительной обработки на основе метода кадрирования и выравнивания гистограммы OpenCV использовались для улучшения предлагаемого набора данных изображения. Экспериментальные результаты показывают, что система достигает точности обучения 98,40% и точности проверки 98,47% для предложенного набора данных изображения с меньшим количеством параметров обучения. Результаты предполагают более высокую точность классификации предложенной модели MCNN по сравнению с другими известными современными подходами. Эта предложенная модель может использоваться для обнаружения и классификации других типов болезней яблони из разных наборов данных изображений.
Литература
1. А.И. Кузин, Н.Я. Каширская, Кочкина А.М., Кушнер А.В. Коррекция нормы калийной фертигации яблони (Malus domestica Borkh.) в средней полосе России в период вегетации // Растения. 9, нет. 10, с. 1366, октябрь 2020 г., doi: 10.3390/plants9101366.
2. Тай А.П.К., Мартин М.В. и Хилд С.Л. Угроза будущей глобальной продовольственной безопасности от изменения климата и загрязнения воздуха озоном // Nature Clim Change. 4, нет. 9, стр. 817–821, сентябрь 2014 г., doi: 10.1038/nclimate2317.
3. Р.Н. Стрэндж и П.Р. Скотт, «Болезни растений: угроза глобальной продовольственной безопасности», Annu. Преподобный Phytopathol., vol. 43, нет. 1. С. 83–116, сентябрь 2005 г., doi: 10.1146/annurev.phyto.43.113004.133839.
4. Аравинд К.Р., Раджа П., Мукеш К.В., Анируд Р., Ашивин Р. и Щепански К., «Классификация болезней кукурузы с использованием набора признаков и многоклассовой машины опорных векторов», 2-я Международная конференция по изобретательским системам, 2018 г. and Control (ICISC), Coimbatore, январь 2018 г., стр. 1191–1196. doi: 10.1109/ICISC.2018.8398993.
5. В.П. Кур и С. Арора, «Машина опорных векторов на основе оптимизации роя частиц (P-SVM) для сегментации и классификации растений», IEEE Access, vol. 7, стр. 29374–29385, 2019, doi: 10.1109/ACCESS.2019.2901900.
6. М. Шейхан, М. Пежманпур, М.С. Мойн, «Улучшенный стегоанализ на основе контурлетов с использованием оптимизации роя бинарных частиц и радиальных нейронных сетей», Neural Comput & Applic, vol. 21, нет. 7, стр. 1717–1728, октябрь 2012 г., doi: 10.1007/s00521-011-0729-9.
7. Н. Геттари, А.С. Капелле-Лэиз и П. Карре, «Слепой стегоанализ изображений на основе доказательных K-ближайших соседей», Международная конференция IEEE по обработке изображений (ICIP), 2016 г., Феникс, Аризона, США, сентябрь 2016 г., стр. 2742–2746. doi: 10.1109/ICIP.2016.7532858.
8. Беди П. и Голе П. Обнаружение болезней растений с использованием гибридной модели на основе сверточных автоэнкодеров и сверточных нейронных сетей // Искусственный интеллект в сельском хозяйстве. 5, стр. 90–101, 2021, doi: 10.1016/j.aiia.2021.05.002.
9. С. Чакраборти, С. Пол и доктор медицинских наук Рахат-уз-Заман, «Прогнозирование болезней листьев яблони с использованием мультиклассовой машины опорных векторов», 2-я Международная конференция по робототехнике, электрическим технологиям и методам обработки сигналов (ICREST), 2021 г. , Бангладеш, январь 2021 г., стр. 147–151. doi: 10.1109/ICREST51555.2021.9331132.
10. Ю. Чжун и М. Чжао, «Исследование глубокого обучения в распознавании болезней листьев яблони», Компьютеры и электроника в сельском хозяйстве, том. 168, с. 105146, январь 2020 г., doi: 10.1016/j.compag.2019.105146.
11. П. Йианг, Ы. Цхен, Б. Лиу, Д. Хе и Ц. Лианг, «Обнаружение болезней листьев яблони в реальном времени с использованием подхода глубокого обучения, основанного на улучшенных сверточных нейронных сетях», IEEE Access, vol. 7, стр. 59069–59080, 2019, doi: 10.1109/ACCESS.2019.2914929.
12. А.М. Хасан, Э. Агбозо, А.А.К. Аль-Саиди, С. Саха, А. Хайдари и М.Н.Ф. Раби, «Обнаружение опухоли головного мозга на изображениях МРТ с использованием методов обработки изображений», в 2021 г. 4-й Международный симпозиум по агентам, многоагентным Системы и робототехника (ISAMSR), Бату Пахат, Малайзия, сентябрь 2021 г., стр. 24–28. doi: 10.1109/ISAMSR53229.2021.9567799.
13. А.К. Рангараджан, Р. Пурушотаман и А. Рамеш, «Классификация болезней растений томатов с использованием предварительно обученного алгоритма глубокого обучения», Procedia Computer Science, vol. 2018. Т. 133. С. 1040–1047. doi: 10.1016/j.procs.2018.07.070.
14. Х. Хие, Ы. Ма, Б. Лиу, Дж. Хе, С. Ли и Х. Щанг, «Детектор заболеваний виноградных листьев в режиме реального времени на основе глубокого обучения с использованием усовершенствованных сверточных нейронных сетей», Front. Растениевод., т. 1, с. 11, с. 751, июнь 2020 г., doi: 10.3389/fpls.2020.00751.
15. Дж. Сан, Ы. Ыанг, Х. Хе и Х. Щу, «Обнаружение гнили листьев северной кукурузы в сложных полевых условиях на основе глубокого обучения», IEEE Доступ, том. 8, стр. 33679–33688, 2020, doi: 10.1109/ACCESS.2020.2973658.
16. Х. Саброл и К. Сатиш, «Классификация болезней растений томатов на цифровых изображениях с использованием дерева классификации», Международная конференция по связи и обработке сигналов (ICCSP) 2016 г., Мелмаруватур, Тамилнаду, Индия, апрель 2016 г., стр. 1242– 1246. doi: 10.1109/ICCSP.2016.7754351.
17. Д. Ядав, Аканкша и А.К. Ядав, «Новая модель на основе сверточной нейронной сети для распознавания и классификации болезней листьев яблони», TS, vol. 37, нет. 6, стр. 1093–1101, декабрь 2020 г., doi: 10.18280/ts.370622.
18. С. Баранвал, С. Ханделвал и А. Арора, «Сверточная нейронная сеть с глубоким обучением для обнаружения болезней листьев яблони», SSRN Journal, 2019, doi: 10.2139/ssrn.3351641.
19. Лю Б., Чжан Ю., Хэ Д., Ли Ю., «Идентификация болезней листьев яблони на основе глубоких сверточных нейронных сетей», Симметрия, том. 10, нет. 1, с. 11 декабря 2017 г., doi: 10.3390/sym10010011.
20. М. Керкеч, А. Хафиан и Р. Каналс, «Обнаружение болезней винограда на многоспектральных изображениях БПЛА с использованием оптимизированной регистрации изображений и подхода к сегментации глубокого обучения», Компьютеры и электроника в сельском хозяйстве, том. 174, с. 105446, июль 2020 г., doi: 10.1016/j.compag.2020.105446.
21. С.Л. Санга, Д. Мачуве и К. Джоманга, «Мобильные модели глубокого обучения для обнаружения банановых болезней», Eng. Технол. заявл. науч. Рез., том. 10, нет. 3, стр. 5674–5677, июнь 2020 г., doi: 10.48084/etasr.3452.
22. Факультет компьютерных наук, Университет Суккур IBA, Пакистан. и др., «Обнаружение болезней растений с использованием глубокого обучения», IJRTE, vol. 9, нет. 1, стр. 909–914, май 2020 г., doi: 10.35940/ijrte.A2139.059120.
23. Л. Ву, Дж. Ма, Ю. Чжао и Х. Лю, «Обнаружение яблок в сложной сцене с использованием улучшенной модели YOLOv4», Агрономия, том. 11, нет. 3, с. 476, март 2021 г., doi: 10.3390/agronomy11030476.
24. С. Кулибали, Б. Камсу-Фогем, Д. Камиссоко и Д. Траоре, «Глубокие нейронные сети с переносом обучения на изображениях урожая проса», Компьютеры в промышленности, том. 108, стр. 115–120, июнь 2019 г., doi: 10.1016/j.compind.2019.02.003.
25. Брилл Ф., Ерухимов В., Гидутури Р., Рамм С., «Основные преобразования изображений», в Руководстве по программированию OpenVX, Elsevier, 2020, стр. 85–123. doi: 10.1016/B978-0-12-816425-9.00012-7.
26. С. Голлапуди, «OpenCV с Python», в книге «Изучение компьютерного зрения с помощью OpenCV», Беркли, Калифорния: Apress, 2019, стр. 31–50. doi: 10.1007/978-1-4842-4261-2_2.
27. Али Х., Лали М.И., Наваз М.З., Шариф М. и Салим Б.А. Автоматическое обнаружение болезней цитрусовых на основе симптомов с использованием цветовой гистограммы и текстурных дескрипторов // Компьютеры и электроника в сельском хозяйстве. 138, стр. 92–104, июнь 2017 г., doi: 10.1016/j.compag.2017.04.008.
28. Ю. Лекун, Л. Ботту, Ю. Бенжио и П. Хаффнер, «Градиентное обучение, применяемое для распознавания документов», Proc. IEEE, том. 86, нет. 11, стр. 2278–2324, ноябрь 1998 г., doi: 10.1109/5.726791.
29. Агарап А.Ф., «Глубокое обучение с использованием выпрямленных линейных единиц (ReLU)», arXiv: 1803.08375 [cs, stat], февраль 2019 г., доступ: 13 декабря 2021 г. [Онлайн]. Доступно: http://arxiv.org/abs/1803.08375
30. Антор Махмудул Хасан, «Болезни листьев яблони». Каггль. doi: 10.34740/KAGGLE/DSV/2068940.
31. Д.П. Кингма и Дж.Ба, «Адам: метод стохастической оптимизации», 2014 г., doi: 10.48550/ARXIV.1412.6980.
32. Р.Р.О. Аль-Нима, С.С. Длей, У.Л. Ву и Дж.А. Чемберс, «Новый биометрический подход к созданию ROC-кривой на основе вероятностной нейронной сети», 24-я конференция по обработке сигналов и связи (SIU), Зонгулдак, Турция, 2016 г. Май 2016 г., стр. 141–144. doi: 10.1109/SIU.2016.7495697.
33. А. Хампария, Г. Саини, Д. Гупта, А. Ханна, С. Тивари и В.Х.К. де Альбукерке, «Прогнозирование и классификация сезонных болезней сельскохозяйственных культур с использованием сети глубоких сверточных кодировщиков», Circuits Syst Signal Process, vol. 39, нет. 2, стр. 818–836, февраль 2020 г., doi: 10.1007/s00034-019-01041-0.
34. Д. Тивари, М. Ашиш, Н. Гангвар, А. Шарма, С. Патель и С. Бхардвадж, «Обнаружение болезней листьев картофеля с использованием глубокого обучения», 2020 г. 4-я Международная конференция по интеллектуальным вычислительным системам и системам управления (ICICCS). ), Мадурай, Индия, май 2020 г., стр. 461–466. doi: 10.1109/ICICCS48265.2020.9121067.
35. Ф. Мохамет, К. Бинкай и К.А. Сада, «Обнаружение болезней растений с помощью глубокого обучения и извлечения признаков с использованием Plant Village», JCC, vol. 08, нет. 06, стр. 10–22, 2020, doi: 10.4236/jcc.2020.86002.
36. Ферентинос К.П. Модели глубокого обучения для обнаружения и диагностики болезней растений // Компьютеры и электроника в сельском хозяйстве. 145, стр. 311–318, февраль 2018 г., doi: 10.1016/j.compag.2018.01.009.
2. Тай А.П.К., Мартин М.В. и Хилд С.Л. Угроза будущей глобальной продовольственной безопасности от изменения климата и загрязнения воздуха озоном // Nature Clim Change. 4, нет. 9, стр. 817–821, сентябрь 2014 г., doi: 10.1038/nclimate2317.
3. Р.Н. Стрэндж и П.Р. Скотт, «Болезни растений: угроза глобальной продовольственной безопасности», Annu. Преподобный Phytopathol., vol. 43, нет. 1. С. 83–116, сентябрь 2005 г., doi: 10.1146/annurev.phyto.43.113004.133839.
4. Аравинд К.Р., Раджа П., Мукеш К.В., Анируд Р., Ашивин Р. и Щепански К., «Классификация болезней кукурузы с использованием набора признаков и многоклассовой машины опорных векторов», 2-я Международная конференция по изобретательским системам, 2018 г. and Control (ICISC), Coimbatore, январь 2018 г., стр. 1191–1196. doi: 10.1109/ICISC.2018.8398993.
5. В.П. Кур и С. Арора, «Машина опорных векторов на основе оптимизации роя частиц (P-SVM) для сегментации и классификации растений», IEEE Access, vol. 7, стр. 29374–29385, 2019, doi: 10.1109/ACCESS.2019.2901900.
6. М. Шейхан, М. Пежманпур, М.С. Мойн, «Улучшенный стегоанализ на основе контурлетов с использованием оптимизации роя бинарных частиц и радиальных нейронных сетей», Neural Comput & Applic, vol. 21, нет. 7, стр. 1717–1728, октябрь 2012 г., doi: 10.1007/s00521-011-0729-9.
7. Н. Геттари, А.С. Капелле-Лэиз и П. Карре, «Слепой стегоанализ изображений на основе доказательных K-ближайших соседей», Международная конференция IEEE по обработке изображений (ICIP), 2016 г., Феникс, Аризона, США, сентябрь 2016 г., стр. 2742–2746. doi: 10.1109/ICIP.2016.7532858.
8. Беди П. и Голе П. Обнаружение болезней растений с использованием гибридной модели на основе сверточных автоэнкодеров и сверточных нейронных сетей // Искусственный интеллект в сельском хозяйстве. 5, стр. 90–101, 2021, doi: 10.1016/j.aiia.2021.05.002.
9. С. Чакраборти, С. Пол и доктор медицинских наук Рахат-уз-Заман, «Прогнозирование болезней листьев яблони с использованием мультиклассовой машины опорных векторов», 2-я Международная конференция по робототехнике, электрическим технологиям и методам обработки сигналов (ICREST), 2021 г. , Бангладеш, январь 2021 г., стр. 147–151. doi: 10.1109/ICREST51555.2021.9331132.
10. Ю. Чжун и М. Чжао, «Исследование глубокого обучения в распознавании болезней листьев яблони», Компьютеры и электроника в сельском хозяйстве, том. 168, с. 105146, январь 2020 г., doi: 10.1016/j.compag.2019.105146.
11. П. Йианг, Ы. Цхен, Б. Лиу, Д. Хе и Ц. Лианг, «Обнаружение болезней листьев яблони в реальном времени с использованием подхода глубокого обучения, основанного на улучшенных сверточных нейронных сетях», IEEE Access, vol. 7, стр. 59069–59080, 2019, doi: 10.1109/ACCESS.2019.2914929.
12. А.М. Хасан, Э. Агбозо, А.А.К. Аль-Саиди, С. Саха, А. Хайдари и М.Н.Ф. Раби, «Обнаружение опухоли головного мозга на изображениях МРТ с использованием методов обработки изображений», в 2021 г. 4-й Международный симпозиум по агентам, многоагентным Системы и робототехника (ISAMSR), Бату Пахат, Малайзия, сентябрь 2021 г., стр. 24–28. doi: 10.1109/ISAMSR53229.2021.9567799.
13. А.К. Рангараджан, Р. Пурушотаман и А. Рамеш, «Классификация болезней растений томатов с использованием предварительно обученного алгоритма глубокого обучения», Procedia Computer Science, vol. 2018. Т. 133. С. 1040–1047. doi: 10.1016/j.procs.2018.07.070.
14. Х. Хие, Ы. Ма, Б. Лиу, Дж. Хе, С. Ли и Х. Щанг, «Детектор заболеваний виноградных листьев в режиме реального времени на основе глубокого обучения с использованием усовершенствованных сверточных нейронных сетей», Front. Растениевод., т. 1, с. 11, с. 751, июнь 2020 г., doi: 10.3389/fpls.2020.00751.
15. Дж. Сан, Ы. Ыанг, Х. Хе и Х. Щу, «Обнаружение гнили листьев северной кукурузы в сложных полевых условиях на основе глубокого обучения», IEEE Доступ, том. 8, стр. 33679–33688, 2020, doi: 10.1109/ACCESS.2020.2973658.
16. Х. Саброл и К. Сатиш, «Классификация болезней растений томатов на цифровых изображениях с использованием дерева классификации», Международная конференция по связи и обработке сигналов (ICCSP) 2016 г., Мелмаруватур, Тамилнаду, Индия, апрель 2016 г., стр. 1242– 1246. doi: 10.1109/ICCSP.2016.7754351.
17. Д. Ядав, Аканкша и А.К. Ядав, «Новая модель на основе сверточной нейронной сети для распознавания и классификации болезней листьев яблони», TS, vol. 37, нет. 6, стр. 1093–1101, декабрь 2020 г., doi: 10.18280/ts.370622.
18. С. Баранвал, С. Ханделвал и А. Арора, «Сверточная нейронная сеть с глубоким обучением для обнаружения болезней листьев яблони», SSRN Journal, 2019, doi: 10.2139/ssrn.3351641.
19. Лю Б., Чжан Ю., Хэ Д., Ли Ю., «Идентификация болезней листьев яблони на основе глубоких сверточных нейронных сетей», Симметрия, том. 10, нет. 1, с. 11 декабря 2017 г., doi: 10.3390/sym10010011.
20. М. Керкеч, А. Хафиан и Р. Каналс, «Обнаружение болезней винограда на многоспектральных изображениях БПЛА с использованием оптимизированной регистрации изображений и подхода к сегментации глубокого обучения», Компьютеры и электроника в сельском хозяйстве, том. 174, с. 105446, июль 2020 г., doi: 10.1016/j.compag.2020.105446.
21. С.Л. Санга, Д. Мачуве и К. Джоманга, «Мобильные модели глубокого обучения для обнаружения банановых болезней», Eng. Технол. заявл. науч. Рез., том. 10, нет. 3, стр. 5674–5677, июнь 2020 г., doi: 10.48084/etasr.3452.
22. Факультет компьютерных наук, Университет Суккур IBA, Пакистан. и др., «Обнаружение болезней растений с использованием глубокого обучения», IJRTE, vol. 9, нет. 1, стр. 909–914, май 2020 г., doi: 10.35940/ijrte.A2139.059120.
23. Л. Ву, Дж. Ма, Ю. Чжао и Х. Лю, «Обнаружение яблок в сложной сцене с использованием улучшенной модели YOLOv4», Агрономия, том. 11, нет. 3, с. 476, март 2021 г., doi: 10.3390/agronomy11030476.
24. С. Кулибали, Б. Камсу-Фогем, Д. Камиссоко и Д. Траоре, «Глубокие нейронные сети с переносом обучения на изображениях урожая проса», Компьютеры в промышленности, том. 108, стр. 115–120, июнь 2019 г., doi: 10.1016/j.compind.2019.02.003.
25. Брилл Ф., Ерухимов В., Гидутури Р., Рамм С., «Основные преобразования изображений», в Руководстве по программированию OpenVX, Elsevier, 2020, стр. 85–123. doi: 10.1016/B978-0-12-816425-9.00012-7.
26. С. Голлапуди, «OpenCV с Python», в книге «Изучение компьютерного зрения с помощью OpenCV», Беркли, Калифорния: Apress, 2019, стр. 31–50. doi: 10.1007/978-1-4842-4261-2_2.
27. Али Х., Лали М.И., Наваз М.З., Шариф М. и Салим Б.А. Автоматическое обнаружение болезней цитрусовых на основе симптомов с использованием цветовой гистограммы и текстурных дескрипторов // Компьютеры и электроника в сельском хозяйстве. 138, стр. 92–104, июнь 2017 г., doi: 10.1016/j.compag.2017.04.008.
28. Ю. Лекун, Л. Ботту, Ю. Бенжио и П. Хаффнер, «Градиентное обучение, применяемое для распознавания документов», Proc. IEEE, том. 86, нет. 11, стр. 2278–2324, ноябрь 1998 г., doi: 10.1109/5.726791.
29. Агарап А.Ф., «Глубокое обучение с использованием выпрямленных линейных единиц (ReLU)», arXiv: 1803.08375 [cs, stat], февраль 2019 г., доступ: 13 декабря 2021 г. [Онлайн]. Доступно: http://arxiv.org/abs/1803.08375
30. Антор Махмудул Хасан, «Болезни листьев яблони». Каггль. doi: 10.34740/KAGGLE/DSV/2068940.
31. Д.П. Кингма и Дж.Ба, «Адам: метод стохастической оптимизации», 2014 г., doi: 10.48550/ARXIV.1412.6980.
32. Р.Р.О. Аль-Нима, С.С. Длей, У.Л. Ву и Дж.А. Чемберс, «Новый биометрический подход к созданию ROC-кривой на основе вероятностной нейронной сети», 24-я конференция по обработке сигналов и связи (SIU), Зонгулдак, Турция, 2016 г. Май 2016 г., стр. 141–144. doi: 10.1109/SIU.2016.7495697.
33. А. Хампария, Г. Саини, Д. Гупта, А. Ханна, С. Тивари и В.Х.К. де Альбукерке, «Прогнозирование и классификация сезонных болезней сельскохозяйственных культур с использованием сети глубоких сверточных кодировщиков», Circuits Syst Signal Process, vol. 39, нет. 2, стр. 818–836, февраль 2020 г., doi: 10.1007/s00034-019-01041-0.
34. Д. Тивари, М. Ашиш, Н. Гангвар, А. Шарма, С. Патель и С. Бхардвадж, «Обнаружение болезней листьев картофеля с использованием глубокого обучения», 2020 г. 4-я Международная конференция по интеллектуальным вычислительным системам и системам управления (ICICCS). ), Мадурай, Индия, май 2020 г., стр. 461–466. doi: 10.1109/ICICCS48265.2020.9121067.
35. Ф. Мохамет, К. Бинкай и К.А. Сада, «Обнаружение болезней растений с помощью глубокого обучения и извлечения признаков с использованием Plant Village», JCC, vol. 08, нет. 06, стр. 10–22, 2020, doi: 10.4236/jcc.2020.86002.
36. Ферентинос К.П. Модели глубокого обучения для обнаружения и диагностики болезней растений // Компьютеры и электроника в сельском хозяйстве. 145, стр. 311–318, февраль 2018 г., doi: 10.1016/j.compag.2018.01.009.
Опубликован
2022-07-14
Как цитировать
Махмудул Хасан, А., Мд Ракиб Ул Ислам, Р., & Авинаш, К. (2022). Классификация болезней листьев яблони с использованием набора данных изображений: подход многослойной сверточной нейронной сети. Информатика и автоматизация, 21(4), 710-728. https://doi.org/10.15622/ia.21.4.3
Раздел
Искусственный интеллект, инженерия данных и знаний
Copyright (c) Антор Махмудул Хасан
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).