ترجمه انگلیسی به فارسی مقاله یادگیری عمیق در کشاورزی - کد 15

برای خرید ترجمه مقاله میتوانید از یکی از دو طریق زیر اقدام نمایید. پیشنهاد میکنیم از طریق گزینه اول اقدام نمایید

  1. کد مقاله را از طریق واتس آپ یا تلگرام برای پشتیبان ارسال نمایید و بعد از پرداخت هزینه فایل ترجمه برای شما ارسال می شود.
  2. از طریق سایت بعد از پرداخت هزینه امکان دانلود فایل برای شما ایجاد می شود.

هزینه ترجمه مقاله :

50,000تومان 40,000تومان

توضیحات

رویکرد انعطاف پذیری عمیق با فضاهای رنگی و شاخص های پوشش گیاهی برای تشخیص بیماریهای درخت انگور در تصاویر UAV

چکیده
تشخیص علائم در برگ انگور عامل مهمی در جلوگیری از بیماری جدی است. گسترش اپیدمی در تاکستان
عواقب اقتصادی زیادی دارد و به همین دلیل آن را یک چالش بزرگ برای صنعت کشت انگور می داند. تشخیص
اتوماتیک بیماری های درخت انگور می تواند نقش مهمی را در پرداختن به مسئله مدیریت بیماری ها ایفا کند.
این مطالعه با مشکل شناسایی مناطق آلوده انگور با استفاده از تصاویر پَهپاد ) UAV ( در دامنه قابل رویت سروکار
دارد. در این مقاله، یک روش مبتنی بر شبکه عصبی پیچشی ) CNN ( و اطلاعات رنگی برای شناسایی علائم در
مزارع تاکستان پیشنهاد شده است. ما عملکرد CNNs را با استفاده از فضای رنگی مختلف، شاخص های پوشش
گیاهی، و همچنین ترکیبی از هر دو اطلاعات بررسی و مقایسه می کنیم. نتایج به دست آمده نشان داد که CNN
ها با فضای رنگی YUV همراه با عملکرد شاخص پوشش گیاهی ExGR ، و CNN ها همراه با شاخص های
ExG ، ExR ، ExGR ، بهترین نتایج را با دقت بیش از 8.59 ٪ نشان می دهد.

کلمات کلیدی: یادگیری عمیق، CNN ، UAV ، پردازش تصویر، فضاهای رنگی، شاخص های گیاهی، کشاورزی
دقیق

اطلاعات بیشتر

سال چاپ

2018

مجله

elsevier

رشته

یادگیری عمیق در کشاورزی

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین کسی باشید که دیدگاهی می نویسد “ترجمه انگلیسی به فارسی مقاله یادگیری عمیق در کشاورزی – کد 15”

نشانی ایمیل شما منتشر نخواهد شد.

Deep leaning approach with colorimetric spaces and vegetation indices for vine diseases detection in UAV images

Abstract

Detection of symptoms in grape leaves is a very important factor in preventing a serious disease. An epidemic spread in vineyards has huge economic consequences and therefore it is considered a major challenge for viticulture. Automatic detection of vine diseases can play an important role in addressing the issue of diseases management. This study deals with the problem of identifying infected areas of grapevines using Unmanned Aerial Vehicles (UAV) images in the visible domain. In this paper we propose a method based on Convolutional neural network (CNN) and color information to detect symptoms in the vine yards. We studied and compared performances of CNNs using different color spaces, vegetation indices, as well as the combination of both information. The obtained results showed that CNNs with YUV color space combined with ExGR vegetation index, and CNNs with a combination of ExG, ExR, ExGR vegetation indices yield the best results with accuracy more than

بعضی رشته های پر طرفدار