ترجمه رشته یادگیری عمیق در کشاورزی - کد 13

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 :

55,000تومان 45,000تومان

توضیحات

یک مطالعه مقایسه ای از تنظیم دقیق مدل های یادگیری عمیق برای شناسایی بیماری های گیاهی

چکیده
یادگیری عمیق اخیرا توجه زیادی را با هدف توسعه یک سیستم سریع، اتوماتیک و دقیق برای شناسایی و طبقه
بندی تصویر به ارمغان آورده است. در این کار تمرکز بر تنظیم دقیق و ارزیابی شبکه عصبی پیچشی عمیق پیشرفته
برای طبقه بندی بیماری های گیاهی مبتنی بر تصویر بود. مقایسه تجربی معماری یادگیری عمیق انجام شد.
معماری ارزیابی شامل VGG 16 ، Inception V4 ، ResNet 151 و 101 لایه و ، با 05 DenseNets با 111
لایه است. داده های مورد استفاده برای آزمایش 83 کلاس مختلف از جمله تصاویر برگ های بیمار و سالم 11
گیاه از plant Village است. مدل های سریع و دقیق برای شناسایی بیماری های گیاهی مطلوب هستند، به
طوری که می توان اقدامات دقیق را انجام داد. بنابراین، مشکل امنیت غذایی کاهش می یابد. در آزمایش ما،
DenseNets به طور مداوم تمایل به بهبود دقت با تعداد رو به رشد دوره ها، بدون هیچ نشانه ای از بیش برازش
و تخریب عملکرد دارد. علاوه بر این، DenseNets نیاز به تعداد قابل توجهی از پارامترها و زمان محاسبات
منطقی برای دستیابی به عملکرد های پیشرفته ای دارد. آن نمره دقت تست 77.90 ٪ برای ایجاد بقیه معماری را
به دست می آورد. Keras با Theano backend برای انجام آموزش معماری مورد استفاده قرار گرفت.

کلمات کلیدی: شناسایی بیماری های گیاهی، یادگیری عمیق، شبکه های عصبی پیچشی، تشخیص تصویر، تنظیم
دقیق

اطلاعات بیشتر

رشته

یادگیری عمیق در کشاورزی

سال چاپ

2019

مجله

elsevier

نقد و بررسی‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

اولین کسی باشید که دیدگاهی می نویسد “ترجمه رشته یادگیری عمیق در کشاورزی – کد 13”

نشانی ایمیل شما منتشر نخواهد شد.

A comparative study of fine-tuning deep learning models for plant disease identification

Abstract

Deep learning has recently attracted a lot of attention with the aim to develop a quick, automatic and accurate system for image identification and classification. In this work, the focus was on fine-tuning and evaluation of state-of-the-art deep convolutional neural network for image-based plant disease classification. An empirical comparison of the deep learning architecture is done. The architectures evaluated include VGG 16, Inception V4, ResNet with 50, 101 and 152 layers and DenseNets with 121 layers. The data used for the experiment is 38 different classes including diseased and healthy images of leafs of 14 plants from plantVillage. Fast and accurate models for plant disease identification are desired so that accurate measures can be applied early. Thus, alleviating the problem of food security. In our experiment, DenseNets has tendency’s to consistently improve in accuracy with growing number of epochs, with no signs of overfitting and performance deterioration. Moreover, DenseNets requires a considerably less number of parameters and reasonable computing time to achieve state-of-the-art performances. It achieves a testing accuracy score of 99.75% to beat the rest of the architectures. Keras with Theano backend was used to perform the training of the architectures.

بعضی رشته های پر طرفدار