ترجمه یادگیری عمیق در کشاورزی - کد 14

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

مدل یادگیری عمیق برای تشخیص و شناسایی بیماری های گیاهی

چکیده
در این مقاله، مدل شبکه های عصبی پیچشی برای شناسایی و تشخیص بیماری های گیاهی، با استفاده از تصاویر
ساده برگ های گیاهان سالم و بیمار، از طریق روش های یادگیری عمیق توسعه داده شده است. آموزش مدل ها
با استفاده از یک پایگاه داده ی باز از 84،878 تصویر شامل 52 گیاه متفاوت در مجموعه ای از 28 رده متمایز از
ترکیبات ) گیاهی، بیماری( از جمله گیاهان سالم انجام شد. چندین معماری مدل با بهترین عملکرد آموزش دیدند
و در شناسایی ترکیب مربوطه به موفقیت 55.29 ٪ رسیدند. میزان موفقیت بالا باعث شد که این یک مدل مشاوره
ای بسیار مفید یا ابزار هشدار اولیه باشد و یک رویکردی را ایجاد کند که بتواند به منظور حمایت از یک سیستم
شناسایی بیماری های گیاهی یکپارچه برای کار در شرایط کشت واقعی، گسترش یابد.

کلمات کلیدی: شبکه های عصبی پیچشی، یادگیری ماشین، هوش مصنوعی، شناسایی بیماری های گیاهی،
تشخیص الگو

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 یادگیری عمیق در کشاورزی – کد 14”

نشانی ایمیل شما منتشر نخواهد شد.

Deep learning models for plant disease detection and diagnosis

Abstract

In this paper, convolutional neural network models were developed to perform plant disease detection and diagnosis using simple leaves images of healthy and diseased plants, through deep learning methodologies. Training of the models was performed with the use of an open database of 87,848 images, containing 25 different plants in a set of 58 distinct classes of [plant, disease] combinations, including healthy plants. Several model architectures were trained, with the best performance reaching a 99.53% success rate in identifying the corresponding [plant, disease] combination (or healthy plant). The significantly high success rate makes the model a very useful advisory or early warning tool, and an approach that could be further expanded to support an integrated plant disease identification system to operate in real cultivation conditions.

بعضی رشته های پر طرفدار