Frühzeitige Erkennung von Krankheiten bei Tomaten
Einsatz von künstlicher Intelligenz und maschinellem Lernen
Versandkostenfrei!
Versandfertig in 6-10 Tagen
43,90 €
inkl. MwSt.
PAYBACK Punkte
0 °P sammeln!
Pflanzenkrankheiten und -schädlinge sind ein ernstes Problem in der Landwirtschaft. Eine genaue und schnellere Erkennung von Pflanzenkrankheiten und -schädlingen könnte zur Entwicklung einer frühzeitigen Behandlungsmethode beitragen und gleichzeitig die wirtschaftlichen Verluste erheblich verringern. In diesem Zusammenhang hat die Einführung der auf Deep Learning basierenden Bildklassifizierung zu einer beträchtlichen Anzahl von Lösungen geführt. Das Hauptziel dieser Forschung ist die schnellere Erkennung von Blattkrankheiten bei Tomatenpflanzen durch den Einsatz von Deep Learning (DL)...
Pflanzenkrankheiten und -schädlinge sind ein ernstes Problem in der Landwirtschaft. Eine genaue und schnellere Erkennung von Pflanzenkrankheiten und -schädlingen könnte zur Entwicklung einer frühzeitigen Behandlungsmethode beitragen und gleichzeitig die wirtschaftlichen Verluste erheblich verringern. In diesem Zusammenhang hat die Einführung der auf Deep Learning basierenden Bildklassifizierung zu einer beträchtlichen Anzahl von Lösungen geführt. Das Hauptziel dieser Forschung ist die schnellere Erkennung von Blattkrankheiten bei Tomatenpflanzen durch den Einsatz von Deep Learning (DL), das effizient für die Bildklassifizierung unter Verwendung verschiedener Architekturen von Faltungsneuronalen Netzen (CNN) wie VGG-16, ResNet34 und EfficentNet0 eingesetzt werden kann.Vor der abschließenden Datenaufbereitung wurden einige Vorverarbeitungstechniken an den Daten durchgeführt. Im Datensatz wurde ein Ungleichgewicht zwischen den Klassen festgestellt, das durch gewichtete Zufallsstichproben behoben wurde, um Verzerrungen zu vermeiden. Die Modelloptimierung wurde durchgeführt, um die Leistung des Modells zu verbessern.Die Ergebnisse der Vorhersagen werden in eine interaktive grafische Benutzeroberfläche eingebettet. Die GUI zeigt die erkannte Krankheit an. Der Benutzer kann einfach sein eigenes Bild einfügen, um die Krankheitsklasse zu erkennen.
Andere Kunden interessierten sich für
