light box
امتیاز 2.58 هوش مصنوعی در مزارع هوشمند: تعیین فنوتیپ گیاهی برای شناسایی گونه ها و شناسایی">

نوع فایل : word
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 22
تعداد کلمات : 5800
مجله : AI
انتشار : 2021
ترجمه متون داخل جداول : ترجمه شده است
درج جداول در فایل ترجمه : درج شده است
منابع داخل متن : به صورت فارسی درج شده است
کیفیت ترجمه : طلایی
دسته بندی :
برچسب ها : ، ، ، ، ، ، ، ، ، ،

عنوان فارسی مقاله:هوش مصنوعی در مزارع هوشمند: تعیین فنوتیپ گیاهی برای شناسایی گونه ها و شناسایی وضعیت سلامت با استفاده از یادگیری عمیق

 چکیده

  این مقاله نقش معماری شبکه عصبی کانولوشنال (CNN) مبتنی بر شبکه باقی‌مانده (ResNet) را که در دو کار مربوط به فنوتیپ‌سازی گیاهی به کار می‌رود، تحلیل می‌کند. در میان کارهای معاصر برای شناسایی گونه ها (SR) و تشخیص آلودگی گیاهان، اکثر آنها آزمایشاتی را روی مجموعه داده های متعادل انجام داده اند و از دقت به عنوان پارامتر ارزیابی استفاده کرده اند. با این حال، این کار از یک مجموعه داده نامتعادل با تعداد نابرابر تصاویر استفاده کرد، تقویت داده‌ها را برای افزایش دقت اعمال کرد، داده‌ها را به‌عنوان نمونه‌های آزمایشی و کلاس‌های متعدد سازمان‌دهی کرد، و مهم‌تر از همه، از پارامترهای ارزیابی طبقه‌بندی کننده چند طبقه مفید برای توزیع کلاس نامتقارن استفاده کرد. علاوه بر این، این کار به مسائل معمولی مانند انتخاب اندازه مجموعه داده، عمق طبقه‌بندی‌کننده‌ها، زمان آموزشی مورد نیاز، و تجزیه و تحلیل عملکرد طبقه‌بندی‌کننده در صورت استقرار موارد آزمایشی مختلف، می‌پردازد. در این کار، معماری ResNet 20 (V2) به طور قابل توجهی در وظایف تشخیص گونه (SR) و شناسایی برگ های سالم و آلوده (IHIL) با دقت ۹۱٫۸۴% و ۸۴٫۰۰%، فراخوانی ۹۱٫۶۷% و ۸۳٫۱۴% و امتیاز F1 به ترتیب ۹۱٫۴۹% و ۸۳٫۱۹% بود(هوش مصنوعی در مزارع هوشمند).

Title: Artificial Intelligence in Smart Farms: Plant Phenotyping for Species Recognition and Health Condition Identification Using Deep Learning

Abstract

 This paper analyses the contribution of residual network (ResNet) based convolutional neural network (CNN) architecture employed in two tasks related to plant phenotyping. Among the contemporary works for species recognition (SR) and infection detection of plants, the majority of them have performed experiments on balanced datasets and used accuracy as the evaluation parameter. However, this work used an imbalanced dataset having an unequal number of images, applied data augmentation to increase accuracy, organised data as multiple test cases and classes, and, most importantly, employed multiclass classifier evaluation parameters useful for asymmetric class distribution. Additionally, the work addresses typical issues faced such as selecting the size of the dataset, depth of classifiers, training time needed, and analysing the classifier’s performance if
various test cases are deployed. In this work, ResNet 20 (V2) architecture has performed significantly well in the tasks of Species Recognition (SR) and Identification of Healthy and Infected Leaves (IHIL) with a Precision of 91.84% and 84.00%, Recall of 91.67% and 83.14% and F1 Score of 91.49% and 83.19%, respectively.

      دیدگاهها بسته است.

      محصولات مشابه
      کمبود(نقص) توجه و علائم ADHD در بزرگسالان مبتلا به بیماری فابری – یک مطالعه آزمایشی
      خـریـد محـصـول
      مرزهای جدید در مدیریت سرطان رکتوم اولیه و پیشرفته
      خـریـد محـصـول
      ریسک میوکاردیت و پریکاردیت در بزرگسالان جوان به دنبال واکسیناسیون mRNA COVID-19
      خـریـد محـصـول
      بروز میوکاردیت و پریکاردیت در بیماران واکسینه نشده پس از کووید-۱۹
      خـریـد محـصـول
      الگوریتم ازدحام آفتاب پرست کارآمد برای مسئله توزیع بار اقتصادی
      خـریـد محـصـول
      فرآیند بازآفرینی شهری: مورد یک مجتمع مسکونی در حومه رم، ایتالیا
      خـریـد محـصـول
      رابطه پویا بین شاخص سهام و قیمت دارایی: تجزیه و تحلیل بلندمدت
      خـریـد محـصـول
      تشخیص بیماری پوسیدگی طوقه در گندم در شرایط محیطی کنترل شده
      خـریـد محـصـول
      بکارگیری بهینه سازی برای حمایت از مدیریت تطبیقی آب رودخانه ها
      خـریـد محـصـول
      ارزیابی تأثیر آموزش زیست محیطی بر رفتار سازگار با محیط زیست
      خـریـد محـصـول
      ثبت اختراع یا انتشار مقاله

      در اولین مرحله از شروع یک تحقیق جدید نیاز است منابع مختلفی جستجو شود تا جدید بودن ایده مورد بررسی قرار گیرد. یکی از بهترین منابع جهت جستجو، لیست اختراع های ثبت شده است. پایگاه های جستجوی پتنت به محقق کمک میکند پیشینه تحقیق خود را مورد بررسی قرار دهد تا مطمئن شود کار تکراری انجام نمیدهد. سامانه جستجوگر مالکیت فکری دارکوب به تازگی از پایگاه جستجو علائم تجاری خود نیز رونمایی کرده است که دارای امکانات تخصصی فراوانی می باشد.

      ثبت اختراع یا انتشار مقاله کدام اول باید انجام شود؟ پژوهشگران منابع مالی و غیر مالی بسیاری را صرف انجام تحقیقات و پژوهش ها میکنند و امکان دارد تعدادی از آنها تبدیل به دستاوردها و فناوری های نو گردد. محققان این نتایج را به سرعت در مقالات علمی ملی و بین المللی منتشر و به آن افتخار میکنند. اما باید مد نظر داشت، چنانچه دستاورد پژوهشی امکان تبدیل شدن به یک محصول یا فرآیند قابل استفاده و تولید در صنعت را داشته باشد، هر گونه انتشار عمومی از جمله مقاله باعث از دست رفتن شرط جدید بودن و در نتیجه عدم امکان ثبت فناوری به عنوان اختراع خواهد شد.

      در نتیجه محققان و پژوهشگران باید پیش از هرگونه افشاء عمومی آن دسته از نتایج تحقیقاتی که شرایط ثبت اختراع را دارا می باشد به صورت اظهارنامه اختراع در اداره مربوطه ثبت و سپس نسبت به انتشار آنها اقدام کنند. امکان دارد مراحل ثبت اختراع چندین ماه به طول بیانجامد که انتشار مقاله (و مانند آن) پس از تاریخ ثبت اظهارنامه اختراع مشکلی را در فرآیند ثبت اختراع بوجود نمی آورد.

      از آنجا که برخی دستاورد ها مانند روشهای تشخیص بیماری و نوآوری های مدیریتی قابلیت ثبت اختراع بین المللی و ملی را ندارند، محققان بدون نگرانی میتوانند انتشار در مقالات داخلی و خارجی را به عنوان اولین گزینه جهت کسب افتخار دست یابی به این قبیل پژوهشها انتخاب کنند.

       
      برو بالا