هوش مصنوعی در مزارع هوشمند: تعیین فنوتیپ گیاهی برای شناسایی گونه ها و شناسایی

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).

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

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.