| Код | 632136 |
| Дата создания | 2024 |
|
Мы сможем обработать ваш заказ (!) 28 октября в 12:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
|
|
Период изготовления: июнь 2023 года.
ВУЗ: неизвестно.
Целью является сравнительный анализ некоторых существующих методов и создание модифицированной нейросетевой модели, позволяющей превзойти по точности распознавания и затратам памяти существующие методы.
Для достижения цели в работе необходимо решить следующие задачи:
- получить основные теоретические сведения о выбранной предметной области;
- провести исследование методов глубокого обучения, в частности, сверточных нейронных сетей, предназначенных для реализации эксперимента;
- выполнить сравнительный анализ существующих методов глубокого обучения – применить модели сверточных нейронных сетей на основе изученных методов, обучить и протестировать эти модели, выполнив программную реализацию;
- предложить и программно реализовать модифицированный метод распознавания болезней растений на основе глубокого обучения, позволяющий превзойти по точности распознавания и затратам памяти существующие модели.
Есть приложение (программный код).
Работа была успешно сдана - заказчик претензий не имел.
Готовые работы я могу оперативно проверить на оригинальность по Antiplagiat .ru и сообщить Вам результат
Введение 3
1 Анализ предметной области 6
1.1 Методы глубокого обучения как подход к решению 7
1.2 Сверточные нейронные сети 9
2 Сравнение методов распознавания раковых клеток 26
2.1 Библиотеки и инструменты 26
2.2 Подготовка данных и построение модели 28
2.3 Анализ результатов 31
2.4 Разработка пользовательского приложения 36
Заключение 38
Список использованных источников 40
Приложение 43
1. FAO; WHO. The Second Global Meeting of the FAO/WHO International Food Safety Authorities Network; World Health Organization: Geneva, Switzerland, 2019
2. Venkateswarlu, B.; Shanker, A.K.; Shanker, C.; Maheswari, M. Crop Stress and Its Management: Perspectives and Strategies; Springer: Dordrecht, Germany, 2013; pp. 1–18
3. Lamichhane, J.R.; Dachbrodt-Saaydeh, S.; Kudsk, P.; Messéan, A. Toward a reduced reliance on conventional pesticides in european agriculture. Plant Dis. 2016, 100, 10–24.
4. Sánchez-Bayo, F.; Baskaran, S.; Kennedy, I.R. Ecological relative risk (EcoRR): Another approach for risk assessment of pesticides in agriculture. Agric. Ecosyst. Environ. 2002, 91, 37–57.
5. Lin, G.; Tang, Y.; Zou, X.; Xiong, J.; Fang, Y. Color-, depth-, and shape-based 3D fruit detection. Precis. Agric. 2020, 21, 1–17.
6. Joshi, R.C.; Kaushik, M.; Dutta, M.K.; Srivastava, A.; Choudhary, N. VirLeafNet: Automatic analysis and viral disease diagnosis using deep-learning in Vigna mungoplant. Ecol. Inform. 2021, 61, 101197.
7. Buja, I.; Sabella, E.; Monteduro, A.G.; Chiriacò, M.S.; De Bellis, L.; Luvisi, A.; Maruccio, G. Advances in Plant Disease Detection and Monitoring: From Traditional Assays to In-Field Diagnostics. Sensors 2021, 21, 2129.
8. Gui, J.; Fei, J.; Wu, Z.; Fu, X.; Diakite, A. Grading method of soybean mosaic disease based on hyperspectral imaging technology. Inf. Process. Agric. 2021, 8, 380–385
9. Appeltans, S.; Pieters, J.G.; Mouazen, A.M. Detection of leek white tip disease under field conditions using hyperspectral proximal sensing and supervised machine learning. Comput. Electron. Agric. 2021, 190, 106453.
10. Fazari, A.; Pellicer-Valero, O.J.; Gómez-Sanchıs, J.; Bernardi, B.; Cubero, S.; Benalia, S.; Zimbalatti, G.; Blasco, J. Application of deep convolutional neural networks for the detection of anthracnose in olives using VIS/NIR hyperspectral images. Comput. Electron. Agric. 2021, 187, 106252.
11. Lary, D.J.; Alavi, A.H.; Gandomi, A.H.; Walker, A.L. Machine learning in geosciences and remote sensing. Geosci. Front. 2016, 7, 3–10.
12. Zhang, J.; Huang, Y.; Pu, R.; Gonzalez-Moreno, P.; Yuan, L.; Wu, K.; Huang, W. Monitoring plant diseases and pests through remote sensing technology: A review. Comput. Electron. Agric. 2019, 165, 104943
13. Liao, W.; Chanussot, J.; Philips, W. Remote sensing data fusion: Guided filter-based hyperspectral pansharpening and graphbased feature-level fusion. In Mathematical Models for Remote Sensing Image Processing; Moser, G., Zerubia, J., Eds.; Springer: Berlin/Heidelberg, Germany, 2017; pp. 243–275.
14. What is machine learning? Everything you need to know – ZDNet. [Электронный ресурс]. Режим доступа: https://www.zdnet.com/article/what-is-machine-learning-everything-you-needto-know/ (дата обращения: 20.03.2023)
15. CS231n Convolutional Neural Networks for Visual Recognition Course [Электронный ресурс]. Режим доступа: https://cs231n.github.io/ (дата обращения: 21.04.2023)
16. Karatana, A. et. al. Music Genre Classification with Machine Learning Techniques. In Proceedings of the 25th Signal Processing and Communications Applications Conference, Antalya, Turkey, 15–18 May 2017; pp. 1–4.
17. Castagno, J., Atkins, E. Automatic classification of roof shapes for multicopter emergency landing site selection. arXiv preprint arXiv:1802.06274, 2018b
18. Castelluccio, M. et al. Land use classification in remote sensing images by convolutional neural networks. arXiv preprint arXiv:1508.00092, 2015.
19. Machine Learning Notebook [Электронный ресурс]. Режим доступа: https://mlnotebook.github.io/ (дата обращения: 22.04.2023)
20. O’Shea, K., Nash, R. An Introduction to Convolutional Neural Networks, Department of Computer Science, Aberystwyth University, Ceredigion, School of Computing and Communications, Lancaster University, Lancashire, LA14YW. 2015
21. LeCun, Y., Ranzato, M. Deep learning tutorial, in Tutorials in Int. Conf. on Mach. Learning (ICML'13), 2013.
22. Kingma. D., Ba, J. Adam: A Method for Stochastic Optimization. In: arXiv:1412.6980 [cs] (Jan. 2017). arXiv: 1412.6980 [cs].
23. Hornik, K. et al. Multilayer Feedforward Networks Are Universal Approximators. In: Neural Networks 2.5 (Jan. 1989), pp. 359–366. issn: 0893-6080. doi: 10.1016/0893-6080(89)90020-8.
24. LeCun, Y., Bengio, Y. Convolutional Networks for Images, Speech, and Time Series. In: The Handbook of Brain Theory and Neural Networks. Cambridge, MA, USA: MIT Press, Oct. 1998, pp. 255–258. isbn: 978-0-262-51102-5
25. Google Colaboratory [Электронный ресурс]. Режим доступа: https://colab.research.google.com (дата обращения: 12.04.2023)
26. Machine Learning libraries (NumPy, SciPy, matplotlib, scikit-learn, pandas) [Электронный ресурс]. Режим доступа: https://www.dotnetlovers.com/Article/217/machine-learning-libraries-numpy-scipy-matplotlib-scikit-learn-pandas (дата обращения: 12.04.2023)
27. New Plant Diseases Dataset [Электронный ресурс]. Режим доступа: https://www.kaggle.com/datasets/vipoooool/new-plant-diseases-dataset (дата обращения: 12.04.2023)