Bu süni intellekt yanaşması Hindistan fermerlərinə zərərvericilərlə mübarizədə kömək edə bilər – INDIAai

Yarpaq mədənçi zərərvericiləri torpaqsız pomidor becərmə sistemlərinin məhsuldarlığını, gəlirliliyini və davamlılığını ciddi şəkildə təhdid edir. Zərərvericilərə qarşı vaxtında mübarizə tədbirləri üçün yarpaq mədənçilərinin infeksiyasının erkən və dəqiq müəyyən edilməsi çox vacibdir.

Hamipur Milli Texnologiya İnstitutunun və CAR-Mərkəzi Kənd Təsərrüfatı Mühəndisliyi İnstitutunun (Bhopal) tədqiqatçıları tərəfindən aparılan bir araşdırma, bu zərərverici infeksiyanı vaxtında müəyyən etmək üçün diqqətə əsaslanan konvolyusiya neyron şəbəkələrindən istifadə edərək səmərəli yanaşma təqdim edir. Optimal model performansını əldə etmək üçün müxtəlif hiperparametrlər sazlanmışdır. Xüsusi model hidroponik sistemdə yetişdirilən pomidorlardan toplanmış görüntü məlumat dəstindən istifadə etməklə öyrədilib. Təklif olunan diqqətə əsaslanan CNN modeli 97,87%, 97,10% dəqiqlik, 98,53% geri çağırma və ətraf mühitin ümumi dəqiqliyinə nail oldu.

Nəticələrin təhlili

Eksperimental nəticələr göstərir ki, təklif olunan diqqətə əsaslanan CNN modeli 97,87%, 97,10% dəqiqlik, 98,53% geri çağırma və VGG19 ümumi dəqiqliyinə nail olub. Təkmilləşdirilmiş xüsusiyyət çıxarma qabiliyyətinə görə o, ən müasir CNN modellərini üstələyib. 97.81% F1-balı. Bundan əlavə, modelin performansı əvvəlcədən öyrədilmiş digər modellərlə, məsələn, AlexNet, VGG16 ilə müqayisə edildi və modelin səmərəliliyi onun hidroponik VGG19-da avtomatlaşdırılmış zərərvericilərin monitorinqi sistemlərinin bir hissəsi kimi tətbiq oluna biləcəyini vurğulayır və bu vəziyyətdən daha yaxşı performans göstərdiyi aşkar edilmişdir. təkmilləşdirilmiş xüsusiyyət çıxarma qabiliyyətinə görə ən müasir CNN modelləri. Bu iş, modelin dəqiq effektivliyi üçün kompüter görmə qabiliyyətinin və dərin öyrənmə əsaslı həllərin inkişafına töhfə verir ki, bu da onun hidroponik mühitlərdə zərərvericilərin avtomatlaşdırılmış monitorinq sistemlərinin bir hissəsi kimi tətbiq oluna biləcəyini vurğulayır.

Modelin səmərəliliyini nümayiş etdirmək üçün diqqətə əsaslanan CNN modeli ilə bağlı müxtəlif parametrləri dəyişdirməklə bir neçə təcrübə aparılmışdır. Optimal model birinci mərhələdə geniş hiperparametr tənzimləməsindən istifadə etməklə tapılır. Modelin qüsursuz təlimi üçün verilənlər toplusu Google Diskə ixrac edilib və Google Colab platformasına quraşdırılıb. Hazırlanmış diqqətə əsaslanan DCNN modeli 103,694,658 ümumi öyrədilə bilən parametrlərə malikdir. Model ölçüsünün 239 MB olduğu müşahidə edildi. Bütün modellər 200 dövr üçün hazırlanıb və həddindən artıq uyğunlaşmanın qarşısını almaq üçün iki fərqli yanaşmadan istifadə edilib, yəni məlumatların artırılması və erkən dayandırılması. Təlim prosesində bütün modellər erkən dövrlərdə həddindən artıq uyğunlaşmadan birləşdi.

Məqsədli və sərfəli

Yarpaq mədənçilərinin avtomatik identifikasiyası üçün avtomatlaşdırılmış yanaşmanın yaradılmasının arxasında duran məqsəd bu zərərvericilərin hidroponik mühitlərdə məhvetmə gücünün artması ilə bağlıdır. Yarpaq mədənçilərinin erkən identifikasiyası kimyəvi maddələrin minimum istifadəsi ilə daha məqsədyönlü və qənaətcil zərərvericilərlə mübarizə aparmağa imkan verə bilər, beləliklə, ətraf mühitə ümumi təsirləri azaldır. Bununla belə, bu tədqiqat binar təsnifatla, yəni sağlam və yarpaq mədənçi siniflərinə təsnifatla məhdudlaşır.

Məzmununuzu dərc etmək istəyirsiniz?

Məqalə dərc edin və fikirlərinizi dünya ilə bölüşün.