La estimación automática y precisa de la gravedad de las enfermedades es esencial para la seguridad alimentaria, la gestión de las enfermedades y la predicción de la pérdida de rendimiento. El aprendizaje profundo, el último avance en visión por ordenador, es prometedor para la clasificación de la gravedad de las enfermedades, ya que el método evita la laboriosa ingeniería de características y la segmentación basada en umbrales. Utilizando las imágenes de la podredumbre negra de la manzana en el conjunto de datos PlantVillage, que además están anotadas por botánicos con cuatro etapas de gravedad como verdad de base, se entrenan una serie de redes neuronales convolucionales profundas para diagnosticar la gravedad de la enfermedad. En este trabajo se evalúan sistemáticamente las prestaciones de las redes superficiales entrenadas desde cero y de los modelos profundos ajustados mediante aprendizaje de transferencia. El mejor modelo es el modelo profundo VGG16 entrenado con aprendizaje de transferencia, que arroja una precisión global del 90,4% en el conjunto de pruebas de retención. El modelo de aprendizaje profundo propuesto puede tener un gran potencial en el control de enfermedades para la agricultura moderna.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Nanomateriales tridimensionales basados en grafeno como electrocatalizadores para la reacción de reducción del oxígeno
Artículo:
Efectos biomecánicos de diferentes diseños de alineador auxiliar para la extrusión de un incisivo central superior: Un análisis por elementos finitos
Artículo:
Método de eliminación de reflejos en imágenes basado en imágenes polarimétricas
Video:
Nanotecnología molecular : la segunda revolución industrial
Artículo:
Degradación térmica y características de amortiguación de biopolímeros irradiados con UV
Libro:
Metodología del marco lógico para la planificación, el seguimiento y la evaluación de proyectos y programas
Software:
Simulación del proceso de extracción sólido-líquido EXTSL
Artículo:
Emisiones globales de gases de efecto invernadero provenientes de materiales de construcción residencial y comercial: estrategias de mitigación para 2060
Artículo:
Evaluación de impacto ambiental para un proyecto piloto de gestión integrada de residuos sólidos en makurdi, Nigeria