Application of artificial neural networks in image recognition and classification of crop and weeds
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Yang, C.-C., Prasher, S.O., Landry, J.-A., Ramaswamy, H.S. and DiTommaso. 2000. Application of artificial neural networks in image recognition and classification of crop and weeds. Can. Agric. Eng. 42:147-152. The objective of this study was to develop a backpropagation artificial neural network (ANN) model that could distinguish young corn plants from weeds. Although only the colour indices associated with image pixels were used as inputs, it was assumed that the ANN model could develop the ability to use other information, such as shapes, implicit in these data. The 756x504 pixel images were taken in the field and were then cropped to 100x100-pixel images depicting only one plant, either a corn plant or weeds. There were 40 images of corn and 40 of weeds. The ability of the ANNs to discriminate weeds from corn was then tested on 20 other images. A total of 80 images of corn plants and weeds were used for training purposes. For some ANNs, the success rate for classifying corn plants was as high as 100%, whereas the highest success rate for weed recognition was 80%. This is considered satisfactory, given the limited amount of training data and the computer hardware limitations. Therefore, it is concluded that an ANN-based weed recognition system can potentially be used in the precision spraying of herbicides in agricultural fields.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle