Andere Kunden interessierten sich auch für
![Erkennung der Reis-Hispa-Krankheit mithilfe eines Deep-Learning-Modells]( "Erkennung der Reis-Hispa-Krankheit mithilfe eines Deep-Learning-Modells")
Erkennung der Reis-Hispa-Krankheit mithilfe eines Deep-Learning-Modells39,90 €![Deep Learning und maschinelles Lernen für medizinische Diagnosen]( "Deep Learning und maschinelles Lernen für medizinische Diagnosen")
Deep Learning und maschinelles Lernen für medizinische Diagnosen43,90 €![Frühzeitige Erkennung von Krankheiten bei Tomaten]( "Frühzeitige Erkennung von Krankheiten bei Tomaten")
Frühzeitige Erkennung von Krankheiten bei Tomaten43,90 €![Chronisch obstruktive Lungenerkrankung mithilfe von Deep-Learning-Algorithmen]( "Chronisch obstruktive Lungenerkrankung mithilfe von Deep-Learning-Algorithmen")
Chronisch obstruktive Lungenerkrankung mithilfe von Deep-Learning-Algorithmen43,90 €![Vorhersage von COVID-19 mit Hilfe eines neuronalen Faltungsnetzwerks]( "Vorhersage von COVID-19 mit Hilfe eines neuronalen Faltungsnetzwerks")
Vorhersage von COVID-19 mit Hilfe eines neuronalen Faltungsnetzwerks43,90 €![Automatische Erkennung von Hautkrebs]( "Automatische Erkennung von Hautkrebs")
Automatische Erkennung von Hautkrebs60,90 €![DEEP LEARNING & IoT BASED SMART LIFE SAVINGEMERGENCY TRAFFIC LIGHT CON]( "DEEP LEARNING & IoT BASED SMART LIFE SAVINGEMERGENCY TRAFFIC LIGHT CON")
DEEP LEARNING & IoT BASED SMART LIFE SAVINGEMERGENCY TRAFFIC LIGHT CON39,90 €
In vielen Regionen der Welt haben sich die Qualitäts- und Ertragsverluste bei Weizen aufgrund von Weizenrostkrankheiten erhöht. Die Identifizierung der Gelbrostkrankheit zusammen mit dem Prozentsatz der durch die Rostkrankheit geschädigten Gewebe in Bezug auf den Schweregrad ist sehr wichtig und wird in der Regel durch erfahrene Auswerter oder Computer-Vision-Techniken erreicht. Mit Hilfe von Computer-Vision-Techniken sollten die Kosten und der Zeitaufwand minimiert werden. In dieser Studie wird ein Klassifizierungsmodell für Weizengelbrost mit verschiedenen Schweregraden der Krankheit vorgestellt. Es wird mit Hilfe von STARGAN und Convolutional Neural Network (CNN) erstellt. STARGAN wird in dieser Studie zur Datenerweiterung vorgeschlagen. Nach der Durchführung mehrerer Experimente mit verschiedenen Parametern wie Epochen, Stapelgrößen, Lernrate und Dropout-Rate erreicht diese Studie eine Klassifizierungsgenauigkeit von 94,07 %, um Weizengelbrost von der normalen Weizenpflanze zu unterscheiden. Bei der Messung des Schweregrads erreichte CNN eine Validierungsgenauigkeit von 94,3 % für Weizengelbrost bei hohem Schweregrad.