Andere Kunden interessierten sich auch für
![Il ruolo della traduzione nella denominazione delle malattie]( "Il ruolo della traduzione nella denominazione delle malattie")
Il ruolo della traduzione nella denominazione delle malattie56,99 €![Previsione delle malattie cardiache mediante tecniche di data mining]( "Previsione delle malattie cardiache mediante tecniche di data mining")
Previsione delle malattie cardiache mediante tecniche di data mining29,99 €![La nano-terapia nella nano-medicina come vettore di farmaci nel trattamento delle malattie croniche e del cancro]( "La nano-terapia nella nano-medicina come vettore di farmaci nel trattamento delle malattie croniche e del cancro")
La nano-terapia nella nano-medicina come vettore di farmaci nel trattamento delle malattie croniche e del cancro29,99 €![Diagnosi delle malattie utilizzando tecniche di intelligenza artificiale]( "Diagnosi delle malattie utilizzando tecniche di intelligenza artificiale")
Diagnosi delle malattie utilizzando tecniche di intelligenza artificiale39,99 €![Rilevamento delle fake news]( "Rilevamento delle fake news")
Rilevamento delle fake news29,99 €![Revisione delle mie ricerche sulle malattie in Iraq]( "Revisione delle mie ricerche sulle malattie in Iraq")
Revisione delle mie ricerche sulle malattie in Iraq15,99 €![Focus sulla farmacia sociale e preventiva]( "Focus sulla farmacia sociale e preventiva")
Focus sulla farmacia sociale e preventiva62,99 €
Le malattie e i parassiti delle piante sono un problema serio in agricoltura. Un rilevamento accurato e più rapido delle malattie e dei parassiti nelle piante potrebbe contribuire allo sviluppo di un metodo di trattamento precoce, riducendo in modo significativo le perdite economiche. A questo proposito, l'introduzione della classificazione delle immagini basata sul deep learning ha portato a un numero significativo di soluzioni. L'obiettivo principale di questa ricerca è individuare più rapidamente le malattie delle foglie delle piante di pomodoro adottando il Deep Learning (DL), che può essere utilizzato in modo efficiente per la classificazione delle immagini utilizzando diverse architetture di reti neurali convoluzionali (CNN), tra cui VGG-16, ResNet34 ed EfficentNet0.Prima di concludere la preparazione dei dati, sono state eseguite alcune tecniche di pre-elaborazione. Nel set di dati è stato rilevato uno squilibrio tra le classi, che è stato risolto utilizzando tecniche di campionamento casuale ponderato per evitare distorsioni. L'ottimizzazione del modello è stata effettuata per migliorarne le prestazioni.Il risultato delle previsioni è incorporato in una GUI interattiva. L'interfaccia grafica consente di visualizzare la malattia rilevata. L'utente può inserire la propria immagine per rilevare la classe della malattia.