Andere Kunden interessierten sich auch für
![Detecção da doença de Hispa do arroz usando um modelo de aprendizagem profunda]( "Detecção da doença de Hispa do arroz usando um modelo de aprendizagem profunda")
Detecção da doença de Hispa do arroz usando um modelo de aprendizagem profunda26,99 €![Classificação de imagens usando Aprendizagem Profunda e Inteligência de Enxame]( "Classificação de imagens usando Aprendizagem Profunda e Inteligência de Enxame")
Classificação de imagens usando Aprendizagem Profunda e Inteligência de Enxame36,99 €![Doença Pulmonar Obstrutiva Crónica Utilizando Algoritmos de Aprendizagem Profunda]( "Doença Pulmonar Obstrutiva Crónica Utilizando Algoritmos de Aprendizagem Profunda")
Doença Pulmonar Obstrutiva Crónica Utilizando Algoritmos de Aprendizagem Profunda29,99 €![Modelo híbrido de aprendizaje profundo para la detección de la enfermedad de la roya amarilla del trigo]( "Modelo híbrido de aprendizaje profundo para la detección de la enfermedad de la roya amarilla del trigo")
Modelo híbrido de aprendizaje profundo para la detección de la enfermedad de la roya amarilla del trigo26,99 €![Modelo de previsão clínica utilizando a aprendizagem de máquinas]( "Modelo de previsão clínica utilizando a aprendizagem de máquinas")
Modelo de previsão clínica utilizando a aprendizagem de máquinas39,99 €![Classificação das emoções que choram, utilizando algoritmos de aprendizagem de máquinas]( "Classificação das emoções que choram, utilizando algoritmos de aprendizagem de máquinas")
Classificação das emoções que choram, utilizando algoritmos de aprendizagem de máquinas36,99 €![Detecção de Sigmatismo com a ajuda da Aprendizagem de Máquina]( "Detecção de Sigmatismo com a ajuda da Aprendizagem de Máquina")
Detecção de Sigmatismo com a ajuda da Aprendizagem de Máquina24,99 €
Em muitas regiões do mundo, a qualidade do trigo e as perdas de rendimento foram aumentadas devido às doenças da ferrugem do trigo. A identificação da doença da ferrugem amarela juntamente com a percentagem de tecidos danificados pela doença da ferrugem em termos de níveis de gravidade é muito importante e normalmente é conseguida através de avaliadores experientes ou de técnicas de visão por computador. Com a ajuda de técnicas de visão por computador, o custo e o tempo devem ser minimizados. Este estudo apresenta um modelo de classificação para a ferrugem amarela do trigo com diferentes níveis de gravidade da doença. É alcançado através de STARGAN e Convolutional neural network (CNN). O STARGAN é proposto neste estudo para aumento de dados. Após a realização de vários experimentos com parâmetros como diferentes épocas, tamanhos de lotes, taxa de aprendizado e taxa de abandono, este estudo atinge uma precisão de classificação de 94,07% para classificar a ferrugem amarela do trigo da planta normal do trigo. Durante a medição da gravidade, a CNN alcançou uma precisão de validação de 94,3% de ferrugem amarela do trigo em alto nível de gravidade.