📄Работа №150440
Тема: Классификация изображений растений на основе нейронной сети
Тип работы
Бакалаврская работа
Предмет
информатика
Объем:
45 листов
Год:
2023
Просмотров:
43
4750
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Реферат
Введение 3
1 Обзор современного состояния и способов решения задачи 5
1.1 Описание предметной области 5
1.2 Требования к разрабатываемой системе 8
1.3 Аналитический обзор существующих решений 9
1.4 Выводы по главе 11
2 Проектирование и реализация нейронной сети 12
2.1 Особенности организации сверточной нейронной сети 12
2.2 Обучающая выборка и аугментация данных 14
2.3 Реализация нейронной сети 17
2.4 Подбор гиперпараметров 19
2.5 Обучение и тестирование нейронной сети 23
2.6 Выводы по главе 27
3 Проектирование и реализация системы 28
3.1 Функциональное проектирование системы 28
3.1.1 Прецедент «Классификация изображений» 29
3.1.2 Прецедент «Просмотр данных изображения» 30
3.1.3 Прецедент «Пометка ошибки тестирования» 32
3.1.4 Прецедент «Загрузка весов модели» 33
3.2 Интерфейс системы 36
Заключение 39
Список использованных источников 40
Приложение А Код с реализацией нейронной сети 41
Введение 3
1 Обзор современного состояния и способов решения задачи 5
1.1 Описание предметной области 5
1.2 Требования к разрабатываемой системе 8
1.3 Аналитический обзор существующих решений 9
1.4 Выводы по главе 11
2 Проектирование и реализация нейронной сети 12
2.1 Особенности организации сверточной нейронной сети 12
2.2 Обучающая выборка и аугментация данных 14
2.3 Реализация нейронной сети 17
2.4 Подбор гиперпараметров 19
2.5 Обучение и тестирование нейронной сети 23
2.6 Выводы по главе 27
3 Проектирование и реализация системы 28
3.1 Функциональное проектирование системы 28
3.1.1 Прецедент «Классификация изображений» 29
3.1.2 Прецедент «Просмотр данных изображения» 30
3.1.3 Прецедент «Пометка ошибки тестирования» 32
3.1.4 Прецедент «Загрузка весов модели» 33
3.2 Интерфейс системы 36
Заключение 39
Список использованных источников 40
Приложение А Код с реализацией нейронной сети 41
📖 Введение
Гидропонное выращивание растений является важной частью сельского хозяйства. Одним из условий высокого качества продукции и эффективности производства в условиях гидропонной фермы, которые характеризуются плотной посадкой растений, ограниченным пространством и повышенной влажностью, является своевременное выявление болезней и патологий. Многие заболевания растений требуют раннего выявления и принятия своевременных мер, иначе они быстро распространяются и приводят к снижению урожайности и ухудшению товарного вида продукции.
Еще одной особенностью выращивания растений на современной гидропонной ферме является ее ограниченная площадь и автоматизация всех процессов, связанных с выращиванием растений. Это подразумевает наличие большого числа датчиков, контролируемого освещения и состава питательной жидкости, а так же прочих современных цифровых средств контроля и регулирования. Поэтому автоматизация отслеживания заболеваний растений (а в перспективе и общего их состояния) с использованием современных интеллектуальных технологий является актуальной и реализуемой без больших дополнительных затрат.
Цель работы - создание системы, выполняющей по фотографии классификацию растений в соответствии с заболеванием, которым они страдают.
В ходе выполнения работы требуется решить следующие задачи:
1. Провести анализ задания на работу, изучение предметной области, аналитический обзор существующих решений схожих задач, выбор модели распознавания и технологию ее реализации.
2. Спроектировать, реализовать и обучить модель.
3. Спроектировать, реализовать и протестировать систему диагностики растений.
По итогу выполнения выпускной работы получены следующие результаты.
Анализ работ, связанных с заболеваниями и повреждениями растений методами искусственного интеллекта, показал, что для решения данной задачи наиболее эффективными являются сверточные нейронные сети.
Найдены и подготовлены наборы данных для обучения.
Рассмотрены принципы работы сверточных нейронных сетей, предложена архитектура нейронной сети и выполнен подбор гиперпараметров.
Обучена нейронная сеть, классифицирующая изображения растений по нескольким классам, показывающая точность (accuracy) около 87-89%.
Разработано автономное приложение, позволяющее распознавать заболевания растений по фотографии.
Еще одной особенностью выращивания растений на современной гидропонной ферме является ее ограниченная площадь и автоматизация всех процессов, связанных с выращиванием растений. Это подразумевает наличие большого числа датчиков, контролируемого освещения и состава питательной жидкости, а так же прочих современных цифровых средств контроля и регулирования. Поэтому автоматизация отслеживания заболеваний растений (а в перспективе и общего их состояния) с использованием современных интеллектуальных технологий является актуальной и реализуемой без больших дополнительных затрат.
Цель работы - создание системы, выполняющей по фотографии классификацию растений в соответствии с заболеванием, которым они страдают.
В ходе выполнения работы требуется решить следующие задачи:
1. Провести анализ задания на работу, изучение предметной области, аналитический обзор существующих решений схожих задач, выбор модели распознавания и технологию ее реализации.
2. Спроектировать, реализовать и обучить модель.
3. Спроектировать, реализовать и протестировать систему диагностики растений.
По итогу выполнения выпускной работы получены следующие результаты.
Анализ работ, связанных с заболеваниями и повреждениями растений методами искусственного интеллекта, показал, что для решения данной задачи наиболее эффективными являются сверточные нейронные сети.
Найдены и подготовлены наборы данных для обучения.
Рассмотрены принципы работы сверточных нейронных сетей, предложена архитектура нейронной сети и выполнен подбор гиперпараметров.
Обучена нейронная сеть, классифицирующая изображения растений по нескольким классам, показывающая точность (accuracy) около 87-89%.
Разработано автономное приложение, позволяющее распознавать заболевания растений по фотографии.
✅ Заключение
В ходе выполненной работы были проанализированы проблемы предметной области связанные с заболеваниями и повреждениями растений. Анализ работ по теме показал что для решения данной задачи наиболее эффективными являются сверточные нейронные сети.
Найдены и подготовлены наборы данных для обучения.
Рассмотрены принципы работы сверточных нейронных сетей, предложена архитектура нейронной сети и выполнен подбор гиперпараметров.
Обучена нейронная сеть, классифицирующая изображения растений по нескольким классам, показывающая точность (accuracy) около 87-89%.
Разработано автономное приложение, позволяющее распознавать грибковые заболевания растений по фотографии.
Найдены и подготовлены наборы данных для обучения.
Рассмотрены принципы работы сверточных нейронных сетей, предложена архитектура нейронной сети и выполнен подбор гиперпараметров.
Обучена нейронная сеть, классифицирующая изображения растений по нескольким классам, показывающая точность (accuracy) около 87-89%.
Разработано автономное приложение, позволяющее распознавать грибковые заболевания растений по фотографии.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.