Abstrato

Machine Learning 2018: Efeito da fuligem na produção de mandioca usando redes neuronais convolucionais - Universidade Semakula Abdumajidhu-Makerere

Semakula Abdumajidhu

Observou-se que as moscas-brancas causam dois tipos de danos às plantas hospedeiras de mandioca que cuidam dos danos e dos danos sombrios. O dano auxiliar, referido como dano de forma suja, é um efeito secundário da melada deixada cair ao cuidar das moscas brancas nas folhas inferiores. É descrito com um obscurecimento sombrio das folhas inferiores que influenciam os níveis de teor de clorofila, uma vez que a clorofila é um marcador da pressão nutritiva das plantas, do limite fotossintético e do estado sólido das plantas. As plantas necessitam de muitos graus potenciais de substância clorofila para reter luz suficiente que será utilizada durante a fotossíntese para produzirem o seu próprio alimento. A forma sombria prejudica com o seu efeito de obscurecimento escuro, impedindo que as folhas recebam raios de luz imediatos durante o processo de fotossíntese, o que leva a baixos rendimentos de mandioca. A utilização de IA para monitorizar a saúde das culturas foi analisada em vários ambientes relacionados, incluindo a divisão de baixas médicas e a sombra relacionada com doenças em produtos orgânicos cítricos. A investigação será planeada para compreender o impacto da forma sombria no teor de clorofila nas plantas de mandioca e perceber como podemos melhorar e aumentar o rendimento da mandioca. Cinco variedades de mandioca que são narocass 1, nase 14, mkumba, njule e bamunanika serão consideradas durante o exame. Determinaremos o grau de penetração da forma suja nestas variedades de mandioca e indicaremos qual a variedade que é geralmente influenciada. Vamos analisar e relacionar informação de outro mundo com a substância clorofila para quantificar a quantidade de clorofila que é influenciada pelos danos causados ??pela forma suja nas fotos da mandioca. Construiremos um modelo de Rede Neural Convolucional (CNN) para avaliar o conteúdo de cor (clorofila) em função das leituras do espectrómetro. Utilizando o nosso modelo, determinaremos o nível da planta que está a ser influenciada e o grau garantido pela forma sombria. Utilizaremos o espectrómetro de campo para fazer estimativas de manuseamento fantasmagórico e, além disso, faremos o exame de deteção remota dos dados. Esta informação será identificada com a substância clorofila para decidir os graus de impacto da forma suja. A exploração levará ao aumento da produtividade da mandioca e, portanto, à descoberta cada vez mais precisa de fungos sujos. Isto melhorará o tempo de reação para as moscas brancas e os cuidados a ter com a mandioca contaminada e suja. Isto nunca mais será um requisito para a criação manual/remoção física de características. De qualquer forma, um número predeterminado de estudos explicou o procedimento de dedução, deixando-o como uma caixa negra distante. Descobrir a CNN para separar a componente académica como uma estrutura interpretável garante a sua fiabilidade, bem como capacita a aprovação da genuinidade do modelo e da preparação do conjunto de dados pela mediação humana. Neste exame,uma variedade de estratégias de representação em neurónios e camadas foi aplicada utilizando uma CNN, preparada com um conjunto de dados de imagens de infeção de plantas de acesso livre. Demonstramos que os sistemas neurais podem captar os matizes e as superfícies das feridas explícitas para doenças individuais mediante determinação, o que se parece com a dinâmica humana. Embora algumas técnicas de perceção tenham sido utilizadas tal como parecem ser, outras devem ser melhoradas para se focarem numa camada específica que capte completamente os destaques para produzir rendimentos notáveis. Além disso, ao decifrar os mapas de consideração produzidos, distinguimos algumas camadas que não estavam a acrescentar às suposições e evacuámos tais camadas dentro do sistema, diminuindo a quantidade de limites em 75% sem influenciar a exatidão do agrupamento. Os resultados fornecem uma força motriz para os clientes de descoberta da CNN no campo da ciência das plantas para compreenderem com maior probabilidade o procedimento de determinação e encorajam a utilização proficiente do deep learning para a análise de infeções em plantas.

Biografia:

Semakula Abdumajidhu está atualmente a frequentar o mestrado em Ciência da Computação na Faculdade de Ciências da Computação e Informação (CoCIS) da Universidade de Makerere. A sua especialização é Visão por Computador e Processamento de Imagens com a sua investigação atual sobre doenças das culturas.