Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: InceptionV3

Sortuj według:

Ogranicz wyniki do:

Plant disease detection using ensembled CNN framework

Mondal Subhash, Banerjee Suharta, Mukherjee Subinoy, Sengupta Diganta

Computer Science

2022

T. 23 (3)

321--333

Agriculture exhibits the prime driving force for the growth of agro-based economies globally. In agriculture, detecting and preventing crops from the attacks of pests is a primary concern in today’s world. The early detection of plant disease becomes necessary in order to avoid the degradation of the yield of crop production. In this paper, we propose an ensemble-based convolutional neural network (CNN) architecture that detects plant disease from the images of a plant’s leaves. The proposed architecture considers CNN architectures like VGG-19, ResNet-50, and InceptionV3 as its base models, and the prediction from these models is used as an input for our meta-model (Inception-ResNetV2). This approach helped us build a generalized model for disease detection with an accuracy of 97.9% under test conditions.

Opracowanie koncepcji i implementacja modelu rozpoznawania obrazu z wykorzystaniem elementów sztucznej inteligencji

Sierżantowicz Anna, Ptasznik Andrzej

Zeszyty Naukowe Warszawskiej Wyższej Szkoły Informatyki

2020

nr 23

7--26

W niniejszym artykule przedstawiono koncepcję i implementację modelu do rozpoznawania ras psów na podstawie zdjęcia. Do realizacji zadania wykorzystano model głębokiej sieci neuronowej bazujący na strukturze InceptionV3. Sieć została wytrenowana i przetestowana na zbiorze przypadków uczących liczącym ponad 20 tys. zdjęć 120 ras psów z zastosowaniem transferu wiedzy. Zbadano również wpływ jakości zdjęć na wyniki klasyfikacji. Sieć uzyskała bardzo dobre rezultaty zarówno w przypadku analizy typowych, jak i nietypowych zdjęć.

This article presents the concept and implementation of a model for recognizing dog breeds based on an input image. The task was performed with the use of a deep neural network model based on the InceptionV3 structure. The neural network has been trained and tested on a dataset counting more than 20,000 images of 120 dog breeds using transfer learning technique. The impact of image quality on classification results was also examined. The model obtained very good results in the analysis of both typical and unusual input images.