Interaktywny system edukacyjny wspomagający proces projektowania oraz eksploatacji sztucznych sieci neuronowych w rolnictwie

• Autorzy: Boniecki P. , Weres J. , Mueller W.

Warianty tytułu

EN

Interactive education system supporting the use of artificial neural networks in agriculture

• Języki publikacji: PL

Abstrakty

PL

W wielu pracowniach naukowych realizowanych jest obecnie wiele nowatorskich projektów naukowo badawczych mających na celu ograniczenie negatywnych skutków występujących w trakcie opryskiwania oraz nawożenia. Dokonuje się to m.in. poprzez tworzenie systemów wczesnego wykrywania chorób roślin, pojawiania się chwastów i innych zagrożeń plonów. Wiele z tych projektów działa już w praktyce i ma duże szanse na praktyczne wykorzystanie w niedalekiej przyszłości na farmach eksperymentalnych, a docelowo w większych gospodarstwach rolnych. Wszystkie te projekty są budowane przy założeniem czynienia jak najmniejszej szkody środowisku naturalnemu (np. inteligentne opryski, nawożenie) dzięki dokładniejszemu oraz pełniejszemu rozpoznaniu oraz analizie wzajemnie powiązanych danych empirycznych. Wiele prac wykorzystuje technikę neuronowego rozpoznawania obrazów, kojarzenia oraz klasyfikacji danych reprezentujących cechy charakterystyczne roślin takie jak kształt, barwa czy faktura [Boniecki i Weres 2003]. Celem pracy było wytworzenie, zgodnie ze standardami inżynierii oprogramowania, interaktywnej aplikacji komputerowej, wspomagającej proces edukacyjny w zakresie konstrukcji oraz eksploatacji wybranych topologii sztucznych sieci neuronowych. Zadaniem aplikacji jest przybliżenie wybranych zagadnień z zakresu generowania i eksploatacji sieci typu perceptron oraz sieci radialnej. Wytworzony system informatyczny ma również praktycznie zaprezentować zasadę działania tych sieci, w szczególności jako narzędzi klasyfikacyjnych, na przykładzie zadania identyfikacji wybranych odmian kwiatów.

EN

Many research institutions conduct novel R&D projects designed to limit the adverse impact of crop spraying and fertilization. Some such projects produce systems for early detection of crop diseases, weed growth and other crop hazards. Many apply their findings in practice or stand a good chance of being employed in the near future, first on experimental and then on larger farms. All of such projects are developed with a view to reducing adverse environmental impact (by e.g. smart crop spraying and fertilization) by more accurately and completely recognizing and analyzing interrelated empirical data. Many such works rely on the neural technology of image recognition, as well as the association and classification of data representing characteristic features of plants (shapes, colors, textures, etc.). The purpose of this project was to develop an interactive computer application pursuant to software engineering standards that would support education in the field of constructing and operating selected artificial neural network topologies. The project is designed to investigate selected problems having to do with the generation and operation of perceptron and radial networks and help present the networks' operating principles as classification instruments in a case of identifying flower varieties for practical purposes.

Słowa kluczowe

PL

sztuczna sieć neuronowa; klasyfikacja; eksplatacja; projektowanie; rolnictwo

EN

artificial neural network; identification; agriculture

• Wydawca: Polskie Towarzystwo Inżynierii Rolniczej
• Czasopismo: Inżynieria Rolnicza
• Rocznik: 2006
• Tom: R. 10, nr 13(88)
• Strony: 17--27
• Opis fizyczny: Bibliogr. 6 poz., rys., tab.

Twórcy

autor

Boniecki P.

autor

Weres J.

autor

Mueller W.

• Uniwersytet Przyrodniczy w Poznaniu, Wydział Rolnictwa i Bioinżynierii, Instytut Inżynierii Rolniczej,

Bibliografia

• Rutkowska D., Piliński M., Rutkowski L. 1997. Sieci neuronowe, algorytmy genetyczne i systemy rozmyte: Wydawnictwo Naukowe PWN, Warszawa-Łódź.
• Osowski S. 2000. Sieci neuronowe do przetwarzania informacji: Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
• Hertz J., Krogh A., Palmer R. G. 1993. Wstęp do teorii obliczeń neuronowych: WNT, Warszwa.
• Boniecki P. 2004. Sieci neuronowe typu MLP oraz RGB jako komplementarne modele aproksymacyjne w procesie predykcji plonu pszenżyta: Journal of Research and Applications in Agricultural Engineering, POZNAŃ, (1’2004), Vol. 49(1), str. 28-33.
• Boniecki P., Weres J. 2003. Wykorzystanie technik neuronowych do predykcji wielkości zbiorów wybranych płodów rolnych: Journal of Research and Applications in Agricultural Engineering, 4’2003, Vol. 48, str. 56-59.
• Minsky, M.L. Papert, S.A. 1969. Perceptrons. Cambridge, MA: MIT Press.