Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2 2024

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Enhancing crop health through digital twin for disease monitoring and nutrient balance

Mummaneni Sobhana, Sree Sappa Tribhuvana, Devi Katakam Venkata Gayathri

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 1

57--62

Digital twins is a digital replica of a physical object to observe its real-time performance, gather data, and recommend corrective actions if required to enhance its performance. This fascinating technological idea is now reaching the agriculture fields to transform farming, by creating digital twins of entire farms. This initiative presents an innovative strategy to enhance crop health and yield by creating a digital twin for paddy fields. The aim is to enable early detection of nutrient deficiencies and leaf blast disease, leading to a transformation in agriculture. Creating virtual replicas of plants and fields, the digital twin harnesses real-time data and advanced analytics to transform the way agricultural systems are managed. By integrating remote sensing, data analytics, and various Internet of Things devices like pH, nitrous, potassium, and phosphorus sensors, coupled with a gateway system, the digital twin provides real-time monitoring and analysis of crop health and nutrient levels. Employing advanced machine learning algorithms, notably Convolutional Neural Networks ensures precise and early detection of nutrient deficiencies and crop diseases. This ground-breaking technology provides timely alerts and actionable insights to farmers, enabling proactive decision-making for optimal crop management. This farmland digital twin represents a transformative approach towards agricultural sustainability and enhancing productivity.

Cyfrowe bliźniaki to cyfrowa replika obiektu fizycznego, która umożliwia obserwację jego działania w czasie rzeczywistym, gromadzenie danych i rekomendowanie działań naprawczych, jeśli jest to wymagane w celu poprawy jego wydajności. Ta fascynująca koncepcja technologiczna dociera obecnie do dziedzin rolnictwa, aby przekształcić rolnictwo, tworząc cyfrowe bliźniaki całych gospodarstw. Inicjatywa ta przedstawia innowacyjną strategię mającą na celu poprawę zdrowia i plonów upraw poprzez stworzenie cyfrowego bliźniaka pól ryżowych. Celem jest umożliwienie wczesnego wykrywania niedoborów składników odżywczych i zarazy liści, co doprowadzi do transformacji rolnictwa. Tworząc wirtualne repliki roślin i pól, cyfrowy bliźniak wykorzystuje dane w czasie rzeczywistym i zaawansowane analizy, aby zmienić sposób zarządzania systemami rolniczymi. Dzięki integracji teledetekcji, analizy danych i różnych urządzeń Internetu rzeczy, takich jak czujniki pH, azotu, potasu i fosforu, w połączeniu z systemem bramek, cyfrowy bliźniak zapewnia monitorowanie i analizę stanu upraw i poziomów składników odżywczych w czasie rzeczywistym. Zastosowanie zaawansowanych algorytmów uczenia maszynowego, w szczególności konwolucyjnych sieci neuronowych, zapewnia precyzyjne i wczesne wykrywanie niedoborów składników odżywczych i chorób upraw. Ta przełomowa technologia zapewnia rolnikom aktualne alerty i przydatne informacje, umożliwiając proaktywne podejmowanie decyzji w celu optymalnego zarządzania uprawami. Ten cyfrowy bliźniak pól uprawnych reprezentuje transformacyjne podejście do zrównoważonego rozwoju rolnictwa i zwiększania produktywności.

A comprehensive study: intracranial aneurysm detection via VGG16-Densenet hybrid deep learning on DSA images

Mummaneni Sobhana, Ravi Sasi Tilak, Bodedla Jashwanth, Vemulapalli Sree Ram, Jagathapurao Kowshik Varma

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 1

105--110

An intracranial aneurysm is a swelling in a weak area of a brain artery. The main cause of aneurysm is high blood pressure, smoking, and head injury. A ruptured aneurysm is a serious medical emergency that can lead to coma and then death. A digital subtraction angiogram (DSA) is used to detect a brain aneurysm. A neurosurgeon carefully examines the scan to find the exact location of the aneurysm. A hybrid model has been proposed to detect these aneurysms accurately and quickly. Visual Geometry Group 16 (VGG16) and DenseNet are two deep-learning architectures used for image classification. Ensembling both models opens the possibility of using diversity in a robust and stable feature extraction. The model results assist in identifying the location of aneurysms, which are much less prone to false positives or false negatives. This integration of a deep learning-based architecture into medical practice holds great promise for the timely and accurate detection of aneurysms. The study encompasses 1654 DSA images from distinct patients, partitioned into 70% for training (1157 images) and 30% for testing (496 images). The ensembled model manifests an impressive accuracy of 95.38%, outperforming the respective accuracies of VGG16 (94.38%) and DenseNet (93.57%). Additionally, the ensembled model achieves a recall value of 0.8657, indicating its ability to correctly identify approximately 86.57% of true aneurysm cases out of all actual positive cases present in the dataset. Furthermore, when considering DenseNet individually, it attains a recall value of 0.8209, while VGG16 attains a recall value of 0.8642. These values demonstrate the sensitivity of each model to detecting aneurysms, with the ensemble model showcasing superior performance compared to its individual components.

Tętniak wewnątrzczaszkowy to obrzęk w słabym obszarze tętnicy mózgowej. Główną przyczyną tętniaka jest wysokie ciśnienie krwi, palenie tytoniu i uraz głowy. Pęknięcie tętniaka jest poważnym stanem nagłym, który może prowadzić do śpiączki, a następnie śmierci. W celu wykrycia tętniaka mózgu stosuje się cyfrową angiografię subtrakcyjną (DSA). Neurochirurg dokładnie bada skan, aby znaleźć dokładną lokalizację tętniaka. Zaproponowano model hybrydowy do dokładnego i szybkiego wykrywania tych tętniaków. Visual Geometry Group 16 (VGG16) i DenseNet to dwie architektury głębokiego uczenia wykorzystywane do klasyfikacji obrazów. Połączenie obu modeli otwiera możliwość wykorzystania różnorodności w solidnej i stabilnej ekstrakcji cech. Wyniki modelu pomagają w identyfikacji lokalizacji tętniaków, które są znacznie mniej podatne na fałszywie dodatnie lub fałszywie ujemne. Ta integracja architektury opartej na głębokim uczeniu się z praktyką medyczną jest bardzo obiecująca dla szybkiego i dokładnego wykrywania tętniaków. Badanie obejmuje 1654 obrazów DSA od różnych pacjentów, podzielonych na 70% do treningu (1157 obrazów) i 30% do testowania (496 obrazów). Złożony model wykazuje imponującą dokładność 95,38%, przewyższając odpowiednie dokładności VGG16 (94,38%) i DenseNet (93,57%). Dodatkowo, złożony model osiąga wartość pełności 0,8657, co wskazuje na jego zdolność do prawidłowej identyfikacji około 86,57% prawdziwych przypadków tętniaka spośród wszystkich rzeczywistych pozytywnych przypadków obecnych w zbiorze danych. Ponadto, biorąc pod uwagę DenseNet indywidualnie, osiąga on wartość pełności 0,8209, podczas gdy VGG16 osiąga wartość pełności 0,8642. Wartości te pokazują czułość każdego modelu w wykrywaniu tętniaków, przy czym model zespołowy wykazuje lepszą wydajność w porównaniu z jego poszczególnymi komponentami.