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:

Weed detection on carrots using convolutional neural network and internet of thing based smartphone

Patria Lintang, Sambas Aceng, Sulaiman Ibrahim Mohammed, Mohamed Mohamed Afendee, Rusyn Volodymyr, Samila Andrii

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 3

96--100

This study proposes a method based on Convolutional Neural Network (CNN) for automated detection of weed in color image format. The image is captured and transmitted to the Internet of Thing (IoT) server following an HTTP request made through the internet which is made available using the GSM based modem connection. The IoT Server save the image inside server drive and the results are displayed on the smartphone (Vision app). The results show that carrot and weed detection can be monitored accurately. The results of the study are expected to provide assistance to farmers in supporting smart farming technology in Indonesia.

W niniejszym opracowaniu zaproponowano opartą na konwolucyjnej sieci neuronowej (CNN) metodę automatycznego wykrywania chwastów w formacie kolorowego obrazu. Obraz jest przechwytywany i przesyłany do serwera Internetu rzeczy (IoT) po żądaniu HTTP wykonanym przez Internet, który jest udostępniany za pośrednictwem połączenia modemowego GSM. Serwer IoT zapisuje obraz na dysku serwera, a wyniki są wyświetlane na smartfonie (aplikacja Vision). Wyniki pokazują, że wykrywanie marchwi i chwastów może być precyzyjnie kontrolowane. Oczekuje się, że badania pomogą rolnikom we wspieraniu technologii inteligentnego rolnictwa w Indonezji.

Real-time detection and classification of fish in underwater environment using YOLOv5: a comparative study of deep learning architectures

Multajam Rizki, Ayob Ahmad Faisal Mohamad, Sanjaya W.S. Mada, Sambas Aceng, Rusyn Volodymyr, Samila Andrii

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 3

91--95

This article explores techniques for the detection and classification of fish as an integral part of underwater environmental monitoring systems. Employing an innovative approach, the study focuses on developing real-time methods for high-precision fish detection and classification. The implementation of cutting-edge technologies, such as YOLO (You Only Look Once) V5, forms the basis for an efficient and responsive system. The study also evaluates various approaches in the context of deep learning to compare the performance and accuracy of fish detection and classification. The results of this research are expected to contribute to the development of more advanced and effective aquatic monitoring systems for understanding underwater ecosystems and conservation efforts.

Niniejszy artykuł bada metody wykrywania i klasyfikacji ryb jako integralną część podwodnych systemów monitorowania środowiska. Wykorzystując innowacyjne podejście, badania koncentrują się na opracowaniu metod w czasie rzeczywistym do bardzo dokładnego wykrywania i klasyfikacji ryb. Wprowadzenie zaawansowanych technologii, takich jak YOLO (You Only Look Once) V5, stanowi podstawę wydajnego i responsywnego systemu. Badanie ocenia również różne podejścia w kontekście głębokiego uczenia się, aby porównać wydajność i dokładność wykrywania i klasyfikacji ryb. Oczekuje się, że wyniki tych badań przyczynią się do rozwoju bardziej zaawansowanych i wydajnych systemów monitorowania zbiorników wodnych w celu zrozumienia podwodnych ekosystemów i wysiłków na rzecz ochrony przyrody.