Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 2024

Powiadomienia systemowe

Sesja wygasła!
Sesja wygasła!
Sesja wygasła!
Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Wykorzystanie teledetekcji i uczenia maszynowego do oceny stanu terenów zielonych

Radkowski Adam, Kluwak Konrad, Rusiecki Andrzej, Ciskowski Piotr, Jeleń Łukasz, Wiącek Paweł

Przegląd Budowlany

2024

R. 95, nr 5

187--191

Prezentowane badania skupiają się na wykorzystaniu technik teledetekcyjnych w analizie stanu terenów zielonych. W pierwszej części badań główny nacisk kładziony jest na ocenę wizualną, wskaźniki wegetacyjne oraz chemiczną analizę próbek roślin. Za pomocą kamery multispektralnej i RGB pozyskuje się wielokanałowe obrazy, służące do wnioskowania na temat zdrowia roślin, ich kondycji oraz zawartości różnych składników chemicznych. Do tego celu użyto głębokich sieci neuronowych i zaawansowanych metod uczenia maszynowego. Praca prezentuje pionierskie narzędzie do monitorowania i zarządzania zielonymi przestrzeniami w duchu zrównoważonego rozwoju.

The presented research focuses on the use of remote sensing techniques in the analysis of the condition of green areas. In the first part of the research, the main emphasis is placed on visual assessment, vegetation indicators and chemical analysis of plant samples. Using a multispectral and RGB camera, multi-channel images are obtained, used to draw conclusions about the health of plants, their condition and the content of various chemical components. For this purpose, deep neural networks and advanced machine learning methods were used. The work presents a pioneering tool for monitoring and managing green spaces in the spirit of sustainable development.

Deep learning in the classification and recognition of cardiac activity patterns

Jeleń Łukasz, Ciskowski Piotr, Kluwak Konrad

International Journal of Electronics and Telecommunications

2024

Vol. 70, No. 1

79--85

Electrocardiography is an examination performed frequently in patients experiencing symptoms of heart disease. Upon a detailed analysis, it has shown potential to detect and identify various activities. In this article, we present a deep learning approach that can be used to analyze ECG signals. Our research shows promising results in recognizing activity and disease patterns with nearly 90% accuracy. In this paper, we present the early results of our analysis, indicating the potential of using deep learning algorithms in the analysis of both onedimensional and two–dimensional data. The methodology we present can be utilized for ECG data classification and can be extended to wearable devices. Conclusions of our study pave the way for exploring live data analysis through wearable devices in order to not only predict specific cardiac conditions, but also a possibility of using them in alternative and augmented communication frameworks.