Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Integrating genomics & AI for precision crop monitoring and adaptive stress management

Polegopu Rajesh, Vanapalli Satya Sumanth, Vanapalli Sash Vardhan, Diyya Naga Prudvi, Vandila Mounika, Valluri Divya, Peddinti Anjali, Saladi Sowjanya, Pyla Meghana, Gelli Padmini

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2025

T. 15, nr 2

18--26

Advancements in genomics and artificial intelligence are transforming precision agriculture by enabling early stress detection and adaptive crop management. Integrating genomic analysis, image-based stress detection, and real-time environmental monitoring, this approach assesses plant responses to stress factors such as drought and disease. A BERT-based model processes genomic data, while computer vision identifies visual stress indicators like wilting and discoloration. IoT sensors track environmental parameters such as soil moisture, temperature, andhumidity, refining predictionsand optimizing intervention strategies.The system leverages multimodal data fusion to enhance decision-making, improving the accuracy of stress detection and mitigation strategies. Machine learning models continuously adaptby learning from historical and real-time data, making recommendations more precise over time. A web-based platform allows users to upload plant images and environmental data for real-time analysis, generating personalized recommendations for irrigation, fertilization, and disease management. The platform's intuitive interface ensures accessibility for farmers and agricultural experts, facilitating widespread adoption.By combining AI, genomics, and IoT, this system enhances crop health, maximizes yield, and promotes sustainable farming through proactive, data-driven decision-making. Ultimately, it aims to reduce resource waste, mitigate crop losses, and support scalable, technology-driven agricultural solutions.

Postępy w genomice i sztucznej inteligencji przekształcają rolnictwo precyzyjne, umożliwiając wczesne wykrywanie stresu i adaptacyjne zarządzanie uprawami. Integrując analizę genomiczną, wykrywanie stresu na podstawie obrazu i monitorowanie środowiska w czasie rzeczywistym, podejście to ocenia reakcje roślin na czynniki stresowe, takie jak susza i choroby. Model oparty na BERT przetwarza dane genomowe, podczas gdy wizja komputerowa identyfikuje wizualne wskaźniki stresu, takie jak więdnięcie i przebarwienia. Czujniki IoT śledzą parametry środowiskowe, takie jak wilgotność gleby, temperatura i wilgotność, udoskonalając prognozy i optymalizując strategie interwencji. System wykorzystujemultimodalną fuzję danych w celu usprawnienia procesu decyzyjnego, poprawiając dokładność wykrywania stresu i strategii jego łagodzenia. Modele uczenia maszynowego stale dostosowują się, ucząc się na podstawie danych historycznych i danych w czasie rzeczywistym, dzięki czemu zalecenia są z czasem bardziej precyzyjne. Platforma internetowa umożliwia użytkownikom przesyłanie zdjęć roślin i danych środowiskowych do analizy w czasie rzeczywistym, generując spersonalizowane zalecenia dotyczące nawadniania, nawożenia i zarządzania chorobami. Intuicyjny interfejs platformy zapewnia dostępność dla rolników i ekspertów w dziedzinie rolnictwa, ułatwiając powszechne przyjęcie. Łącząc sztuczną inteligencję, genomikę i IoT, system tenpoprawia zdrowie upraw, maksymalizuje plony i promuje zrównoważone rolnictwo poprzez proaktywne podejmowanie decyzji w oparciu o dane. Ostatecznie ma on na celu zmniejszenie marnotrawstwa zasobów, złagodzenie strat w uprawach i wspieranie skalowalnych, opartych na technologii rozwiązańrolniczych.

Extracting emotion-cause pairs: a BiLSTM-driven methodology

Chandra Raga Madhuri, Neelaiahgari Giri Venkata Sai Tej, Vanapalli Satya Sumanth

Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska

2024

T. 14, nr 4

97--103

Emotions are fundamental to human interactions, intricately influencing communication, behavior, and perception. Emotion-Cause Pair Extraction (ECPE) is a critical task in natural language processing that identifies clause pairs associating emotions with their corresponding triggers within textual documents. Unlike traditional Emotion Cause Extraction (ECE), which relies on pre-annotated emotion clauses, our study introduces a novel end-to-end model for ECPE. This innovative approach utilizes the extensive NTCIR-13 English Corpus to establish a robust baseline for ECPE in English, showcasing significant performance improvements over conventional multi-stage methods. Central to our model is the incorporation of Bidirectional Long Short-Term Memory (BiLSTM) networks, enhancing the ability to capture both local and global dependencies in textual sequences. By effectively combining contextual and positional embeddings, our model accurately predicts emotion-cause relationships, paving the way for a deeper understanding of emotional dynamics in conversational contexts and facilitating causal inference. Furthermore, our research highlights superior performance metrics, aligning its efficacy with state-of-the-art techniques in the field. This study advances emotion recognition in natural language processing, providing valuable insights for nuanced analyses of human emotions within textual data. Additionally, our findings enhance understanding of emotional intelligence in user interaction modeling and conversational AI applications. Through the public availability of our dataset and model, we aim to foster collaboration and further research in this vital area, ultimately improving the capacity for emotional understanding in applications ranging from sentiment analysis to interactive learning.

Emocje mają fundamentalne znaczenie dla interakcji międzyludzkich, ściśle wpływając na komunikację, zachowanie i percepcję. Wyodrębnianie par emocja-przyczyna (ECPE) jest krytycznym zadaniem w przetwarzaniu języka naturalnego, które identyfikuje pary klauzul kojarzące emocje z odpowiadającymi im wyzwalaczami w dokumentach tekstowych. W przeciwieństwie do tradycyjnego wyodrębniania przyczyn emocji (ECE), które opiera się na wstępnie przypisanych klauzulach emocji, proponowane rozwiązanie wprowadza nowatorski kompleksowy model ECPE. To innowacyjne podejście wykorzystuje obszerny anglojęzyczny zbiór NTCIR-13 do ustanowienia solidnej podstawy dla ECPE w języku angielskim, wykazując znaczną poprawę wydajności w porównaniu z konwencjonalnymi metodami wieloetapowymi. Centralnym elementem modelu jest włączenie dwukierunkowych sieci pamięci długotrwałej (BiLSTM), co zwiększa zdolność do wychwytywania zarówno lokalnych, jak i globalnych zależności w sekwencjach tekstowych. Skutecznie łącząc osadzanie kontekstowe i pozycyjne, nasz model dokładnie przewiduje relacje emocji i przyczyn, torując drogę do głębszego zrozumienia dynamiki emocjonalnej w kontekstach konwersacyjnych i ułatwiając wnioskowanie przyczynowe. Co więcej, nasze badania podkreślają doskonałe wskaźniki wydajności, dostosowując ich skuteczność do najnowocześniejszych technik w tej dziedzinie. Badanie to rozwija rozpoznawanie emocji w przetwarzaniu języka naturalnego, dostarczając cennych spostrzeżeń dla zniuansowanych analiz ludzkich emocji w danych tekstowych. Ponadto nasze odkrycia zwiększają zrozumienie inteligencji emocjonalnej w modelowaniu interakcji użytkownika i konwersacyjnych aplikacjach AI. Poprzez publiczną dostępność naszego zbioru danych i modelu, dążymy do wspierania współpracy i dalszych badań w tym istotnym obszarze, ostatecznie poprawiając zdolność rozumienia emocji w zastosowaniach, od analizy nastrojów po interaktywne uczenie się.