Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Sieci neuronowe" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-15 z 15
    Tytuł:
    Estimation of longitudinal precipitation of liquid indicator (LPLI) with the use of the artificial neural network (MLP, RBF) models
    Estymacja wskaźnika opadu podłużnego rozpylonej cieczy (Wso) za pomocą sztucznych sieci neuronowych (MLP i RBF)
    Autorzy:
    Pentoś, K.
    Cieniawska, B.
    Łuczycka, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/334681.pdf
    Data publikacji:
    2018
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    spraying efficiency
    artificial neural network
    longitudinal precipitation
    jakość opryskiwania
    sztuczne sieci neuronowe
    rozkład podłużny
    Opis:
    The study presents the results of the analysis of two artificial neural networks as models of relationships between longitudinal precipitation of liquid indicator and selected technical and technological factors of spraying process. The measurements were conducted in laboratory conditions. A wind tunnel was primary element in experimental set-up. Based on the results, it can be stated that MLP model (R2 = 0.908 for validation data set) was more accurate that RBF model (R2 = 0.837 for validation data set). The analysis of input variables’ contribution indicated that the LPLI is influenced the most by the air flow speed and the droplet size. Spray boom height and spray nozzle angle were less influencing parameters.
    W pracy przedstawiono wyniki analizy dwóch modeli matematycznych zależności między wskaźnikiem opadu podłużnego rozpylonej cieczy a wybranymi technicznymi i technologicznymi parametrami procesu opryskiwania. Modele zbudowano wykorzystując sztuczne sieci neuronowe. Pomiary przeprowadzono w warunkach laboratoryjnych. Głównym elementem stanowiska badawczego był tunel aerodynamiczny. Na podstawie otrzymanych wyników można stwierdzić, że model oparty o sieć MLP (R2 = 0.908 dla zbioru walidacyjnego) charakteryzował się wyższą dokładnością niż model oparty o sieć RBF (R2 = 0.837 dla zbioru walidacyjnego). Analiza stopnia wpływu poszczególnych parametrów wejściowych modelu na jego wyjście wskazuje, że największy wpływ na Wso mają prędkość przepływu powietrza oraz wielkość kropli. Wysokość belki opryskowej oraz kąt nachylenia rozpylacza w znacznie mniejszym stopniu wpływają na Wso.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2018, 63, 1; 58-62
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural networks type MLP in the process of identification of chosen varieties of maize
    Sieci neuronowe typu MLP w procesie identyfikacji wybranych odmian kukurydzy
    Autorzy:
    Boniecki, P.
    Nowakowski, K.
    Tomczak, R. J.
    Powiązania:
    https://bibliotekanauki.pl/articles/334052.pdf
    Data publikacji:
    2011
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    sieci neuronowe typu MLP
    identyfikacja
    odmiana
    kukurydza
    neural networks type MLP
    identification
    maize
    variety
    Opis:
    During the adaptation process of the weights vector that occurs in the iterative presentation of the teaching vector, the MLP type artificial neural network (Multi Layer Perception) attempts to learn the structure of the data. Such a network can learn to recognize aggregates of input data occurring in the input data set regardless of the assumed criteria of similarity and the quantity of the data explored. The MLP type neural network can be also used to detect regularities occurring in the obtained graphic empirical data. The neuronal image analysis is then a new field of digital processing of signals. It is possible to use it to identity chosen objects given in the form of bit map. If at the network input, a new unknown case appears which the network is unable to recognize, it means that it is different from all the classes known previously. The MLP type artificial neural network taught in this way can serve as a detector signaling the appearance of a widely understood novelty. Such a network can also look for similarities between the known data and the noisy data. In this way, it is able to identity fragments of images presented in photographs of e.g. maize grain. The purpose of the research was to use the MLP neural networks in the process of identification of chosen varieties of maize applying the image analysis method. The neuronal classification shapes of grains was performed with the use of the Johan Gielis super formula.
    Podczas iteracyjnej korekcji wektora wag, zachodzącej w trakcie procesu uczenia sieci neuronowej typu MLP (perceptron wielowarstwowy), następuje adaptacja (przez tworzony model neuronowy) wiedzy zawartej w strukturze analizowanych danych. W badaniach prowadzonych w dyscyplinie inżynieria rolnicza, istotne znaczenie ma proces pozyskiwania informacji zakodowanej w postaci graficznej, np. w formie zdjąć cyfrowych. Często zmiennymi reprezentatywnymi, które w sposób wystarczający charakteryzują zobrazowany obiekt, są wybrane współczynniki kształtu. Celem badań było wykorzystanie sieci neuronowych typu MLP w procesie identyfikacji wybranych odmian kukurydzy z wykorzystaniem metod analizy obrazu. Wykorzystana metoda klasyfikacji polegała na rozpoznawaniu różnic kształtów analizowanych obiektów. Neuronowa identyfikacja została wykonana z użyciem super formuły Johana Gielisa.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2011, 56, 1; 11-13
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Modeling methods of predicting potato yield - examples and possibilities of application
    Metody modelowania predykcji plonu ziemniaków – przykłady i możliwości zastosowania
    Autorzy:
    Piekutowska, M.
    Niedbała, G.
    Adamski, M.
    Czechlowski, M.
    Wojciechowski, T.
    Czechowska-Kosacka, A.
    Wójcik Oliveira, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/337475.pdf
    Data publikacji:
    2018
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    yield prediction
    potato
    artificial neural networks
    regression
    predykcja plonowania
    ziemniak
    sztuczne sieci neuronowe
    regresja
    Opis:
    The purpose of the following work is to review the methods used in predicting plant yields, with particular emphasis on potato production. The article refers to the histological methods of estimating plant yields and prevailing trends: groundbased remote sensing, which is often associated with regression calculus, multiple regression, artificial intelligence and image analysis. There are also two popular models SUBSTOR and LINTUL-POTATO, which are the foundation for developing more and more accurate tools of potato yield estimation. There are many methods that allow to predict yields before the end of the growing season. The most important element in creating prediction models is choosing the appropriate number of independent variables that actually shape the yielding of potatoes. Timely and accurate prediction of crop yields improve the management of agricultural production as well as limit financial, quantitative and qualitative losses of crops.
    Celem niniejszej pracy był przegląd metod wykorzystywanych w prognozowaniu plonów roślin ze szczególnym uwzględnieniem produkcji ziemniaka. W artykule nawiązano do historycznych sposobów szacowania plonów roślin oraz obecnie panujących trendów w predykcji: teledetekcji naziemnej, która często powiązana jest z rachunkiem regresyjnym, regresji wielorakiej, sztucznej inteligencji, analizie obrazów. Wspomniano także o dwóch popularnych modelach SUBSTOR i LINTULPOTATO, które stworzyły podwaliny do opracowywania coraz dokładniejszych narzędzi prognozujących plony ziemniaków. Wiele metod pozwala na predykcję plonów przed zakończeniem sezonu wegetacyjnego. Najistotniejszym elementem tworzenia modeli predykcyjnych jest dobór odpowiedniej liczby zmiennych niezależnych, które rzeczywiście kształtują plonowanie ziemniaków. Terminowe i dokładne prognozy plonów roślin uprawnych usprawniają zarządzanie produkcją rolniczą, pozwalają na ograniczanie strat finansowych, ilościowych i jakościowych plonów.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2018, 63, 4; 176-180
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of artificial neural networks for the prediction of quality characteristics of potato tubers - Innovator variety
    Zastosowanie sztucznych sieci neuronowych do predykcji cech jakościowych bulw ziemniaka odmiany Innovator
    Autorzy:
    Niedbała, G.
    Piekutowska, M.
    Powiązania:
    https://bibliotekanauki.pl/articles/335124.pdf
    Data publikacji:
    2018
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    potato
    Innovator
    dry matter
    neural networks
    sensitivity analysis
    MLP
    ziemniak
    sucha masa
    sieci neuronowe
    analiza wrażliwości
    Opis:
    The aim of the research was to create a model for prediction of tuber dry matter on the basis of underwater weight of tubers (UWW), with the use of neural modelling methods. In order to achieve the aim of the study, data from the years 2011-2017 were collected from the production fields of an individual farm located at the border of Pomeranian and West Pomeranian Voivodeships in Słupski and Sławieński districts. The subject of the research concerned potatoes of the Innovator variety, which were grown for processing purposes - production of French fries. To build a neural model, data from September sampling as well as meteorological and fertilizer data were used. A total of 82 learning cases from the fields covered by the analyses were used, which were divided into two sets. Set 1, for the construction of the neural model consisted of 75 samples. Set 2, which consisted of 7 randomly selected samples, had a validation function and did not participate in the construction of the neural model. For proper model validation, four forecast error measures were used, i.e. relative approximation error (RAE), root mean square error (RMS), mean absolute error (MAE), mean absolute percentage error (MAPE). The model MLP 8:8-12-5-1:1 (BP100,CG31b) was based on eight inputs (meteorological data, fertilization levels) and one output (dry matter of tubers under water). The analysis resulted in a forecast error of 2.81% of MAPE. Moreover, the sensitivity analysis of the neural network showed that the mean air temperature in the period from April to September (T4-9) had the greatest influence on the dry matter of tubers.
    Celem pracy było wytworzenie modelu do predykcji suchej masy bulw na podstawie masy bulw pod wodą z wykorzystaniem metod modelowania neuronowego. Dla realizacji celu pracy zebrano dane pochodzące z lat 2011-2017 pochodzące z pól produkcyjnych gospodarstwa indywidualnego, zlokalizowanego przy granicy województw pomorskiego i zachodniopomorskiego w powiatach słupskim i sławieńskim. Przedmiotem badań były ziemniaki odmiany Innovator, które uprawiano na cele przetwórcze - produkcję frytek. Do budowy modelu neuronowego, wykorzystano dane pochodzące z wrześniowych próbkowań oraz dane meteorologiczne i nawozowe. Łącznie użyto 82 przypadków uczących pochodzących z pól objętych analizami, które zostały podzielone na dwa zbiory. Zbiór 1, do budowy modelu neuronowego składał się z 75 prób. Zbiór 2, który tworzyło 7 losowo wybranych prób, pełnił funkcję walidacyjną i nie uczestniczył w budowie modelu neuronowego. Dla właściwej walidacji modelu zastosowano cztery mierniki błędów prognozy, tj. globalny względny błąd aproksymacji modelu (RAE), błąd średniokwadratowy (RMS), błąd średni bezwzględny (MAE), błąd średni bezwzględny procentowy (MAPE). Wytworzony model MLP 8:8-12-5-1:1 (BP100,CG31b) bazował na ośmiu wejściach (dane meteorologiczne, poziomy nawożenia) i jednym wyjściu (sucha masa bulw pod wodą). W wyniku przeprowadzonych analiz uzyskano wynik błędu prognozy na poziomie 2.81% MAPE. Ponadto analiza wrażliwości sieci neuronowej wykazała, że największy wpływ na suchą masę bulw miała średnia temperatura powietrza w okresie od kwietnia do września (T4-9).
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2018, 63, 4; 132-138
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    System informatyczny "nStraw" wspomagający neuronową identyfikację stopnia dojrzałości kompostu
    Computer system "nStraw" assisting a neural identification of compost maturity
    Autorzy:
    Boniecki, P.
    Jakubek, A.
    Kuzimska, T.
    Pilarski, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/336465.pdf
    Data publikacji:
    2012
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    kompost
    dojrzałość
    analiza obrazu
    sztuczna inteligencja
    sieci neuronowe
    compost
    maturity
    image analysis
    artificial intelligence
    neural networks
    Opis:
    Celem pracy była neuronowa identyfikacja stopnia rozkładu materiału organicznego (słomy) na podstawie informacji graficznej, uzyskanej przy użyciu metod analizy obrazu. W tym celu opracowano oryginalny system informatyczny "nStraw", umożliwiający edycję obrazów cyfrowych, akwizycję danych graficznych, ich analizę oraz konwersję do zbiorów uczących w postaci akceptowalnej przez symulator sztucznych sieci neuronowych.
    The aim of this study was to describe a neural identification of the level of decomposition of organic material, based on graphic information, which is obtained by using image analysis. For this purpose, a neural network "nStraw" was generated for editing images, data retrieval and analysis.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2012, 57, 1; 21-25
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of artificial neural networks to analyze the emergence of soybean seeds after applying herbal treatments
    Zastosowanie sztucznych sieci neuronowych do analizy wschodów nasion soi po zastosowaniu zapraw ziołowych
    Autorzy:
    Niedbała, G.
    Piekutowska, M.
    Rudowicz-Nawrocka, J.
    Adamski, M.
    Wojciechowski, T.
    Herkowiak, M.
    Szparaga, A.
    Czechowska-Kosacka, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/335114.pdf
    Data publikacji:
    2018
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    soybean
    natural seed treatments
    neural networks
    sensitivity analysis
    MLP
    soja
    naturalne zaprawy nasienne
    sieci neuronowe
    analiza wrażliwości
    Opis:
    The aim of the following work is to indicate factors which significantly affect the emergence of selected soybean varieties after application of natural herbal extracts based on - Levisticum officinale L., Ribes nigrum L., Matricaria chamomilla L., as wet seed treatments using two methods of treatment. The research material included seeds treated for 24 hours in macerats, decoctions and infusions made from the above herb species as well as untreated seeds, seeded together with preparations in point application. Untreated seeds were used as the control group. The experiment was being conducted for 16 days in a greenhouse facility belonging to the COBORU Experimental Station for Variety Testing in Karzniczka. The assessed parameter referred to the percentage of soybean seedlings emergence ability determined based on the number of emerged plants. Indication of the importance of factors in shaping soybean emergence and considering their rank was possible due to the sensitivity analysis of the generated neural network with the MLP architecture 4:4-13-5-1:1 with two hidden layers. All analyzed factors of the experiment significantly shaped the ability of soybean emergence, with the following order: cultivar, application method, herb species from which the extract was made, form of preparation.
    Celem pracy było wskazanie czynników istotnie wpływających na wschody wybranych odmian soi po zastosowaniu naturalnych ekstraktów wodnych na bazie ziół - Levisticum officinale L., Ribes nigrum L., Matricaria chamomilla L., jako zapraw nasiennych na mokro z wykorzystaniem dwóch sposobów zaprawiania. Materiał badawczy stanowiły nasiona zaprawiane przez dobę w maceratach, wywarach i naparach sporządzonych z powyższych gatunków ziół oraz nasiona niezaprawiane, wysiewane łącznie z aplikacją punktową preparatów. Za obiekt kontrolny przyjęto nasiona niezaprawiane. Eksperyment prowadzono przez 16 dni w obiekcie szklarniowych należącym do Stacji Doświadczalnej Oceny Odmian COBORU w Karzniczce. Parametrem poddanym ocenie była procentowa zdolność wschodów siewek soi określana na podstawie liczby wzeszłych roślin. Wskazanie istotności czynników w kształtowaniu zdolności wschodów soi oraz uwzględnienie ich rangi było możliwe dzięki analizie wrażliwości wytworzonej sieci neuronowej o architekturze MLP 4:4-13-5-1:1 z dwoma ukrytymi warstwami. Wszystkie analizowane czynniki doświadczenia znacząco kształtowały zdolność wschodów soi, a ich waga miała następującą kolejność: odmiana, sposób aplikacji preparatu, gatunek zioła, z którego sporządzono ekstrakt, forma preparatu.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2018, 63, 4; 145-149
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The use of artificial intelligence methods for optimization of tractive properties on silty clay loam
    Metody sztucznej inteligencji w optymalizacji wybranych właściwości trakcyjnych na glebach gliniastych
    Autorzy:
    Pieczarka, K.
    Pentoś, K.
    Lejman, K.
    Owsiak, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/334663.pdf
    Data publikacji:
    2018
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    traction force
    traction efficiency
    artificial neural network
    genetic algorithm
    siła trakcyjna
    sprawność trakcyjna
    sztuczne sieci neuronowe
    algorytm ewolucyjny
    Opis:
    The aim of this study was to develop valuable model of the interaction between low-power tractors wheel and deformed ground as well as to optimize tractor performance on silty clay loam. The relationships between traction force as well as traction efficiency and soil moisture, soil compaction, horizontal deformation, and vertical load were the subject of investigation. The research was carried out in the laboratory conditions. The two soft computing techniques of mathematical modeling were used: multilayer perceptron and radial basis function neural network. The more efficient model was obtained by multilayer perceptron. For the model with traction force as the output parameter the coefficient of determination was equal to 0,963 (MLP model) and 0,907 (RBF model). For the model with traction efficiency as the output parameter the coefficient of determination was equal to 0,986 and 0,944, respectively. Using the MLP model, the sensitivity analysis was conducted. The highest relative influence on traction force was observed for vertical load, in the case of traction efficiency, horizontal deformation is the most important parameter. For both dependent variables the lowest influence was calculated for soil compaction. The optimization of tractive properties requires generally high horizontal deformation, average soil moisture and high soil compaction. High vertical load is necessary for traction force maximization and relatively low for traction efficiency optimization.
    Celem pracy było wygenerowanie możliwie dokładnych modeli opisujących interakcję układu opona napędowa–gleba gliniasta dla mikrociągnika. Na podstawie wygenerowanych modeli przeprowadzono optymalizację pracy analizowanego układu. Badaniom podlegały zależności między siłą i sprawnością trakcyjną a wilgotnością i zwięzłością gleby, deformacją poziomą i obciążeniem pionowym. Badania przeprowadzono w warunkach laboratoryjnych. W zadaniu modelowania matematycznego wykorzystano dwie techniki sztucznej inteligencji: sieć neuronową typu perceptron wielowarstwowy (MLP) oraz sieć neuronową z radialnymi funkcjami bazowymi (RBF). Bardziej dokładny okazał się model oparty o sieć MLP. Współczynnik determinacji opisujący jakość modelu w przypadku siły trakcyjnej wynosił 0,963 (model MLP) i 0,907 (model RBF). W przypadku sprawności trakcyjnej współczynnik determinacji wyniósł odpowiednio 0,986 i 0,944. Wykorzystując modele oparte na sieci MLP przeprowadzono analizę wrażliwości modeli. Analiza ta wykazała, że największy wpływ na siłę trakcyjną ma obciążenie pionowe, a w przypadku sprawności trakcyjnej najbardziej znaczącym parametrem jest deformacja pozioma. Dla obu zmiennych zależnych, najmniej znaczącym parametrem jest zwięzłość gleby. Optymalizacja parametrów trakcyjnych wymaga generalnie dużej wartości deformacji poziomej, średniej wartości wilgotności i dużej zwięzłości gleby. Maksymalizacja siły trakcyjnej jest możliwa przy dużej wartości obciążenia pionowego, a optymalną wartość sprawności trakcyjnej można uzyskać przy niskiej wartości obciążenia pionowego.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2018, 63, 1; 63-68
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    System informatyczny PiAO2 jako narzędzie wspomagające bezwzorcową neuronową klasyfikację pomidorów
    Computer system PiAO2 as a tool for assist neural classification of tomatoes without supervision
    Autorzy:
    Boniecki, P.
    Zaborowicz, M.
    Przybył, K.
    Pilarski, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/336447.pdf
    Data publikacji:
    2012
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    pomidory
    analiza obrazu
    sztuczna inteligencja
    sieci neuronowe
    systemy informatyczne
    tomatoes
    image analysis
    artificial intelligence
    neural networks
    computer systems
    Opis:
    Analiza obrazów oraz pozyskiwanie danych zawartych w obrazach cyfrowych są istotnym elementem w procesie generowania zbiorów uczących, przeznaczonych do budowy modeli neuronowych. Wraz z rozwojem komputerowej analizy obrazu możliwe jest pozyskiwanie coraz większej ilości danych. Dlatego zasadne jest tworzenie nowych oraz modyfikowanie istniejących systemów informatycznych, wspierających neuronową analizę obrazów o nowe funkcje, zwiększające użyteczność tych aplikacji.
    Image analysis and gathering data from digital images is an important element in process of generating learning sets for the construction of the neural models. With the development of computer image analysis it is possible to obtain more data. This is a reason to create and develop computer systems that support neural image analysis and increase usability of this software.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2012, 57, 1; 26-28
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neural identification of images showing selected varieties of stored potatoes
    Neuronowa identyfikacja obrazów wybranych odmian magazynowanych ziemniaków
    Autorzy:
    Lange, D. M.
    Przybył, K.
    Łukomski, M.
    Koszela, K.
    Boniecki, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/334965.pdf
    Data publikacji:
    2018
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    artificial neural networks
    neural modeling
    image analysis
    graphic descriptors
    edible potato tubers
    sztuczne sieci neuronowe
    modelowanie neuronowe
    analiza obrazu
    deskryptor graficzny
    bulwa
    ziemniak jadalny
    Opis:
    In recent years, there has been a growing interest in the use of modern IT tools in agricultural engineering. Both image analysis methods and artificial neural networks, designed to reproduce the work of the human brain, serve to build predictive and classification models, highly useful for modern agriculture. Correct identification of both the seed material and the produced crops becomes a priority of agricultural engineering, ensuring adequate efficiency and cost-effectiveness of agrotechnical operations. This article presents a project whose aim was to develop an effective neural model for qualitative identification of the variety of stored consumer potato tubers by using input data obtained in the process of digital image analysis. The designed and created artificial neural network model (multilayer perceptron), using informations in the form of selected graphic descriptors, classifies three selected varieties of edible potato (Denar, Gala, Vineta).
    W ostatnich latach dostrzec można wzrastające zainteresowanie wykorzystywaniem nowoczesnych narzędzi informatycznych w inżynierii rolniczej. Zarówno metody analizy obrazu, jak i sztuczne sieci neuronowe, mające odwzorowywać pracę ludzkiego mózgu, służą budowaniu modeli predykcyjnych i klasyfikacyjnych, wysoce użytecznych dla współczesnego rolnictwa. Właściwa identyfikacja zarówno materiału siewnego, jak i wytworzonych plonów, staje się priorytetem inżynierii rolniczej, zapewniając odpowiednią efektywność i opłacalność przeprowadzanych zabiegów agrotechnicznych. Niniejszy artykuł przedstawia projekt, którego celem było opracowanie efektywnego modelu neuronowego służącego do identyfikacji jakościowej odmiany magazynowanych bulw ziemniaków konsumpcyjnych przy użyciu danych wejściowych pozyskanych w procesie analizy obrazów cyfrowych. Zaprojektowany i wytworzony model sztucznej sieci neuronowej (perceptron wielowarstwowy), korzystający z informacji w postaci wybranych deskryptorów graficznych, klasyfikuje trzy wybrane odmiany ziemniaka jadalnego (Denar, Gala, Vineta).
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2018, 63, 4; 110-113
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Klasyfikacja suszu pietruszki z wykorzystaniem sztucznych sieci neuronowych
    Classification of dried parsnip using artificial neural networks
    Autorzy:
    Koszela, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/336411.pdf
    Data publikacji:
    2012
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    zastosowanie komputerów
    analiza obrazów
    sztuczna inteligencja
    sieci neuronowe
    susz pietruszki
    computer applications
    image analysis
    artificial intelligence
    neural networks
    dried parsnip
    Opis:
    W ostatnich latach prace naukowo-badawcze realizowane w inżynierii rolniczej coraz częściej wykorzystują nowoczesne narzędzie modelowania, jakim są sztuczne sieci neuronowe. To narzędzie, jako uniwersalny aproksymator, w połączeniu z komputerową analizą obrazów, stosowane jest do tworzenia modeli empirycznych, opisujących zjawiska i procesy występujące w pozyskiwaniu i przetwarzaniu materiałów roślinnych. Szczególną cechą sztucznych sieci neuronowych jest zdolność uogólniania nabytej wiedzy, co jest ważnym aspektem w badaniach na obiektach o dużej liczbie czynników determinujących dany proces. Celem pracy badawczej było opracowanie modelu neuronowego do oceny jakości suszu pietruszki i jego klasyfikacji na podstawie cyfrowych fotografii. Do analizy i klasyfikacji wykorzystano susz pietruszki pozyskany metodą konwekcyjną. Do modelu klasyfikacyjnego wybrano cechy charakterystyczne, które umożliwiały klasyfikację ze względu na jakość suszu. W wyniku przeprowadzonych badań wygenerowano kilka modeli neuronowych, które poddano weryfikacji i walidacji.
    In recent years, agricultural engineers working in research have been using modern modeling tools, such as artificial neural networks, with increasing frequency. This tool, as a universal approximator together with computer image analysis is used to create empirical models that describe phenomena and processes involved in extracting and processing plant materials. Artificial neural networks are able to generalize from acquired knowledge, and this is an important feature when analyzing data involving a large range of factors to determine a given process. The objective of this research work was to develop a neural model allowing the assessment of dried parsnip quality and its classification on the basis of digital photos. Obtained by the convection method, the dried parsnip was analysed and classified. Its characterisctic features were chosen, allowing classification according to quality. As the result of the research, a number of generated neural models were verified and validated.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2012, 57, 1; 87-90
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neuronowa estymacja poziomu emisji biometanu z typowych substratów rolniczych
    Neural estimation of methane emission level from typical agricultural substrates
    Autorzy:
    Pilarski, K.
    Boniecki, P.
    Dach, J.
    Koszela, K.
    Lewicki, A.
    Zbytek, Z.
    Powiązania:
    https://bibliotekanauki.pl/articles/336379.pdf
    Data publikacji:
    2012
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    kiszonka
    biogaz
    metan
    procesy
    ocena
    sztuczna inteligencja
    sieci neuronowe
    modelowanie
    badania
    silage
    biogas
    methane
    processes
    evaluation
    artificial intelligence
    neural networks
    modeling
    experimentations
    Opis:
    Efektywnym podejściem do estymacji procesów zachodzących w złożonych systemach empirycznych inżynierii rolniczej jest wykorzystanie nowoczesnych metod, jakie reprezentują neuronowe techniki predykcyjne. Sztuczne sieci neuronowe stanowią intensywnie rozwijającą się dziedzinę wiedzy, coraz częściej stosowaną w wielu obszarach zarówno nauki, jak również praktyki. Podstawą działania sztucznych sieci neuronowych są algorytmy uczące, umożliwiające zaprojektowanie odpowiedniej topologii sieci oraz dobór parametrów tej struktury. W pracy zaproponowano wykorzystanie technik neuronowego modelowania do estymacji poziomu zawartości metanu w biogazie, emitowanego w trakcie procesu fermentacji metanowej kiszonki. Uzyskane wyniki badań potwierdzają hipotezę, że predykcyjny model neuronowy, opisujący produkcję metanu w trakcie procesu fermentacji kiszonki w biofermentorze, jest właściwym instrumentem dla dokonania oceny prognozowania poziomu tej emisji.
    The usage of modern methods, which represent predictive neural techniques is an effective approach to the estimation of the processes occurring in the complex empirical systems of agricultural engineering. The artificial neural networks are a rapidly expanding field of knowledge used increasingly in many areas of science, as well as practice. The learning algorithms, enabling the design of appropriate network topology and selection of the parameters of this structure, matched to the problem to be solved are the basis of functioning of artificial neural networks. The paper proposes the use of neural modeling techniques to estimate the level of methane content in the biogas emitted over the methane fermentation process of silage. Obtained research results confirm the hypothesis that predictive neural model describing the methane production during the silage fermentation process in biofermentor is an appropriate tool to assess the forecasting of the level of this emission.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2012, 57, 1; 115-119
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Neuronowe rozpoznanie ciąży na podstawie obrazów ultrasonograficznych macicy krowy z wykorzystaniem systemu informatycznego "USG Recognizer"
    Neural identification of the embryo of calf based on ultrasound images of the cow s womb using computer system "USG Recognizer"
    Autorzy:
    Kuzimska, T.
    Boniecki, P.
    Jaśkowski, J. M.
    Przybył, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/336377.pdf
    Data publikacji:
    2012
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    krowa
    macica
    ciąża
    ultrasonografia
    analiza obrazu
    sztuczna inteligencja
    sieci neuronowe
    modelowanie neuronowe
    systemy informatyczne
    cow
    womb
    pregnancy
    ultrasonography
    image analysis
    artificial intelligence
    neural networks
    neural modeling
    computer systems
    Opis:
    W pracy zaprezentowano wytworzony, oryginalny system informatyczny "USG Recognizer", który zaopatrzony został w szereg funkcji wspomagających tworzenie adekwatnych zbiorów uczących, niezbędnych w procesie generowania modeli neuronowych. Dzięki tym funkcjonalnościom możliwa jest identyfikacja oraz ekstrakcja wiedzy zawartej w graficznych danych empirycznych, zakodowanej w postaci cyfrowych zdjęć ultrasonograficznych. W oparciu o zbudowaną aplikację wygenerowana została sztuczna sieć neuronowa, której celem było wspomaganie rozpoznania lub wykluczenia ciąży, dokonanego na podstawie ultrasonogramów macicy krowy. Zaproponowany system informatyczny "USG Recognizer" został zbudowany z wykorzystaniem środowisk: Visual Paradigm (UML 8.0) oraz Microsoft Visual Studio 2010 Professional Edition.
    The software "USG Recognizer" that was described in this work is equipped with a binarization function with threshold. The application also fulfills some additional functions such as: contrast and closing. With this functionality it is possible to achieve empirical data from digital ultrasound photo of cow's womb. The artificial neural network was generated on the basis of created application. The main purpose of this network is to support an identification or exclusion of the gestation in user's ultrasound picture. "USG Recognizer" was created using Visual Paradigm (UML 8.0) and Microsoft Visual Studio 2010 Professional Edition environments.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2012, 57, 1; 96-100
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    The use of artificial neural networks to predict the spatial variability of grain quality during combine harvest of wheat
    Wykorzystanie sztucznych sieci neuronowych do prognozowania zmienności przestrzennej jakości ziarna podczas zbioru kombajnowego pszenicy
    Autorzy:
    Niedbała, G.
    Czechlowski, M.
    Wojciechowski, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/335514.pdf
    Data publikacji:
    2013
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    sztuczne sieci neuronowe
    MLP
    predykcja neuronowa
    selektywny zbiór zbóż
    spektroskopia VIS-NIR
    artificial neural network
    neural prediction
    selective grain harvest
    VIS-NIR spectroscopy
    Opis:
    The aim of the study was to attempt to build and validate the neural model controlling the qualitative selection of the stream of grain mass as early as the stage of combine harvesting of winter wheat. The model uses the highest possible number of data describing locally changeable environmental conditions such as: protein content, moisture and yield of wheat grain, soil abundance in basic nutrients (total Kjeldahl nitrogen, exchangeable phosphorus and potassium, magnesium) and additionally - the pH coefficient, content of organic matter in soil and the relative altitude. The construction of the neural model was preceded with a multiple regression analysis. The results of the analysis (α = 0.05) indicated statistical significance of all of the traits under analysis, which influence grain quality and are defined as the content of protein. The MLP neural network (9-30-1) consisted of one hidden layer containing 30 neurons, one output and nine inputs. The network learning was done with the BFGS (Broyden-Fletcher-Goldfarb-Shanno) algorithm in a single phase during 827 epochs with the SOS error function. The study was a part of the development project No. R12 0073 06 entitled “Development and validation of the technology for separation grain stream during cereals selective harvesting”, financed by the Polish National Centre for Research and Development.
    Celem pracy było podjęcie próby budowy i walidacji modelu neuronowego sterującego selekcją jakościową strumienia masy ziarna już na etapie kombajnowego zbioru pszenicy ozimej. Model wykorzystuje jak najwięcej danych opisujących lokalnie zmienne warunki środowiskowe takie jak: zawartości białka, wilgotność i wielkość plonu ziarna pszenicy, zasobność gleby w podstawowe składniki pokarmowe (azot ogólny, fosfor i potas wymienny, magnez) oraz dodatkowo współczynnik pH, zawartość materii organicznej w glebie oraz wysokość względną NPM. Budowę modelu neuronowego poprzedzono analizą regresji wielorakiej. Wyniki tej analizy na poziomie α = 0,05 wskazały istotność statystyczną wszystkich badanych cech wpływających na jakość ziarna zdefiniowaną jako zawartość białka. Zbudowana sieć neuronowa typu MLP (9-30-1) składała się jednej warstwy ukrytej zawierającej 30 neuronów, jednego wyjścia i dziewięciu wejść. Uczenie sieci z wykorzystaniem algorytmu BFGS wykonano jednofazowo w trakcie 827 epok z funkcją błędu SOS. Pracę zrealizowano w ramach projektu rozwojowego nr R12 0073 06 pt: „Opracowanie i walidacja technologii rozdziału strumienia ziarna podczas selektywnego zbioru zbóż” finansowanego przez NCBIR.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2013, 58, 1; 126-129
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Recursive Partitioning application in the assessment of the climatic conditions impact of non- CO2 GHGs on agricultural emissions
    Zastosowanie metody Recursive Partitioning w ocenie wpływu warunków klimatycznych na rolnicze emisje gazów cieplarnianych innych niż CO2
    Autorzy:
    Kolasa-Więcek, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/334096.pdf
    Data publikacji:
    2013
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    gazy cieplarniane
    CH4
    N2O
    modelowanie
    sieci neuronowe
    drzewa decyzyjne
    warunki meteorologiczne
    greenhouse gases
    modeling
    neural networks
    decision trees
    meteorological conditions
    Opis:
    Agricultural practices contribute to emissions of the greenhouse gases (GHGs) such a methan (CH4) and nitrous oxide (N2O). Their estimated share from agricultural sources is assessed at around 50% of CH4 and 60% of N2O emissions. The efforts made by the agricultural sector aim to limit and reduce emissions. Due to their significant share, all the complementary knowledge information concerning their reduction are highly precious. The paper proposes the use of neural modeling techniques and the summary of results by modeling based on a decision tree (Recursive Partitioning) to estimate the levels of methane and nitrous oxide emissions from agriculture under varying weather conditions in Poland. The obtained results support the hypothesis that neural model describing the effect of meteorological conditions on the CH4and N2O emissions is an appropriate tool for the assessment of the projected emission level.
    Praktyki rolnicze przyczyniają się do emisji gazów cieplarnianych (GGC), takich jak metan (CH4) i podtlenku azotu (N2O). Ich szacunkowy udział ze źródeł rolniczych oceniany jest na około 50% emisji CH4 i 60% emisji N2O. Wysiłki podejmowane przez sektor rolny mają na celu ograniczenie i redukcję ich emisji. Ze względu na ich znaczący udział, wszelkie informacje dopełniające wiedzę na temat możliwości ich redukcji są niezwykle cenne. W pracy zaproponowano wykorzystanie technik neuronowego modelowania oraz posumowania wyników z wykorzystaniem modelowania w oparciu o drzewo decyzyjne (Recursive Partitioning) do estymacji poziomu metanu i podtlenku azotu emitowanych z rolnictwa przy zmiennych warunkach meteorologicznych w Polsce. Uzyskane wyniki badań potwierdzają hipotezę, że model neuronowy, opisujący wpływ warunków meteorologicznych na emisję CH4 i N2O, jest właściwym instrumentem dla dokonania oceny prognozowania poziomu tej emisji.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2013, 58, 1; 96-101
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Maturity classification for composted sewage sludge and rapeseed straw mixture based on neural analysis of images acquired in UV-A light
    Klasyfikacja dojrzałości kompostowanej mieszaniny osadu ściekowego i słomy rzepakowej na podstawie neuronowej analizy obrazów pozyskanych w świetle UV-A
    Autorzy:
    Kujawa, S.
    Powiązania:
    https://bibliotekanauki.pl/articles/336582.pdf
    Data publikacji:
    2018
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    image analysis
    neural networks
    UV-A lighting
    compost maturity
    communal sewage sludge
    rapeseed straw
    analiza obrazu
    sieci neuronowe
    oświetlenie UV-A
    dojrzałość kompostu
    komunalny osad ściekowy
    słoma rzepakowa
    Opis:
    Composting is one of the most efficient ways of managing municipal sewage sludge. Recently, due to the increased demand for composting, the issue of conducting this process in cost effective way is of particular importance. Determining the early maturity stage of the composted material can significantly improve the efficiency of surface management of relatively expensive compost plant. The following research presents classification of neural models for determining the early stage of composted mixture of sewage sludge and rapeseed straw, basing on information contained in images of material samples obtained with UV-A illumination. The topology of the MLP network was used in the construction of classification models. As input variables, 25 color parameters and 21 texture parameters were originally used, but also steps were taken to eliminate their number. The classification error for the developed neural models ranged from 1.83 to 4.27%. The best model in terms of the lowest value of error, and the smallest number of input variables required, included 16 neurons in the input layer, 50 neurons in the hidden layer and 2 neurons in the output layer. The following model is characterized by a slightly lower classification error and a slightly simpler structure than the best possible model developed in earlier studies for visible light illumination.
    Kompostowanie jest jednym z najwłaściwszych sposobów zagospodarowania komunalnych osadów ściekowych. W ostatnim czasie, ze względu na wzmożone zapotrzebowania na kompostowanie tych osadów, szczególnego znaczenia nabiera kwestia prowadzenia tego procesu w sposób wydajny. Odpowiednio wczesne wykrywanie osiągnięcia przez kompostowany materiał stadium wczesnej dojrzałości może znacząco poprawić efektywność gospodarowania powierzchnią relatywnie drogiej płyty kompostowej. W pracy opracowano klasyfikacyjne modele neuronowe do określania tego stadium dla kompostowanej mieszaniny osadu ściekowego i słomy rzepakowej, bazujące na informacjach zawartych w obrazach próbek materiału, pozyskanych przy oświetleniu UV-A. Przy budowie modeli klasyfikacyjnych wykorzystano topologię sieci MLP. Jako zmienne wejściowe pierwotnie wykorzystano 25 parametrów dotyczących barwy oraz 21 parametrów dotyczących tekstury, przy czym wykonano również działania dążące do eliminacji ich liczby. Błąd klasyfikacji dla opracowanych modeli neuronowych zawierał się w przedziale od 1.83 do 4.27%. Najlepszy model pod względem najniższej wartości tego błędu, a przy tym najmniejszej liczby wymaganych zmienny wejściowych, zawierał 16 neuronów w warstwie wejściowej, 50 neuronów w warstwie ukrytej i 2 neurony w warstwie wyjściowej. Model ten cechował się nieco niższym błędem klasyfikacji i nieco prostszą strukturą, niż najlepszy z modeli opracowanych we wcześniejszych badaniach dla oświetlenia w postaci światła widzialnego.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2018, 63, 4; 94-100
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-15 z 15

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies