Autor: Nowakowski, P. - Katalog OPAC zbiorów

Skocz do pozycji: 1.

Tytuł:: Neuronowy model do identyfikacji makrouszkodzeń ziarniaków
Neural model for identification of damages of corn kernels
Autorzy:: Nowakowski, K.
Boniecki, P.
Powiązania:: https://bibliotekanauki.pl/articles/336815.pdf
Data publikacji:: 2008
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: model neuronowy
makrouszkodzenie
ziarniak
identyfikacja
neural model
damage
corn kernel
identification
Opis:: Realizacja projektu obejmowała zbudowanie i wytrenowanie neuronowego modelu do identyfikacji makrouszkodzeń ziarniaków. Rozpoznawania uszkodzeń dokonywano na podstawie cyfrowych fotografii skonwertowanych przez wytworzony system informatyczny do postaci zbiorów uczących dedykowanych dla sztucznej sieci neuronowej. Do uczenia sieci wybrano zestaw reprezentatywnych cech. W zbiorze tym zawarto informacje o barwie (zakodowanej do postaci liczbowej), polu powierzchni, obwodzie i wybranych współczynnikach kształtu. Pojedynczy przypadek uczący zawierał 1031 zmiennych, z czego 1024 to zmienne zawierające informacje o barwie. Identyfikacji makrouszkodzeń dokonano na ziarniakach kukurydzy odmiany Clarica FAO 280.
The realization of project enclosed construction and training neuronal model to identification of damages of corn kernels. Recognizing the damages was made on basis of digital photos converted by produced computer system to learning files dedicated for artificial neural network. The network was learned on chosen representative tags. The taught model marks abilities of identification approximate quality to human. Neural model can in real time identify larger number of kernels than man. The number of kernels is only limited by method of images acquisition and the computational power of applied equipment to implementation of model. Big advantage is also the lack of natural man limitations which for example are: fatigue and subjective opinion.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2008, 53, 2; 79-81
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 2.

Tytuł:: Wpływ liczby zmiennych na jakość działania neuronowego modelu do identyfikacji mechanicznych uszkodzeń ziarniaków kukurydzy
The impact of the number of variables on the operation quality of neuron model for identifying mechanical damage of corn seeds
Autorzy:: Nowakowski, K.
Boniecki, P.
Powiązania:: https://bibliotekanauki.pl/articles/290908.pdf
Data publikacji:: 2008
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: kukurydza
uszkodzenie mechaniczne
identyfikacja
reprezentatywne dane uczące
sieć neuronowa
analiza obrazu
maize
mechanical damage
identifying
representative teaching data
neural network
image analysis
Opis:: Wykorzystanie sztucznych sieci neuronowych do identyfikacji mechanicznych uszkodzeń ziarniaków, prezentowanych w postaci fotografii, wymaga doboru odpowiednich cech charakterystycznych, na podstawie których zostanie przeprowadzony proces rozpoznawania. Wybór danych można zweryfikować wykorzystując narzędzie analizy wrażliwości sieci. Dzięki jego zastosowaniu można ocenić poziom istotności poszczególnych cech charakterystycznych i sprawdzić czy wszystkie wcześniej wybrane zmienne są niezbędne w procesie uczenia.
Using of artificial neuron networks for identifying mechanical damage of seeds presented on photographs requires selection of proper characteristics, which can be the basis for identification process. Data choice can be verified by using the instrument of network sensitivity analysis. Thanks to its use the significance level of particular characteristics can be evaluated, and it may be verified if all selected variables are essential in the learning process.
Źródło:: Inżynieria Rolnicza; 2008, R. 12, nr 6(104), 6(104); 151-157
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 3.

Tytuł:: Klasyfikacja ziarniaków kukurydzy w oparciu o neuronową identyfikację kształtu
The classification of maizes kernels with supporting neuronal identification of shape
Autorzy:: Boniecki, P.
Nowakowski, K.
Powiązania:: https://bibliotekanauki.pl/articles/336706.pdf
Data publikacji:: 2008
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: ziarniak
kukurydza
klasyfikacja
neuronowa analiza obrazu
classification
maize
corn kernel
neuronal image analysis
Opis:: Celem pracy było wytworzenie systemu informatycznego wspomagającego proces klasyfikacji ziarniaków kukurydzy w oparciu o neuronową analizę obrazu. W pracy wykorzystano metodę identyfikacji różnic kształtów analizowanych obiektów w oparciu o tzw. superformułę, zaproponowaną przez Johana Gielisa, pozwalającą na reprezentację dowolnego kształtu za pomocą sześciu niezależnych parametrów.
The aim of work was producing the computer system helping the process of classification of corn kernels using neuronal image analysis. In the project was used method of identification of shapes differences using superformula proposed by John Gielis, permitting on representation of any shape with six independent parameters.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2008, 53, 3; 14-17
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 4.

Tytuł:: Neural image analysis in identification process of mechanical damages of kernels
Neuronowa analiza obrazu w procesie identyfikacji mechanicznych uszkodzeń ziarniaków
Autorzy:: Nowakowski, K.
Boniecki, P.
Dach, J.
Powiązania:: https://bibliotekanauki.pl/articles/335305.pdf
Data publikacji:: 2009
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: ziarniak
uszkodzenie
identyfikacja
analiza neuronowa
kernel
damage
neural analysis
identification process
Opis:: The subject of the study was to develop a neural model for the identification of mechanical damage in maize caryopses based on digital photographs. The author has selected a set of features that distinguish between damaged and healthy caryopses. The study has produced an artificial neural network of a multilayer perceptron type whose identification capacity approximates that of a human.
Celem projektu badawczego było opracowanie modelu neuronowego do identyfikacji mechanicznych uszkodzeń ziarniaków kukurydzy na podstawie ich cyfrowych fotografii. Wybrany został zestaw cech charakterystycznych na podstawie, których możliwa jest klasyfikacja ziarniaków na zdrowe i uszkodzone. W wyniku badań otrzymano sztuczną sieć neuronową typu perceptron wielowarstwowy charakteryzującą się zdolnościami identyfikacyjnymi zbliżonymi do umiejętności człowieka.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2009, 54, 2; 77-80
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 5.

Tytuł:: Visual quality evaluation of malting barley with use of neural image analysis
Wizualna ocena jakości jęczmienia browarnego z wykorzystaniem neuronowej analizy obrazu
Autorzy:: Raba, B.
Nowakowski, K.
Boniecki, P.
Powiązania:: https://bibliotekanauki.pl/articles/337065.pdf
Data publikacji:: 2015
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: malting barley
image processing
artificial intelligence
jęczmień browarny
przetwarzanie obrazu
sztuczna inteligencja
Opis:: The quality evaluation is one of the most important stages of the production processes. The same as regards the beer production and its components: hop, yeast, malting barley and other ingredients. Presented project deals with the complex quality evaluation of malting barley used for malt production. Its main goal is to elaborate complete methodology for the identification of varieties, the level of contamination and other visual features of malting barley with the use of computer science technologies, such as neural image analysis.
Jednym z najważniejszych etapów w procesie produkcyjnym jest ocena jakości. Podobnie jest w produkcji piwa i jego składników: chmielu, drożdży, jęczmienia browarnego i innych. Przedstawiony projekt dotyczy kompleksowej oceny jakości jęcz-mienia browarnego używanego do produkcji słodu. Jego głównym celem jest opracowanie kompletnej metodyki identyfikacji odmian, poziom zanieczyszczenia i innych wizualnych cech jęczmienia browarnego z wykorzystaniem technologii informatycznych opartych na neuronowej analizy obrazu.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2015, 60, 1; 80-83
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 6.

Tytuł:: Neuronowa analiza obrazu w procesie identyfikacji mechanicznych uszkodzeń wybranych ziarniaków kukurydzy
Image analysis and neural networks in the process of identifying selected mechanical damage to maize caryopses
Autorzy:: Nowakowski, K.
Boniecki, P.
Raba, B.
Powiązania:: https://bibliotekanauki.pl/articles/334094.pdf
Data publikacji:: 2011
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: analiza obrazu
uszkodzenie mechaniczne
kukurydza
identyfikacja
image analysis
maize
mechanical damage
identification
Opis:: Celem projektu badawczego było opracowanie modelu neuronowego do identyfikacji mechanicznych uszkodzeń ziarna kukurydzy na podstawie ich cyfrowych fotografii. Wybrany został zestaw cech charakterystycznych na podstawie, których możliwa jest klasyfikacja ziarniaków na zdrowe i uszkodzone. W wyniku badań otrzymano sztuczną sieć neuronową typu perceptron wielowarstwowy charakteryzującą się zdolnościami identyfikacyjnymi zbliżonymi do umiejętności człowieka.
The subject of the project was to develop a neural model for the identification of selected mechanical damage to maize caryopses on the basis of digital photographs. The author has selected a set of features that distinguish damaged t healthy caryopses. As a result of this study it has been obtained an artificial neural network of a multilayer perceptron type whose identification capacity is near of the human 's one.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2011, 56, 1; 100-102
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 7.

Tytuł:: Konwersja obrazów cyfrowych do postaci zbiorów uczących dla potrzeb modelowania neuronowego
Conversion of digital images into the form of teaching sets for the purposes of neural modeling
Autorzy:: Przybylak, A.
Boniecki, P.
Nowakowski, K.
Powiązania:: https://bibliotekanauki.pl/articles/287969.pdf
Data publikacji:: 2009
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: przetwarzanie obrazu
analiza obrazu
piksel
zbiór uczący
sieć neuronowa
image processing
image analysis
pixel
teaching set
neural network
Opis:: Wykorzystanie sztucznych sieci neuronowych na potrzeby analizy obrazu wymaga prawidłowego przygotowania zbiorów uczących. W przypadku pozyskiwania informacji z obrazów cyfrowych konieczna jest ich konwersja do postaci akceptowanej przez sztuczną sieć neuronową. Niezwykle istotne jest, aby do struktury zbioru uczącego trafiły cechy reprezentatywne, pozwalające na poprawne działanie modelu neuronowego. W przedstawionym w pracy systemie użytkownik ma możliwość wyboru danych, które umieści w zbiorze uczącym. W aktualnej wersji systemu mogą to być informacje o barwie, na które składają się: histogram, tekstura oraz składowe modelu RGB.
Using artificial neural networks for image analysis purposes requires proper preparation of teaching sets. In case of information acquisition from digital images it is necessary to convert them into the form accepted by an artificial neural network. It is extremely important to incorporate representative features allowing correct operation of neural model into the teaching set structure. In the system presented in this work user is able to select data, which will be included in the teaching set. In current system version this may be information on colour, which includes: histogram, texture and the RGB model components.
Źródło:: Inżynieria Rolnicza; 2009, R. 13, nr 9, 9; 201-206
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 8.

Tytuł:: Optymalizacja procesów decyzyjnych przy zastosowaniu wybranych metod sztucznej inteligencji
Optimization of decision processes using chosen methods of artificial intelligence
Autorzy:: Nowakowski, K.
Boniecki, P.
Majewski, A.
Powiązania:: https://bibliotekanauki.pl/articles/288891.pdf
Data publikacji:: 2005
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: sztuczne sieci neuronowe
system ekspercki
optymalizacja
proces decyzyjny
artificial neural network
expert system
optimization
decision cases
Opis:: Już od dawna ludzie poszukują narzędzi, które pomogłyby im w procesie podejmowania trafnych decyzji. Ze względu na nikłe jak do tej pory sukcesy rozsądnym wydaje się być wykorzystanie w tym celu wybranych metod sztucznej inteligencji. Użycie w/w technologii opartych na symulacji pracy ludzkiego umysłu daje nowe możliwości. Połączenie techniki sztucznych sieci neuronowych i systemów ekspertowych pozwoliło na stworzenie wirtualnych doradców - specjalistów w wybranej dziedzinie. Pozwalają oni skutecznie pomóc w podejmowaniu konkretnych decyzji. Nie zrobią tego za człowieka ale dzięki wykorzystanym technologią mogą pomóc w podjęciu optymalnej decyzji.
Since a long time humans seek tools which would help them take accurate decisions. Because of very little success so far, choosing methods of artificial intelligence seems to be reasonable. Using mentioned technologies based on simulation of work of human mind gives new possibilities. The connection of technique of artificial neural network and expert systems permitted to create virtual advisers' - experts in chosen field. They permit to help treat concrete decisions effectively. They will not make it instead of humans but thanks to used technology they can help undertake optimal decision.
Źródło:: Inżynieria Rolnicza; 2005, R. 9, nr 2, 2; 131-136
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 9.

Tytuł:: Wpływ kompresji barw na działanie neuronowego modelu identyfikacyjnego
Colour compression impact on operation of a neural identification model
Autorzy:: Nowakowski, K.
Boniecki, P.
Przybylak, A.
Powiązania:: https://bibliotekanauki.pl/articles/288902.pdf
Data publikacji:: 2010
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: analiza neuronowa obrazu
ziemniak
barwa
neural image analysis
potato
colour
Opis:: Analiza wrażliwości wytworzonego modelu neuronowego wskazała na kluczową rolę w procesie identyfikacji, informacji o kolorze ziarniaka. postanowiono sprawdzić wpływ kompresji kolorów na jakość działania neuronowego modelu identyfikacyjnego. Zaproponowano dwa autorskie sposoby kompresji informacji o kolorze ziarniaków. Obydwie metody znacząco zmniejszyły rozmiar wektora uczącego. Wyniki działania neuronowego modelu indentyfikacyjnego, w oparciu o zmodyfikowane zbiory uczące, okazały się znacząco gorsze od modelu wytrenowanego na zbiorach uczących zawierających pełną informację o barwie.
Sensitivity analysis of a developed neural model has indicated key role in the process of identifying information on seed colour. The researchers decided to check the impact of colour compression on quality of neural identification model operation. The authors proposed two own methods allowing to compress information concerning colour of seeds. Both methods significantly reduced the size of teaching vector. Results for the neural identification model operation on the basis of modified teaching sets have proven to be considerably worse than for the model trained using teaching sets containing complete information on colour.
Źródło:: Inżynieria Rolnicza; 2010, R. 14, nr 3, 3; 159-164
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 10.

Tytuł:: Neuronowa kompresja danych graficznych w procesie identyfikacji wybranych obiektów rolniczych
Neural image data compression in the process of identification of selected agricultural objects
Autorzy:: Boniecki, P.
Nowakowski, K.
Przybylak, A.
Powiązania:: https://bibliotekanauki.pl/articles/335267.pdf
Data publikacji:: 2009
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: kompresja
dane
obiekt rolniczy
identyfikacja
agricultural objects
compression
date
identification
Opis:: Celem pracy było omówienie problematyki dotyczącej neuronowej kompresji danych graficznych z wykorzystaniem wybranej topologii sztucznej sieci neuronowej. Aspektem utylitarnym przeprowadzonej analizy była implementacja proponowanej metodyki kompresji obrazów graficznych w wytworzonym, oryginalnym systemie informatycznym "Sunflower.b", wspomagającym proces przetwarzania zdjąć wybranych obiektów rolniczych.
The aim of this work was to discuss issues relating to synthetic neural compression of graphical data using a topology of artificial neural networks. Utilitarian aspect of the analysis was the implementation of the proposed image compression technology in the original system "Sunflower.b ", supporting the processing of photos of selected agricultural objects.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2009, 54, 2; 19-23
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 11.

Tytuł:: Neuronowa identyfikacja wybranych owadów z wykorzystaniem komputerowych technik analizy obrazu
Neural identification of selected kinds of insects based on computer technology for the images analysis
Autorzy:: Boniecki, P.
Piekarska-Boniecka, H.
Nowakowski, K.
Powiązania:: https://bibliotekanauki.pl/articles/335273.pdf
Data publikacji:: 2009
Wydawca:: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
Tematy:: owad
technika komputerowa
identyfikacja
analiza obrazu
insect
computer technology
identification
image analysis
Opis:: Celem zrealizowanych badań była analiza możliwości wykorzystania sztucznych sieci neuronowych jako instrumentu przeznaczonego do identyfikacji motyli. Rozpoznawane owady reprezentowały gatunki, które są objęte ochroną prawną na terenie Polski. Neuronowej identyfikacji dokonano na podstawie (uprzednio pozyskanych) dwuwymiarowych obrazów, przedstawiających owady z rodziny Papilionidae.
There has been noticed growing explorers' interest in drawing conclusions based on information of data coded in a graphic form. The neuronal identification of pictorial data, with special emphasis on both quantitative and qualitative analysis, is more frequently utilized to gain and deepen the empirical data knowledge. Extraction and then classification of selected picture features, such as color or surface structure, enables one to create computer tools in order to identify these objects presented as, for example, digital pictures. The work presents original computer system designed to digitalize pictures on the basis of color criterion. The system has been applied to generate a reference "learning" file for the neural system to identify selected kinds of insects.
Źródło:: Journal of Research and Applications in Agricultural Engineering; 2009, 54, 2; 24-27
1642-686X
2719-423X
Pojawia się w:: Journal of Research and Applications in Agricultural Engineering
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 12.

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

Zmień widok

na półce

Skocz do pozycji: 13.

Tytuł:: Modelowanie danych w procesie odwzorowywania informatycznego systemów empirycznych stanowiących przedmiot inżynierii rolniczej
Data modeling in a process of mapping empirical systems of agricultural engineering onto information systems
Autorzy:: Mueller, W.
Boniecki, P.
Weres, J.
Nowakowski, K.
Powiązania:: https://bibliotekanauki.pl/articles/287547.pdf
Data publikacji:: 2007
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: modelowanie danych
baza danych
inżynieria rolnicza
system empiryczny
data modeling
databases
empirical system
agricultural engineering
Opis:: Systemy empiryczne, leżące w obszarze zainteresowania inżynierii rolniczej, charakteryzują się wyjątkową złożonością. Próbą radzenia sobie z sygnalizowaną komplikacją w procesie poznawania jest wielopoziomowe modelowanie dziedziny problemowej. Istotną kwestią w procesie modelowania dziedziny problemowej, jak i projektowania systemów informatycznych, które są wykorzystywane do badania systemów empirycznych jest prawidłowe zrealizowanie fazy modelowania danych. Zaistnienie tego etapu jest konsekwencją podejmowanych wysiłków zmierzających do poznania coraz bardziej złożonych systemów empirycznych, opisywanych coraz większą porcją informacji wzajemnie ze sobą powiązanych.
Empirical systems investigated within agricultural engineering are extremely complex. A multi-level modeling of a problem domain, extended by mapping developed operational structures onto information systems is a solution to deal with the complexity. A crucial issue, becoming more and more pronounced in modeling a problem domain and designing information systems oriented at investigation of empirical systems, is to complete correctly data modeling phase. Such analysis is a result of substantial attempts made to better understand the empirical systems, the systems which are more and more complex, requiring more and more interrelated information. The attempts have been favored by appearance of new information technologies dedicated to representation of data.
Źródło:: Inżynieria Rolnicza; 2007, R. 11, nr 6 (94), 6 (94); 175-182
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 14.

Tytuł:: Przetwarzanie graficznych danych empirycznych dla potrzeb edukacji sztucznych sieci neuronowych, modelujących wybrane zagadnienia inżynierii rolniczej
Processing graphics empirical data for the needs of education of artificial neural networks, modeling selected problems of agriculture engineering
Autorzy:: Nowakowski, K.
Boniecki, P.
Weres, J.
Mueller, W.
Powiązania:: https://bibliotekanauki.pl/articles/288990.pdf
Data publikacji:: 2007
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: piksel
filtracja
segmentacja
kompresja
składowe RGB
pixel
filtration
segmentation
compression
element of RGB
Opis:: Wykorzystanie sztucznych sieci neuronowych do odwzorowania wielowymiarowych graficznych zbiorów danych jest nieefektywne a nawet wręcz niemożliwe, co może być spowodowane chociażby niejednorodną reprezentacją wielkości w układzie czy rozmiarem wektora tych wielkości. W takich przypadkach wskazane jest użycie bloku przetwarzania wstępnego tzw. preprocesora. Zaprojektowanie i wytworzenie systemu informatycznego dla tego właśnie celu pozwoliło na transformację danych pierwotnych (zdjęcia fotograficzne) do takiej reprezentacji danych, która będzie odpowiednia dla wykorzystania procesie uczenia sieci neuronowej [Tadeusiewicz i in. 1991].
The use of artificial neural networks for representing multidimensional graphic data sets is ineffective and even not possible, which can be caused for example by heterogeneous representation of the parameter in the system or the size of the vector of these parameters. In such cases it is advisable to use a preprocessing block, the so called preprocessor. Developing and making IT system specifically for this purpose allowed to transform the primary data (photographic pictures) into data representation, to be appropriate for using in the neural network learning process.
Źródło:: Inżynieria Rolnicza; 2007, R. 11, nr 2 (90), 2 (90); 243-248
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Skocz do pozycji: 15.

Tytuł:: Wybór reprezentatywnej struktury zbiorów uczących dla potrzeb neuronowych modeli identyfikacyjnych wykorzystywanych w inżynierii rolniczej
Selection of representative structure of learning sets for purpose of neuron identification models used in agricultural engineering
Autorzy:: Nowakowski, K.
Boniecki, P.
Weres, J.
Mueller, W.
Powiązania:: https://bibliotekanauki.pl/articles/287545.pdf
Data publikacji:: 2007
Wydawca:: Polskie Towarzystwo Inżynierii Rolniczej
Tematy:: reprezentatywne dane uczące
sieć neuronowa
analiza obrazu
inżynieria rolnicza
agricultural engineering
representative learning data
neural network
image analysis
Opis:: Wykorzystanie sztucznych sieci neuronowych do identyfikacji mechanicznych uszkodzeń ziarniaków na podstawie ich fotografii wymaga doboru odpowiednich cech charakterystycznych na podstawie, których zostanie przeprowadzony proces rozpoznawania. Ponieważ stosowanie sieci neuronowych do bezpośredniego mapowania zbiorów graficznych jest nieefektywne, wskazane jest użycie bloku przetwarzania wstępnego, tzw. preprocesora. Zaprojektowanie i wytworzenie właściwego systemu informatycznego dla tak sformułowanego celu pozwoliło na dokonanie transformacji danych pierwotnych (zdjęcia fotograficzne) do reprezentacji danych, która będzie odpowiednia dla wykorzystania w procesie uczenia sieci neuronowej.
Use of artificial neural networks for identification of the mechanical damages to grains based on photographs requires a selection of appropriate characteristic features in order to conduct a recognition process. Since the application of neural networks for direct mapping of graphic sets is not really effective, it is recommended to use the initial processing block, so called preprocessor. Design and creation of a proper information system for this particular purpose allowed to transform raw data (photographic images) for data representation, appropriate to be used in the learning process of neural network.
Źródło:: Inżynieria Rolnicza; 2007, R. 11, nr 6 (94), 6 (94); 183-188
1429-7264
Pojawia się w:: Inżynieria Rolnicza
Dostawca treści:: Biblioteka Nauki

Artykuł

Zmień widok

na półce

Informacja

Wyszukujesz frazę "Nowakowski, P." wg kryterium: Autor

Źródło danych

Dostawca treści

Kolekcja

Rok wydania

Wydawca

Temat

Autor

Typ dokumentu

Język