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"" wg kryterium: Wszystkie pola

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-10 z 10
    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:
    Analiza i klasyfikacja obrazów suszu warzywnego z wykorzystaniem sztucznych sieci neuronowych
    Analysis and classification of dried vegetables’ images with utilization of artificial neural networks
    Autorzy:
    Koszela, K.
    Weres, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/287257.pdf
    Data publikacji:
    2005
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    sztuczna inteligencja
    sztuczne sieci neuronowe
    rozpoznawanie obiektów
    przetwarzanie obrazów
    artificial intelligence
    artificial neural networks
    object recognition
    image processing
    Opis:
    W życiu codziennym bardzo często dokonujemy oceny naszego otoczenia i na tej podstawie podejmujemy decyzje o klasyfikacji obserwowanej sytuacji. Czynimy to w oparciu o obserwację otoczenia jak również napływającą z różnych źródeł informację z wykorzystaniem posiadanej wiedzy i zdolności. Proces ten jest dla nas całkowicie naturalny. Jeżeli jednak chcemy podobne zadanie zlecić systemowi komputerowemu to wówczas musimy wykonać wiele kroków, które pozwolą w części odwzorować za pomocą oprogramowania ludzką zdolność do obserwacji, uczenia się i dokonywania podejmowania ostatecznej decyzji w oparciu o posiadaną wiedzę. Wzrastający poziom komplikacji informacji wywołuje rosnące zapotrzebowanie na systemy zdolne do rozpoznawania i dokonywania klasyfikacji prezentowanych im obiektów. Jednym z takich obiektów jest susz warzywny, którego ocena jakości i jego klasyfikacja przysparza szereg problemów. W pracy przedstawiono koncepcję metody analizy obrazów suszu warzywnego i zastosowanie jej do szybkiego oszacowania udziału poszczególnych frakcji w badanej próbie pod względem barwy i kształtu.
    In everyday life we often evaluate our surroundings and on this basis we make decisions about the classification of the observed situation. We do it by watching our surroundings as well as by analysing the information coming to us from various sources by means of the knowledge and the abilities we posses. This process is completely natural for us. However, if we want a computer system to do it, we need to make many steps in order to partly reflect in the software the human ability to observe, learn and make the final decision on the basis of the possessed knowledge. The increasing complexity of information causes a rising demand for systems capable of recognizing and classifying objects presented to them. One of such objects are dried vegetables whose quality evaluation and classification cause many problems. In the thesis the concept of dried vegetables’ image analysis method was presented as well as its application to quick colour and shape evaluation of individual fractions in a tested sample.
    Źródło:
    Inżynieria Rolnicza; 2005, R. 9, nr 2, 2; 77-82
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Computer image analysis and artificial neuron networks in the qualitative assessment of agricultural products
    Komputerowa analiza obrazu i sztuczne sieci neuronowe w ocenie jakościowej produktów rolniczych
    Autorzy:
    Koszela, K.
    Powiązania:
    https://bibliotekanauki.pl/articles/956515.pdf
    Data publikacji:
    2015
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    computer image analysis
    vegetable
    carrot
    quality
    artificial neural networks
    komputerowa analiza obrazu
    warzywa
    marchew
    jakość
    sztuczne sieci neuronowe
    Opis:
    The increasing use of modern information technology in agriculture involves an ever wider range of production, planning, monitoring and marketing processes. Information technologies are being applied in animal and plant production, and recent decades have witnessed a dynamic growth in research into artificial intelligence and thus into advisory (expert) systems such as artificial neuron networks. Obviously this is not the result of a coincidence or a temporary trend, this dynamic development has been made possible thanks to the rapid advancement of computer technology, allowing ever increasing speeds and volumes of data collection and processing. A large number of research-scientific work with the use of computer image analysis, computer-aided decision making and state of the art modelling tools, including artificial neuron networks, is carried out within the scope of agricultural engineering. The computer-aided decision making process in the area of the qualitative assessment of agri-food products is one of those areas using computer image analysis and neuron modelling. The objective of this research project was to develop and describe a computer image analysis method based on the example of carrots and lyophilisation dehydrates for the purpose of the qualitative assessment and classification of individual categories in the analysed sample in terms of quality.
    Zastosowanie coraz bardziej nowoczesnych technologii informatycznych w rolnictwie obejmuje coraz szerszy zakres procesów produkcji, planowania, monitorowania i marketingu. Stosowane techniki informatyczne wykorzystuje się w technologii produkcji zwierzęcej oraz roślinnej. W ciągu ostatnich dekad można zaobserwować dynamiczny rozwój badań nad sztuczną inteligencją, a tym samym nad badaniami w zakresie systemów doradczych (ekspertowych), jak również nad sztucznymi sieciami neuronowymi. Oczywiście nie jest to wynik zbiegu okoliczności czy rezultat chwilowej mody. Ten burzliwy rozwój jest możliwy dzięki szybkiemu postępowi techniki komputerowej, która umożliwia zapamiętywanie coraz większej liczby danych oraz coraz szybsze jej przetwarzanie. Duża liczba prac badawczo-naukowych z wykorzystaniem komputerowej analizy obrazów, komputerowego wspomagania decyzji i nowoczesnych narzędzi modelowania, jakimi są sztuczne sieci neuronowe, realizowana jest w ramach inżynierii rolniczej. Jednym z obszarów wykorzystywania komputerowej analizy obrazów i modelowania neuronowego jest wspomaganie podejmowania decyzji w zakresie oceny jakościowej produktów rolno-spożywczych. Celem projektu badawczego było opracowanie i charakterystyka metody komputerowej analizy obrazów na przykładzie korzeni marchwi oraz suszu liofilizacyjnego do oceny jakościowej i klasyfikacji poszczególnych klas w badanej próbie pod względem jakości.
    Źródło:
    Agricultural Engineering; 2015, 19, 3; 15-24
    2083-1587
    Pojawia się w:
    Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Koncepcja wykorzystania sztucznych sieci neuronowych do prognozowania zawartości metanu w substratach
    The concept of usage of artificial neural networks for forecasting the methane content in the substrates
    Autorzy:
    Koszela, K.
    Pilarski, K.
    Dach, J.
    Boniecki, P.
    Jedrus, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/883640.pdf
    Data publikacji:
    2012
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    biogazownie
    substraty roslinne
    odchody zwierzece
    substraty komunalne
    substraty przemyslowe
    zawartosc metanu
    fermentacja
    produkcja biogazu
    produkcja metanu
    wydajnosc produkcji
    prognozowanie
    sieci neuronowe sztuczne
    Opis:
    Sztuczne sieci neuronowe wykorzystywane są z powodzeniem m.in. do analizy złożonych systemów empirycznych, w których część parametrów opisujących zachodzące zjawiska jest niemierzalna lub których precyzyjny pomiar jest trudny. W niniejszej publikacji zaprezentowano budowę i zasady działania sztucznych sieci neuronowych jako narzędzia do predykcji zawartości metanu w biogazie z bioodpadów rolniczych [3]. Prognozowanie zawartości biogazu odgrywa ważną rolę w opracowywaniu optymalnych modeli do zarządzania biogazownią. Z powodu różnorodności bazy surowcowej istotnym jest optymalne prognozowanie wydajności biogazowni. W związku z powyższym często z powodzeniem używa się modeli typu „czarna skrzynka”, które wymagają mniejszej liczby parametrów niż klasyczne modele konceptualne.
    The artificial neural networks have been successfully used for analyzing of the complex systems, where some parameters describing the occurring phenomena are non-measurable or the precise measurement is very difficult. This publication presents the construction and functioning rules of the artificial neural networks as a tool for prediction of methane content in the biogas from agricultural bio-waste. Forecasting of the biogas content plays extremely important role in development of the optimal models for biogas plant management. Due to the resource base diversity the optimal prediction of biogas plant efficiency is very important. Therefore, the "black box" models which require less parameters than classic conceptual ones are very often successfully used.
    Źródło:
    Technika Rolnicza Ogrodnicza Leśna; 2012, 04
    1732-1719
    2719-4221
    Pojawia się w:
    Technika Rolnicza Ogrodnicza Leśna
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Koncepcja wykorzystania sztucznych sieci neuronowych w procesie oceny jakości pomidorów
    The concept of artificial neural networks application in the process of evaluation of the quality of tomatoes
    Autorzy:
    Zaborowicz, M.
    Koszela, K.
    Boniecki, P.
    Powiązania:
    https://bibliotekanauki.pl/articles/334162.pdf
    Data publikacji:
    2011
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    sieć neuronowa
    pomidor
    jakość
    ocena
    neural network
    evaluation
    quality
    tomatoes
    Opis:
    Zwiększenie konkurencyjności oraz wzrost jakości produktów jest jednym z głównych celów producentów branży rolno-spożywczej. Producenci żywności zobowiązani są do przestrzegania norm jakościowych oraz dostarczania produktów zgodnie z zakontraktowaną specyfikacją jakościową. Liderzy rynku chcąc pozostać w czołówce przedsiębiorstw coraz częściej stosują nowoczesne rozwiązania informatyczne wspomagające proces wytwórczy i ocenę jakościową produktu. Złożoność tych procesów wymaga zaprojektowania i wdrażania nowych rozwiązań, wykorzystujących specjalne techniki i metody informatyczne.
    Increasing competitiveness and increase of product quality is one of the main objectives of the producers of agrifood sector. Food manufacturers are required to observe quality standards and deliver products in accordance with the spedfications. Leaders of food manufactures wanting to remain at the fore front of companies use modern IT solutions for supporting the production and evaluation of product quality. The complexity of these processes requires the inventing and implementation of new solutions, using special techniques and methods of informatics.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2011, 56, 1; 147-149
    1642-686X
    2719-423X
    Pojawia się w:
    Journal of Research and Applications in Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Klasyfikacja wybranych odmian jabłek oraz suszu marchwi z wykorzystaniem sieci neuronowych typu Kohonena
    Classification of selected apples varieties and dried carrots using neural network type kohonen
    Autorzy:
    Boniecki, P.
    Koszela, K.
    Przybylak, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/334443.pdf
    Data publikacji:
    2010
    Wydawca:
    Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Maszyn Rolniczych
    Tematy:
    klasyfikacja
    jabłko
    odmiana
    marchew
    sieć neuronowa
    classification
    apple
    carrot
    variety
    neural network
    Opis:
    Celem badań była analiza zdolności klasyfikacyjnych modelu neuronowego typu Kohonena, uczonego metodą "nie nadzorowaną". Klasyfikacji poddano trzy wyselekcjonowane odmiany jabłek, które często występują w sadach na terenie Polski. Ze względów porównawczych, podobną analizę przeprowadzono w celu identyfikacji jakości suszu warzywnego. Neuronowej klasyfikacji dokonano w oparciu o informację zakodowaną w postaci zbioru cyfrowych obrazów jabłek oraz suszu marchwi. Jako cechy charakterystyczne, stanowiące podstawę do przeprowadzenia klasyfikacji, przyjęto reprezentacje w postaci palety dominujących barw występujących w kolorze owoców i suszu warzywnego oraz wybranych współczynników kształtu.
    The purpose of this study was the analysis of ability classification neural model type Kohonen. Classification has been selected three varieties of apples, which often appear in Polish orchards in the area. For purposes of comparison, a similar analysis was performed to identify the quality of dried vegetables. Neural classification was based on the information encoded in the form of a set of digital images apples and dried. As the characteristics feature adopted color and shape of apples and dried carrots.
    Źródło:
    Journal of Research and Applications in Agricultural Engineering; 2010, 55, 1; 11-15
    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:
    Ocena efektywności neuronowego prognozowania w oparciu o wybrane metody na przykładzie dystrybucji produktów rolniczych
    Assessment of effectiveness of the neural prediction based on selected methods exemplified by distribution of agricultural products
    Autorzy:
    Koszela, K.
    Boniecki, P.
    Weres, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/287927.pdf
    Data publikacji:
    2005
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    sztuczna inteligencja
    sztuczne sieci neuronowe
    prognozowanie
    szeregi czasowe
    artificial intelligence
    artificial neural networks
    prediction
    time series
    Opis:
    Prognozowanie staje się bardzo ważnym etapem w każdej działalności. W przypadku dystrybucji produktów rolniczych mamy do czynienia z szeregiem złożonych bodźców, które przekładają się na wynik końcowy. Natomiast jakość tych prognoz ma ogromne znaczenie na kolejne etapy w łańcuchu produkcyjno-dystrybucyjnym. Sieci neuronowe są bardzo wysublimowaną techniką modelowania, zdolną odwzorować bardzo złożone funkcje. Modelowanie z wykorzystaniem sztucznych sieci neuronowych stosuje się wówczas, gdy nie jest znany dokładny opis matematyczny rozpatrywanego zjawiska, natomiast dobrze określone są jego wejścia i wyjścia. Sztuczna sieć neuronowa potrafi nauczyć się rozpoznawać analizowany problem, dając szybko odpowiedź na zmieniające się parametry wejściowe procesu. W pracy przedstawiono porównanie dwóch metod neuronowego modelowania sprzedaży wybranego produktu.
    Prediction becomes a very important stage in many activities. In case of distributing agricultural products we deal with a number of stimuli which consequently transform into the end effect. It is clear that the quality of those predictions has a great influence on subsequent stages in the production and distribution chain. Neural networks are a sophisticated technique of modeling capable of reflecting very complex functions. Modeling using artificial neural networks is used when exact mathematical description of investigated phenomenon is not known but its inputs and outputs are well defined. Artificial neural network can learn to recognize the problem analyzed giving an answer to changing input parameters. In the paper two methods of neural modeling of a chosen agricultural product distribution were presented.
    Źródło:
    Inżynieria Rolnicza; 2005, R. 9, nr 2, 2; 69-76
    1429-7264
    Pojawia się w:
    Inżynieria Rolnicza
    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:
    The use of neural image analysis in the identification of information encoded in a graphical form
    Wykorzystanie neuronowej analizy obrazów w identyfikacji informacji zakodowanej w formie graficznej
    Autorzy:
    Koszela, K.
    Boniecki, P.
    Kuzimska, T.
    Powiązania:
    https://bibliotekanauki.pl/articles/956540.pdf
    Data publikacji:
    2015
    Wydawca:
    Polskie Towarzystwo Inżynierii Rolniczej
    Tematy:
    identification of class oocytes
    quality classification
    computer image analysis
    image analysis
    artificial neural networks
    identyfikacja klas oocytów
    klasyfikacja jakościowa
    analiza obrazu
    sztuczne sieci neuronowe
    Opis:
    Numerous scientific and research centres are searching for solutions concerning the problem of quality classification of animal oocytes. Conducting such studies is purposeful, particularly in the context of constant attempts to improve the quality of food products, which depends on the breeding value of livestock. Therefore, searching for methods of stimulation of proper development of a larger number of animal oocytes, particularly in extracorporeal conditions, gains special importance. An increasing interest in assisted reproduction techniques resulted in searching for new, increasingly effective methods of quality assessment of mammalian gametes and embryos. The expected progress in the production of animal embryos in vitro is largely dependent on proper classification of obtained oocytes. The aim of this work was to develop a non-invasive method for the quality assessment of oocytes, performed on the basis of graphic information encoded in the form of monochromatic digital images obtained via microscopy techniques. The classification process was conducted based on the information presented in the form of microphotography pictures of domestic pig oocytes, using advanced methods of neural image analysis.
    Rozwiązaniem problemu klasyfikacji jakościowej oocytów zwierzęcych zajmuje się wiele różnych ośrodków naukowo-badawczych. Celowość prowadzenia takich badań jest uzasadniona szczególnie w kontekście ciągłego dążenia do podnoszenia jakości produktów żywnościowych, która jest pochodną wartości hodowlanej zwierząt gospodarskich. W związku z tym, istotnego znaczenia nabierają poszukiwania metod prowadzących do stymulowania prawidłowego rozwoju większej liczby zapładnianych oocytów zwierzęcych, zwłaszcza realizowanego w warunkach pozaustrojowych. Rosnące zainteresowanie technikami wspomaganego rozrodu stało się przyczyną poszukiwania nowych, coraz bardziej efektywnych metod oceny jakościowej gamet oraz zarodków ssaków. Oczekiwany postęp w produkcji zarodków in vitro zwierząt uzależniony jest w istocie od poprawnej klasyfikacji pozyskiwanych oocytów. Celem pracy było opracowanie bezinwazyjnej metody oceny jakościowej oocytów dokonywanej w oparciu o informację graficzną zakodowana w postaci monochromatycznych obrazów cyfrowych pozyskanych metodą mikroskopową. Proces klasyfikacji zrealizowano w oparciu o informację prezentowaną w formie zdjęć mikrofotograficznych oocytów świni domowej, wykorzystując w tym celu nowoczesne metody neuronowej analizy obrazu.
    Źródło:
    Agricultural Engineering; 2015, 19, 3; 25-35
    2083-1587
    Pojawia się w:
    Agricultural Engineering
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-10 z 10

      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