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 "Deep Learning." wg kryterium: Temat

  Lista filtrów

Dostawca treści

Wyrównaj
Wyświetlanie 1-15 z 205
Tytuł:
Restoration of Remote Satellite Sensing Images using Machine and Deep Learning : a Survey
Autorzy:
Abdellaoui, Meriem
Benabdelkader, Souad
Assas, Ouarda
Powiązania:
https://bibliotekanauki.pl/articles/31339413.pdf
Data publikacji:
2023
Wydawca:
Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. Instytut Informatyki Technicznej
Tematy:
image restoration
remote sensing images
artificial intelligence
AI
machine learning
ML
deep learning
DL
convolutional neural network
CNN
Opis:
Remote sensing satellite images are affected by different types of degradation, which poses an obstacle for remote sensing researchers to ensure a continuous and trouble-free observation of our space. This degradation can reduce the quality of information and its effect on the reliability of remote sensing research. To overcome this phenomenon, the methods of detecting and eliminating this degradation are used, which are the subject of our study. The original aim of this paper is that it proposes a state of art of recent decade (2012-2022) on advances in remote sensing image restoration using machine and deep learning, identified by this survey, including the databases used, the different categories of degradation, as well as the corresponding methods. Machine learning and deep learning based strategies for remote sensing satellite image restoration are recommended to achieve satisfactory improvements.
Źródło:
Machine Graphics & Vision; 2023, 32, 2; 147-167
1230-0535
2720-250X
Pojawia się w:
Machine Graphics & Vision
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Enhancing the performance of deep learning technique by combining with gradient boosting in rainfall-runoff simulation
Autorzy:
Abdullaeva, Barno S.
Powiązania:
https://bibliotekanauki.pl/articles/28411647.pdf
Data publikacji:
2023
Wydawca:
Instytut Technologiczno-Przyrodniczy
Tematy:
deep learning
gradient boosting
hybrid model
multi-step ahead forecasting
rainfall-runoff simulation
Opis:
Artificial neural networks are widely employed as data mining methods by researchers across various fields, including rainfall-runoff (R-R) statistical modelling. To enhance the performance of these networks, deep learning (DL) neural networks have been developed to improve modelling accuracy. The present study aims to improve the effectiveness of DL networks in enhancing the performance of artificial neural networks via merging with the gradient boosting (GB) technique for daily runoff data forecasting in the river Amu Darya, Uzbekistan. The obtained results showed that the new hybrid proposed model performed exceptionally well, achieving a 16.67% improvement in determination coefficient (R2) and a 23.18% reduction in root mean square error (RMSE) during the training phase compared to the single DL model. Moreover, during the verification phase, the hybrid model displayed remarkable performance, demonstrating a 66.67% increase in R2 and a 50% reduction in RMSE. Furthermore, the hybrid model outperformed the single GB model by a significant margin. During the training phase, the new model showed an 18.18% increase in R2 and a 25% reduction in RMSE. In the verification phase, it improved by an impressive 75% in R2 and a 33.33% reduction in RMSE compared to the single GB model. These findings highlight the potential of the hybrid DL-GB model in improving daily runoff data forecasting in the challenging hydrological context of the Amu Darya River basin in Uzbekistan.
Źródło:
Journal of Water and Land Development; 2023, 59; 216--223
1429-7426
2083-4535
Pojawia się w:
Journal of Water and Land Development
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Głębokie sieci rekurencyjne i konwolucyjne w detekcji wad spawalniczych dla systemów z robotem przemysłowym
Deep Recurrent and Convolutional Networks in the Detection of Welding Defects for Systems with an Industrial Robot
Autorzy:
Adamczak, Arkadiusz
Powiązania:
https://bibliotekanauki.pl/articles/2068632.pdf
Data publikacji:
2021
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
Tematy:
głębokie uczenie maszynowe
szeregi czasowe
stanowisko zrobotyzowane
detekcja wad spoin
deep learning
time series
robotic station
detection of weld defects
Opis:
Podczas procesów spawania metodą MIG/MAG w produkcji wielkoseryjnej na stanowiskach zrobotyzowanych, często wymagana jest automatyczna kontrola jakości wykonanego spawu. Określanie defektów spawalniczych jest trudne, a powód ich wystąpienia nie zawsze jest znany. Jednym z warunków poprawnie wykonanej spoiny jest stabilność podczas procesu spawania, co przekłada się na ciągłość i zwiększenie ogólnej wydajności produkcji. W artykule przedstawiono wyniki badań nad systemem detekcji defektów spoiny łączącego analizę i klasyfikację szeregów czasowych parametrów spawania dla metody MIG/MAG wraz z równoczesną analizą i klasyfikacją danych obrazowych spoiny dla systemów zrobotyzowanych. Wykorzystane zostały konstrukcje głębokich sieci neuronowych rekurencyjnych i konwolucyjnych. Przedstawiono również konstrukcję sieci neuronowej zawierającej dwa wejścia systemowe, umożliwiającej w jednym czasie klasyfikację zdjęcia spoiny wraz z szeregiem czasowym dla zastosowania w stanowisku zrobotyzowanym. Przedstawione wyniki prac badawczych otrzymano podczas realizacji projektu „Opracowanie metody bazującej na zastosowaniu głębokich sieci neuronowych do inspekcji wizyjnej połączeń spawanych w toku prac B+R” finansowanego z Wielkopolskiego Regionalnego Programu Operacyjnego na lata 2014–2020 i realizowanego w zakładzie ZAP-Robotyka Sp. z o.o. w Ostrowie Wielkopolskim.
During MIG/MAG welding processes in large-scale production on robotic stations, automatic quality control of the weld is often required. Determining welding defects is difficult and the reason for their occurrence is not always known. One of the conditions for a correctly made weld is stability during the welding process, which translates into continuity and increase in overall production efficiency. The article presents the results of research on the creation of a weld defect detection system combining the analysis and classification of time series of welding parameters for the MIG/MAG method along with the simultaneous analysis and classification of weld image data for robotic systems. For this purpose, the structures of deep recursive and convolutional neural networks were used. The design of a neural network with two system inputs allowing for the classification of the weld photo together with the time series for use in a robotic station is also presented. The research results presented in this article were obtained during the implementation of the project entitled „Development of a method based on the use of deep neural networks for visual inspection of welded joints in the course of R&D works” implemented at the company ZAP-Robotyka Sp. z o.o. in Ostrów Wielkopolski.
Źródło:
Pomiary Automatyka Robotyka; 2021, 25, 2; 17--22
1427-9126
Pojawia się w:
Pomiary Automatyka Robotyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Metoda detekcji wad spawalniczych w stanowisku zrobotyzowanym z wykorzystaniem głębokiej sieci neuronowej
Detection Method of Welding Defects in a Robotic Station Using the Deep Neural Network
Autorzy:
Adamczak, Arkadiusz
Powiązania:
https://bibliotekanauki.pl/articles/2068644.pdf
Data publikacji:
2021
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
Tematy:
głębokie uczenie maszynowe
Przemysł 4.0
stanowisko zrobotyzowane
detekcja wad spoin
deep learning
Industry 4.0
robotic station
detection of weld defects
Opis:
Współczesna automatyzacja i robotyzacja procesów produkcyjnych wymaga nowych i szybkich metod kontroli jakości produktu. W przypadku spawania łukowego w systemach zrobotyzowanych, gdzie proces produkcyjny przebiega wielkoseryjnie istotną rzeczą jest szybka kontrola poprawności wykonanego spawu. System w oparciu o dane wizualne powinien być zdolny automatycznie określić czy dana spoina spełnia podstawowe wymagania jakościowe a tym samym mieć możliwość zatrzymania procesu w razie zidentyfikowanych wad. W artykule przedstawiono wyniki badań nad stworzeniem wizyjnej metody oceny poprawności wykonanej spoiny w oparciu o głęboką sieć neuronową klasyfikującą, lokalizującą i segmentującą wady spawalnicze. Zaproponowana metoda detekcji została rozbudowana przez zastosowanie połączenia kamery systemu wizyjnego z sześcioosiowym robotem przemysłowym w celu umożliwienia detekcji większej liczby wad spawalniczych oraz pozycjonowania w sześciowymiarowej przestrzeni pracy. Przedstawione w artykule wyniki prac badawczych otrzymano podczas realizacji projektu „Opracowanie metody bazującej na zastosowaniu głębokich sieci neuronowych do inspekcji wizyjnej połączeń spawanych w toku prac B+R” realizowanego w zakładzie ZAP-Robotyka Sp. z o.o. w Ostrowie Wielkopolskim.
Modern automation and robotization of production processes requires new and fast methods of product quality control. In the case of arc welding in robotic systems, where the production process takes place in large series, it is important to quickly control the correctness of the weld. Based on visual data, the system should be able to automatically determine whether a given weld meets the basic quality requirements, and thus be able to stop the process in the event of identified defects. The article presents the results of research on the creation of a visual method for assessing the correctness of the weld seam based on the deep neural network classifying, locating and segmenting welding defects. The proposed detection method was extended by using a combination of a vision system camera with a six-axis industrial robot in order to enable detection of a larger number of welding defects and positioning in a six-dimensional workspace. The research results presented in this article were obtained during the implementation of the project entitled „Development of a method based on the use of deep neural networks for visual inspection of welded joints in the course of R&D works” implemented at the company ZAP-Robotyka Sp. z o.o. in Ostrów Wielkopolski.
Źródło:
Pomiary Automatyka Robotyka; 2021, 25, 1; 67--72
1427-9126
Pojawia się w:
Pomiary Automatyka Robotyka
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
An overview of deep learning techniques for short-term electricity load forecasting
Autorzy:
Adewuyi, Saheed
Aina, Segun
Uzunuigbe, Moses
Lawal, Aderonke
Oluwaranti, Adeniran
Powiązania:
https://bibliotekanauki.pl/articles/117932.pdf
Data publikacji:
2019
Wydawca:
Polskie Towarzystwo Promocji Wiedzy
Tematy:
Short-term Load Forecasting
Deep Learning Architectures
RNN
LSTM
CNN
SAE
prognozowanie obciążenia krótkoterminowego
architektura głębokiego uczenia
Opis:
This paper presents an overview of some Deep Learning (DL) techniques applicable to forecasting electricity consumptions, especially in the short-term horizon. The paper introduced key parts of four DL architectures including the RNN, LSTM, CNN and SAE, which are recently adopted in implementing Short-term (electricity) Load Forecasting problems. It further presented a model approach for solving such problems. The eventual implication of the study is to present an insightful direction about concepts of the DL methods for forecasting electricity loads in the short-term period, especially to a potential researcher in quest of solving similar problems.
Źródło:
Applied Computer Science; 2019, 15, 4; 75-92
1895-3735
Pojawia się w:
Applied Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A deep learning model for electricity demand forecasting based on a tropical data
Autorzy:
Adewuyi, Saheed A.
Aina, Segun
Oluwaranti, Adeniran I.
Powiązania:
https://bibliotekanauki.pl/articles/118123.pdf
Data publikacji:
2020
Wydawca:
Polskie Towarzystwo Promocji Wiedzy
Tematy:
Electricity Demand Forecasting
STLF
Deep Learning Techniques
LSTM
CNN
MLP
prognozowanie zapotrzebowania na energię elektryczną
techniki głębokiego uczenia
Opis:
Electricity demand forecasting is a term used for prediction of users’ consumption on the grid ahead of actual demand. It is very important to all power stakeholders across levels. The power players employ electricity demand forecasting for sundry purposes. Moreover, the government’s policy on its market deregulation has greatly amplified its essence. Despite numerous studies on the subject using certain classical approaches, there exists an opportunity for exploration of more sophisticated methods such as the deep learning (DL) techniques. Successful researches about DL applications to computer vision, speech recognition, and acoustic computing problems are motivation. However, such researches are not sufficiently exploited for electricity demand forecasting using DL methods. In this paper, we considered specific DL techniques (LSTM, CNN, and MLP) to short-term load forecasting problems, using tropical institutional data obtained from a Transmission Company. We also test how accurate are predictions across the techniques. Our results relatively revealed models appropriateness for the problem.
Źródło:
Applied Computer Science; 2020, 16, 1; 5-17
1895-3735
Pojawia się w:
Applied Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Arabic and American Sign Languages Alphabet Recognition by Convolutional Neural Network
Autorzy:
Alshomrani, Shroog
Aljoudi, Lina
Arif, Muhammad
Powiązania:
https://bibliotekanauki.pl/articles/2023675.pdf
Data publikacji:
2021
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
convolutional neural network
deep learning
American sign language
Arabic sign language
sieć neuronowa
głębokie uczenie
amerykański język migowy
arabski język migowy
Opis:
Hearing loss is a common disability that occurs in many people worldwide. Hearing loss can be mild to complete deafness. Sign language is used to communicate with the deaf community. Sign language comprises hand gestures and facial expressions. However, people find it challenging to communicate in sign language as not all know sign language. Every country has developed its sign language like spoken languages, and there is no standard syntax and grammatical structure. The main objective of this research is to facilitate the communication between deaf people and the community around them. Since sign language contains gestures for words, sentences, and letters, this research implemented a system to automatically recognize the gestures and signs using imaging devices like cameras. Two types of sign languages are considered, namely, American sign language and Arabic sign language. We have used the convolutional neural network (CNN) to classify the images into signs. Different settings of CNN are tried for Arabic and American sign datasets. CNN-2 consisting of two hidden layers produced the best results (accuracy of 96.4%) for the Arabic sign language dataset. CNN-3, composed of three hidden layers, achieved an accuracy of 99.6% for the American sign dataset.
Źródło:
Advances in Science and Technology. Research Journal; 2021, 15, 4; 136-148
2299-8624
Pojawia się w:
Advances in Science and Technology. Research Journal
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Deep learning based Tamil Parts of Speech (POS) tagger
Autorzy:
Anbukkarasi, S.
Varadhaganapathy, S.
Powiązania:
https://bibliotekanauki.pl/articles/2086879.pdf
Data publikacji:
2021
Wydawca:
Polska Akademia Nauk. Czytelnia Czasopism PAN
Tematy:
POS tagging
part of speech
deep learning
natural language processing
BiLSTM
Bi-directional long short term memory
tagowanie POS
części mowy
uczenie głębokie
przetwarzanie języka naturalnego
Opis:
This paper addresses the problem of part of speech (POS) tagging for the Tamil language, which is low resourced and agglutinative. POS tagging is the process of assigning syntactic categories for the words in a sentence. This is the preliminary step for many of the Natural Language Processing (NLP) tasks. For this work, various sequential deep learning models such as recurrent neural network (RNN), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU) and Bi-directional Long Short-Term Memory (Bi-LSTM) were used at the word level. For evaluating the model, the performance metrics such as precision, recall, F1-score and accuracy were used. Further, a tag set of 32 tags and 225 000 tagged Tamil words was utilized for training. To find the appropriate hidden state, the hidden states were varied as 4, 16, 32 and 64, and the models were trained. The experiments indicated that the increase in hidden state improves the performance of the model. Among all the combinations, Bi-LSTM with 64 hidden states displayed the best accuracy (94%). For Tamil POS tagging, this is the initial attempt to be carried out using a deep learning model.
Źródło:
Bulletin of the Polish Academy of Sciences. Technical Sciences; 2021, 69, 6; e138820, 1--6
0239-7528
Pojawia się w:
Bulletin of the Polish Academy of Sciences. Technical Sciences
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Uczenie głębokie w diagnostyce medycznej
Deep Learning in Medical Diagnosis
Autorzy:
Antczak, K.
Powiązania:
https://bibliotekanauki.pl/articles/404011.pdf
Data publikacji:
2016
Wydawca:
Polskie Towarzystwo Symulacji Komputerowej
Tematy:
sieci neuronowe
diagnostyka medyczna
uczenie głębokie
neural networks
medical diagnosis
deep learning
Opis:
W pracy przeanalizowano perspektywy zastosowania metod uczenia głębokiego w diagnostyce medycznej. Jedną z kluczowych cech uczenia głębokiego jest zdolność do wyodrębniania złożonych wzorców o strukturze hierarchicznej. Wzorce takie występują również w diagnostyce, jako tak zwane diamenty diagnostyczne. Zastosowanie głębokich sieci neuronowych mogłoby poprawić jakość klasyfikatorów wykrywających choroby na podstawie objawów. Dodatkowo umożliwiłoby to sterowanie czułoscią i swoistością klasyfikatorów.
In this paper we analyze perspectives of applying deep learning methods in a field of medical diagnosis. One of key features of deep learning is ability to extract complex, hierarchical patterns. Such patterns are present also in a medical diagnosis, where they are known as diagnostic diamonds. Applying deep neural networks could increase performance of medical classifiers. Moreover, it would allow to adjust sensitivity and specificity of classifiers.
Źródło:
Symulacja w Badaniach i Rozwoju; 2016, 7, 3-4; 83-88
2081-6154
Pojawia się w:
Symulacja w Badaniach i Rozwoju
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Learning-free deep features for multispectral palm-print classification
Autorzy:
Aounallah, Asma
Meraoumia, Abdallah
Bendjenna, Hakim
Powiązania:
https://bibliotekanauki.pl/articles/27312870.pdf
Data publikacji:
2023
Wydawca:
Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie. Wydawnictwo AGH
Tematy:
feature extraction
biometrics
multispectral imaging
deep learning
DCTNet
data fusion
Opis:
The feature-extraction step is a major and crucial step in analyzing and understanding raw data, as it has a considerable impact on system accuracy. Despite the very acceptable results that have been obtained by many handcrafted methods, these can unfortunately have difficulty representing features in the cases of large databases or with strongly correlated samples. In this context, we attempt to examine the discriminability of texture features by proposing a novel, simple, and lightweight method for deep feature extraction to characterize the discriminative power of different textures. We evaluated the performance of our method by using a palm print-based biometric system, and the experimental results (using the CASIA multispectral palm--print database) demonstrate the superiority of the proposed method over the latest handcrafted and deep methods.
Źródło:
Computer Science; 2023, 24 (2); 243--271
1508-2806
2300-7036
Pojawia się w:
Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Towards a new deep learning algorithm based on GRU and CNN: NGRU
Autorzy:
Atassi, Abdelhamid
el Azami, Ikram
Powiązania:
https://bibliotekanauki.pl/articles/2141895.pdf
Data publikacji:
2020
Wydawca:
Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów
Tematy:
Convolutional Neural Network
CNN
Gated Recurrent Unit
GRU
SemEval
Twitter
word2vec
Keras
TensorFlow
Adadelta
Adam
soft-max
deep learning
Opis:
This paper describes our new deep learning system based on a comparison between GRU and CNN. Initially we start with the first system which uses Convolutional Neural Network (CNN) which we will compare with the second system which uses Gated Recurrent Unit (GRU). And through this comparison we propose a new system based on the positive points of the two previous systems. Therefore, this new system will take the right choice of hyper-parameters recommended by the authors of both systems. At the final stage we propose a method to apply this new system to the dataset of different languages (used especially in socials networks).
Źródło:
Journal of Automation Mobile Robotics and Intelligent Systems; 2020, 14, 4; 45-47
1897-8649
2080-2145
Pojawia się w:
Journal of Automation Mobile Robotics and Intelligent Systems
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Measuring comparative statistical effectiveness of cancer subtype categorization using gene expression data
Autorzy:
Avila, Clemenshia P.
Deepa, C.
Powiązania:
https://bibliotekanauki.pl/articles/38708033.pdf
Data publikacji:
2024
Wydawca:
Instytut Podstawowych Problemów Techniki PAN
Tematy:
cancer subtype
gene expression data
machine learning
Deep Flexible Neural Forest
strategy
podtyp raka
dane dotyczące ekspresji genów
nauczanie maszynowe
głęboki las neuronowy
elastyczny las neuronowy
strategia
Opis:
This work focused on the analysis of various gene expression-based cancer subtype classification approaches. Correctly classifying cancer subtypes is critical for understanding cancer pathophysiology and effectively treating cancer patients by using gene expression data to categorize cancer subtypes. When dealing with limited samples and high-dimensional biological data, most classifiers may suffer from overfitting and lower precision. The goal of this research is to develop a machine learning (ML) system capable of classifying human cancer subtypes based on gene expression data in cancer cells. These issues can be solved using ML algorithms such as Transductive Support Vector Machines (TSVM), Boosting Cascade Deep Forest (BCD Forest), Enhanced Neural Network Classifier (ENNC), Deep Flexible Neural Forest (DFN Forest), Convolutional Neural Network (CNN), and Cascade Flexible Neural Forest (CFN Forest). In inferring the benefits and rawbacks of these strategies, such as DFN Forest and CFN Forest, the findings are 95%.
Źródło:
Computer Assisted Methods in Engineering and Science; 2024, 31, 2; 261-272
2299-3649
Pojawia się w:
Computer Assisted Methods in Engineering and Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Industrial Application of Deep Neural Network for Aluminum Casting Defect Detection in Case of Unbalanced Dataset
Autorzy:
Awtoniuk, Michał
Majerek, Dariusz
Myziak, Artur
Gajda, Cyprian
Powiązania:
https://bibliotekanauki.pl/articles/2204946.pdf
Data publikacji:
2022
Wydawca:
Stowarzyszenie Inżynierów i Techników Mechaników Polskich
Tematy:
machine learning
deep neural network
classification
casting defect
casting defect detection
Opis:
We have developed a deep neural network for casting defect detection. The approach is original because it assumes the use of data related to the casting manufacturing process, i.e. measurement signals from the casting machine, rather than data describing the finished casting, e.g. images. The defects are related to the production of car engine heads made of silumin. In the current research we focused on the detection of defects related to the leakage of the casting. The data came from production plant in Poland. The dataset was unbalanced. It included nearly 38,500 observations, of which only 4% described a leak event. The work resulted in a deep network consisting of 22 layers. We assessed the classification accuracy using a ROC curve, an AUC index and a confusion matrix. The AUC value was 0.97 and 0.949 for the learning and testing dataset, respectively. The model allowed for an ex-post analysis of the casting process. The analysis was based on Shapley values. This makes it possible not only to detect the occurrence of a defect but also to give potential reasons for the appearance of a casting leak.
Źródło:
Advances in Science and Technology. Research Journal; 2022, 16, 5; 120--128
2299-8624
Pojawia się w:
Advances in Science and Technology. Research Journal
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Tomato disease detection model based on densenet and transfer learning
Autorzy:
Bakr, Mahmoud
Abdel-Gaber, Sayed
Nasr, Mona
Hazman, Maryam
Powiązania:
https://bibliotekanauki.pl/articles/2097440.pdf
Data publikacji:
2022
Wydawca:
Polskie Towarzystwo Promocji Wiedzy
Tematy:
leaf disease detection
convolutional neural network
deep learning
transfer learning
Opis:
Plant diseases are a foremost risk to the safety of food. They have the potential to significantly reduce agricultural products quality and quantity. In agriculture sectors, it is the most prominent challenge to recognize plant diseases. In computer vision, the Convolutional Neural Network (CNN) produces good results when solving image classification tasks. For plant disease diagnosis, many deep learning architectures have been applied. This paper introduces a transfer learning based model for detecting tomato leaf diseases. This study proposes a model of DenseNet201 as a transfer learning-based model and CNN classifier. A comparison study between four deep learning models (VGG16, Inception V3, ResNet152V2 and DenseNet201) done in order to determine the best accuracy in using transfer learning in plant disease detection. The used images dataset contains 22930 photos of tomato leaves in 10 different classes, 9 disorders and one healthy class. In our experimental, the results shows that the proposed model achieves the highest training accuracy of 99.84% and validation accuracy of 99.30%.
Źródło:
Applied Computer Science; 2022, 18, 2; 56--70
1895-3735
Pojawia się w:
Applied Computer Science
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A CNN Approach to Central Retinal Vein Occlusion Detection
Autorzy:
Bala, Jayanthi Rajee
Sindha, Mohamed Mansoor Roomi
Sahayam, Jency
Govindharaj, Praveena
Rakesh, Karthika Priya
Powiązania:
https://bibliotekanauki.pl/articles/27311911.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Czasopisma i Monografie PAN
Tematy:
Blood vessels
segmentation
Features
CRVO
deep learning
Opis:
In the field of medicine there is a need for the automatic detection of retinal disorders. Blindness in older persons is primarily caused by Central Retinal Vein Occlusion (CRVO). It results in rapid, irreversible eyesight loss, therefore, it is essential to identify and address CRVO as soon as feasible. Hemorrhages, which can differ in size, pigment, and shape from dot-shaped to flame hemorrhages, are one of the earliest symptoms of CRVO. The early signs of CRVO are, hemorrhages, however, so mild that ophthalmologists must dynamically observe such indicators in the retina image known as the fundus image, which is a challenging and time-consuming task. It is also difficult to segment hemorrhages since the blood vessels and hemorrhages (HE) have the same color properties also there is no particular shape for hemorrhages and it scatters all over the fundus image. A challenging study is needed to extract the characteristics of vein deformability and dilatation. Furthermore, the quality of the captured image affects the efficacy of feature Identification analysis. In this paper, a deep learning approach for CRVO extraction is proposed.
Źródło:
International Journal of Electronics and Telecommunications; 2023, 69, 3; 565--570
2300-1933
Pojawia się w:
International Journal of Electronics and Telecommunications
Dostawca treści:
Biblioteka Nauki
Artykuł
Wyświetlanie 1-15 z 205

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