Abstracto

Aprendizaje automático 2018: efecto de la fumagina en el rendimiento de la mandioca mediante redes neuronales convolucionales - Semakula Abdumajidhu-Universidad Makerere

Semakula Abdumajidhu

Se ha observado que las moscas blancas causan dos tipos de daño a las plantas de yuca hospedantes: daño en forma de pelusa y daño en forma de pelusa. El daño secundario, conocido como daño en forma de pelusa, es un efecto de la melaza que dejan caer las moscas blancas en forma de pelusa en las hojas inferiores. Se caracteriza por un oscurecimiento en forma de pelusa de las hojas inferiores que afecta los niveles de contenido de clorofila, ya que la clorofila es un marcador de la presión alimenticia de las plantas, la capacidad fotosintética y el estado saludable de las plantas. Las plantas necesitan muchos niveles potenciales de sustancia clorofílica para retener suficiente luz que se utilizará durante la fotosíntesis para que puedan fabricar su propio alimento. El daño en forma de pelusa con su efecto de oscurecimiento en forma de pelusa impide que las hojas reciban rayos de luz directos durante el proceso de fotosíntesis, lo que provoca bajos rendimientos de la yuca. El uso de IA para supervisar la salud de las cosechas se ha estudiado en varios entornos relacionados, incluida la división de hojas enfermas y la decoloración relacionada con enfermedades en los productos orgánicos de los cítricos. La investigación se planificará para comprender el impacto de la forma sucia en el contenido de clorofila en las plantas de yuca y percibir cómo podemos mejorar y aumentar los rendimientos de la yuca. Durante el examen se considerarán cinco surtidos de yuca que son narocass 1, nase 14, mkumba, njule y bamunanika. Determinaremos el grado de invasión por forma sucia en estos surtidos de yuca y diremos qué surtido se ve afectado en general. Desglosaremos y relacionaremos información de lectura espiritual con contenido de clorofila para cuantificar la cantidad de clorofila que se ve afectada por el daño de la forma sucia en las imágenes de yuca. Desarrollaremos un modelo de red neuronal convolucional (CNN) para evaluar el contenido de color (clorofila) en función de las lecturas del espectrómetro. Utilizando nuestro modelo, determinaremos el nivel de la planta que se ve afectada y el grado asegurado por la forma sucia. Utilizaremos el espectrómetro de campo para tomar medidas de control fantasmal y también realizaremos un examen de detección remota de la información. Esta información se identificará con la sustancia clorofílica para determinar los grados de impacto de la forma sucia. La investigación impulsará un aumento en los rendimientos de la yuca, lo que conducirá a una detección cada vez más precisa de los mohos sucios. Esto mejorará el tiempo de reacción para el cuidado de la yuca contaminada con moscas blancas y formas sucias. Esto ya no será necesario para la creación manual o la eliminación física de características. El aprendizaje profundo con sistemas neuronales convolucionales (CNN) ha logrado un progreso extraordinario en la agrupación de diferentes infecciones de plantas. Sin embargo, un número predeterminado de estudios han explicado el proceso de deducción, dejándolo como una caja negra distante. Descubrir la CNN para separar el componente académico como una estructura interpretable garantiza su confiabilidad y permite la aprobación de la autenticidad del modelo y el conjunto de datos de preparación por mediación humana. En este estudio,Se aplicó una variedad de estrategias de representación por neuronas y por capas utilizando una CNN, preparada con un conjunto de datos de imágenes de infecciones de plantas de libre acceso. Demostramos que los sistemas neuronales pueden captar los colores y las superficies de las llagas específicas de enfermedades individuales tras la determinación, lo que se asemeja a la dinámica humana. Si bien se utilizaron algunas técnicas de percepción tal como aparecen, otras deben mejorarse para centrarse en una capa específica que capte completamente los aspectos destacados para producir resultados notables. Además, al descifrar los mapas de consideración producidos, identificamos algunas capas que no contribuían a la suposición y eliminamos dichas capas dentro del sistema, lo que redujo la cantidad de límites en un 75% sin afectar la precisión de la agrupación. Los resultados brindan un impulso a los usuarios de descubrimiento de CNN en el campo de la ciencia vegetal para comprender con mayor probabilidad el proceso de determinación y conducen a fomentar el uso competente del aprendizaje profundo para el análisis de infecciones de plantas.

Biografía :

Semakula Abdumajidhu actualmente cursa una maestría en Ciencias de la Computación en la Facultad de Informática y Ciencias de la Información (CoCIS) de la Universidad Makerere. Su especialidad es Visión artificial y procesamiento de imágenes y su investigación actual se centra en enfermedades de los cultivos.