| Form of studies |
Bachelor |
| Title of the study programm |
Information Technology |
| Title in original language |
Datorredzes tehnoloģiju salīdzinošā analīze pārtikas augu fizioloģisko īpašību novērtēšanai |
| Title in English |
Comparative Analysis of Computer Vision Technologies for the Evaluation of Food Plant Physiological Properties |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Artūrs Ķempelis |
| Reviewer |
Evelīna Budiloviča |
| Abstract |
Bakalaura darba tēma ir “Datorredzes tehnoloģiju salīdzinošā analīze pārtikas augu fizioloģisko īpašību novērtēšanai”. Augu slimības apdraud katru lauksaimniecību un to nekontrolēta izplatīšanās var izraisīt būtiskus ražas zaudējumus. Lai augu slimības varētu agrīni diagnosticēt, ar mašīnmācīšanās palīdzību tiek izstrādāti datorredzes risinājumi, kuri identificē slimību klātbūtni augos. Šādi risinājumi sniedz būtiskus ieguldījumus lauksaimniecības resursu efektīvai un ilgtspējīgai pielietošanai. Pētījuma mērķis ir noteikt salīdzinoši precīzāko datorredzes un mašīnmācīšanās pieeju tomātu fizioloģisko īpašību novērtēšanai. Lai gūtu labāku priekšstatu par precīzāko pieeju, ir veikta pašlaik izmantoto pārtikas augu fizioloģisko īpašību novērtēšanas metožu izpēte, kam seko datu kopas iegūšana un priekšapstrāde un īstenota modeļu apmācība. Salīdzinoši precīzākās pieejas noteikšanai, ir izveidoti vairāki datorredzes modeļi, kuru rezultāti ir analizēti un salīdzināti, balstoties uz precizitātes, pārklājuma, ‘mAP(50-95)’ un secināšanas ātruma rezultātiem. Darba gaitā ir izveidoti pieci dažādi datorredzes modeļi, kas balstās uz dažādu YOLO arhitektūru veidiem. Katrs modelis ir pārbaudīts uz testa kopas, lai iegūtu objektīvus rezultātus par tā veiktspēju. Balstoties uz rezultātu novērtēšanu un savstarpējo salīdzināšanu, YOLOv9-C modelis guva labākos rezultātus ‘mAP(50-95)’ - 98,3% un secināšanas ātrums – 8,3 milisekundes, taču pārējie modeļi arī uzrāda konkurētspējīgus rezultātus. Pētnieciskais darbs sastāv no 51 lappuses un ietver 16 attēlus un 7 tabulas, darba izstrādei tika izmantoti 64 avoti. |
| Keywords |
Datorredze, Mašīnmācīšanās, YOLOv9, Augu slimības īdentificēšana |
| Keywords in English |
Computer vision, Machine learning, YOLOv9, Plant Disease Detection |
| Language |
lv |
| Year |
2024 |
| Date and time of uploading |
28.05.2024 22:51:16 |
