| Abstract |
DZIĻĀ MĀCĪŠANĀS, GRAD-CAM, DATORREDZE, ATTĒLU KLASIFIKĀCIJA, CNN
Šajā pētījumā tiek aplūkota tradicionālo augu slimību noteikšanas metožu problēma, kas ir nepietiekami mērogojamas un neprecīzas, jo lielā mērā balstās uz manuālu vizuālo novērtējumu un ir pakļautas cilvēka kļūdām. Pētījuma mērķis ir izstrādāt un novērtēt automatizētu augu slimību noteikšanas sistēmu, izmantojot datorredzes un dziļās mācīšanās metodes, papildinātas ar izskaidrojamas mākslīgā intelekta pieejām.
Lai sasniegtu šo mērķi, tika analizētas un salīdzinātas vairākas konvolucionālo neironu tīklu (CNN) arhitektūras, tostarp VGG, ResNet, DenseNet un EfficientNet. Izvēlētais modelis tika apmācīts, izmantojot New Plant Diseases datu kopu, kas satur daudzveidīgus reālās vides augu attēlus. Modeļa veiktspējas un vispārināšanas spējas uzlabošanai tika izmantotas datu priekšapstrādes, paplašināšanas (augmentation) un pārneses mācīšanās (transfer learning) metodes. Turklāt tika integrēta Grad-CAM tehnika, lai nodrošinātu modeļa prognožu interpretējamību, vizualizējot slimībām nozīmīgās attēla zonas.
Eksperimentālie rezultāti parāda, ka izstrādātā sistēma sasniedz augstu klasifikācijas veiktspēju pēc tādiem novērtēšanas rādītājiem kā precizitāte (accuracy), precizitāte (precision), jutība (recall) un F1 rādītājs. Grad-CAM izmantošana apstiprina, ka modelis koncentrējas uz bioloģiski nozīmīgām pazīmēm, tādējādi uzlabojot sistēmas interpretējamību un uzticamību.
Izstrādātajam risinājumam ir augsts potenciāls praktiskai pielietošanai lauksaimniecībā, jo tas nodrošina precīzu, efektīvu un interpretējamu augu slimību noteikšanu. Tas veicina viedās lauksaimniecības tehnoloģiju attīstību un pāreju no tradicionālām metodēm uz datu vadītu lauksaimniecības pieeju.
Darbs sastāv no 62 lappusēm, tajā ir 2 tabulas, 22 attēli un 41 izmantotās literatūras avoti. |
