| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Datorredzes tehnoloģiju salīdzinošā analīze pārtikas augu fizioloģisko īpašību novērtēšanai |
| Nosaukums angļu valodā |
Comparative Analysis of Computer Vision Technologies for the Evaluation of Food Plant Physiological Properties |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Artūrs Ķempelis |
| Recenzents |
Evelīna Budiloviča |
| Anotācija |
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. |
| Atslēgas vārdi |
Datorredze, Mašīnmācīšanās, YOLOv9, Augu slimības īdentificēšana |
| Atslēgas vārdi angļu valodā |
Computer vision, Machine learning, YOLOv9, Plant Disease Detection |
| Valoda |
lv |
| Gads |
2024 |
| Darba augšupielādes datums un laiks |
28.05.2024 22:51:16 |
