| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Kokaudzētavas nezaļu RGB kameras jēldatu pirmapstrāde un datu kopas izveide dziļās mašīnmācīšanās uzdevumiem |
| Nosaukums angļu valodā |
Tree Nurseries Weeds RGB’s Camera Raw Data Pre-Processing and Preparing a Dataset for Deep Learning Tasks |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Andrejs Zujevs |
| Recenzents |
Dmitrijs Bļizņuks |
| Anotācija |
Nezāles rada būtiskus izaicinājumus kokaudzētavu efektīvai darbībai, negatīvi ietekmējot mežsaimniecības nozares produktivitāti. Lai risinātu šo problēmu, šajā pētījumā uzmanība tiek pievērsta RGB kameras izejas datu pirmapstrādei, kas iegūti no Latvijas kokaudzētavām, un augstas kvalitātes datu kopas izveidei, kas pielāgota dziļās mācīšanās uzdevumiem. Šī darba mērķis ir veicināt automatizētu nezāļu noteikšanu, izmantojot dziļās mācīšanās tehnoloģijas, kas var palīdzēt plānot un īstenot efektīvas nezāļu apkarošanas stratēģijas.
Šajā bakalaura darbā tiek pētītas esošās tiešsaistē pieejamās nezāļu datu kopas, izprasti datu pirmapstrādes principi, kā arī izveidota jauna datu kopa, marķējot attēlus ar dažādu nezāļu sugu attēlojumiem. PyTorch ietvars tiek izmantots dziļās mācīšanās modeļu apmācībai un sagatavoto datu kopu ielādei apmācības un testēšanas nolūkos. Iegūtie rezultāti veido pamatu sarežģītu nezāļu identificēšanas modeļu izstrādei, veicinot modernizētu monitoringa sistēmu ieviešanu kokaudzētavās. Nākotnes darbi tiks vērsti uz šīs datu kopas integrēšanu un paplašināšanu, izmantojot reāllaika nezāļu apkarošanas tehnoloģijas. |
| Atslēgas vārdi |
Atslēgvārdi: Nezāles, kokaudzētavas, Dziļā mācīšanās, Datu pirmapstrāde, Datu kopas izveide, Nezāļu noteikšana. |
| Atslēgas vārdi angļu valodā |
Keywords: Weeds, Tree nurseries, Deep Learning, Data pre-processing, Dataset creation, Weed detection. |
| Valoda |
eng |
| Gads |
2025 |
| Darba augšupielādes datums un laiks |
27.05.2025 18:26:24 |
