| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Informācijas tehnoloģija |
| Nosaukums |
Dziļās mācīšanās modeļu pielietojumu izpēte zemeņu augu slimību agrīnai atklāšanai |
| Nosaukums angļu valodā |
Exploring the Applications of Deep Learning Models for Early Detection of Strawberry Plant Diseases |
| Struktūrvienība |
33000 Datorzinātnes, informācijas tehnoloģijas un enerģētikas fakultāte |
| Darba vadītājs |
Sergejs Paršutins |
| Recenzents |
Viktorija Klimko |
| Anotācija |
Mūsdienās arvien biežāk dažādās jomās, tai skaitā lauksaimniecībā tiek ieviesti
arvien vairāk dziļās mācīšanās, datorredzes un automatizācijas risinājumi, lai atvieglotu
manuāla darba veikšanu, taupītu laiku un padarītu ikdienas darbus efektīvākus. Darba
ietvaros tika pētīti dažādi dziļās mācīšanās modeļi, pētot to precizitāti ar datu kopu, kas
satur datus par septiņām dažādām zemeņu augu slimībām. Darba mērķis ir ir izpētīt un
salīdzināt dziļās mācīšanas modeļus ar slimību izraisīto bojājumu noteikšanai zemeņu
augu lapās, nosakot kurš modelis sasniedz visaugstāko precizitāti.
Darba ietvaros tika apskatīti jau esošie dziļās mācīšanās modeļu risinājumi augu
slimību noteikšanā, atklājot, kuri dziļās mācīšanās modeļi jau pierādījuši labus
rezultātus, kas palīdzējis pētāmo modeļu izvēlē. Darba realizācijai izvēlēta brīvpieejas
datu kopa ar jau aprakstītām septiņām zemeņu slimību klasēm. Datu kopa satur 2500
attēlus. Tika izvēlēti astoņi dziļās mācīšanās modeļi, kuri trenēti ar izvēlēto datu kopu,
mērot modeļu precizitāti, modeļu apmācības laiku, patērēto operatīvo atmiņu modeļu
treniņu laikā. Datu vienlīdzīgai interpretācijai un salīdzināšanai visu modeļu trenēšanai
izmantoti vienādi hiperparametri. Visi iegūtie rezultāti apkopoti tabulās un grafikos,
veikta rezultātu analīze.
Rezultāti pierādījuši, ka vislabākaie modeļi attiecīgās datu kopas slimību
noteikšanai ConvNeXt-Tiny un DenseNet201, ar 99% un 98.4% validācijas precizitāti.
Dati validēti ar testa attēliem, kas nav saistīti ar datu kopu, kur modeļi atpazinuši
slimības ar vidēji 75.61% precizitāti DenseNet un 70.73% precizitāti ConvNeXt-Tiny
modelim..
Bakalaura darbs satur 56 lappuses, 19 attēlus, 3 tabulas un 62 informācijas avotus. |
| Atslēgas vārdi |
ATTĒLU KLASIFIKĀCIJA, DZIĻĀ MAŠĪNMĀCĪŠANĀS, SLIMĪBU NOTEIKŠANA. |
| Atslēgas vārdi angļu valodā |
IMAGE CLASSIFICATION, DEEP MACHINE LEARNING, DISEASE DETECTION. |
| Valoda |
lv |
| Gads |
2026 |
| Darba augšupielādes datums un laiks |
29.05.2026 14:54:21 |
