engleski

ApplicaƟ on of deep learning for analysis of mulƟ spectral proximal sensing node reads in maize trials

Tijekom vegetacije, promjene u okolini pozitivno ili negativno utječu na prinose kukuruza. Opažanja na kraju vegetacije kada je biljka odumrla ne daju informacije potrebne za primjenu korektivnih mjera. To nas je motiviralo na razvoj multispektralnog visokopropusnog senzora za stvarnovremensko motrenje statusa biljke u poljskim uvjetima. Senzor je baziran na 6x1 nizu dioda s odzivom pri valnim duljinama koje predstavljaju fl uorescenciju koju emitira biljka, te neke druge važne fenomene. Očitanja su dalje korištena za izračun različitih normaliziranih diferencijalnih vegetacijskih indeksa (NDVI). Cilj ovog istraživanja bio je primijeniti duboko učenje za analizu multispektralnih očitanja senzora. Mjereni su pokusi kukuruza FAO skupina 200 do 700 s 10 do 61 hibrida. Mjerenja su uređena u tenzore i postavljena je konvolucijska neuronska mreža. Slojevi mreže bili su Conv1D (dimenzije 64), potpuno povezani sloj (dimenzije 16) i maxpooling sloj, te potpuno povezani klasifi kacijski sloj. Aktivacijska funkcija ReLu korištena je za prva dva sloja, dok je za klasifi kacijski sloj korištena funkcija softmax. Izračuni su provedeni u programskoj knjižnici TensorFlow 2.7 u Python programskom sučelju. Model je pokazao visoku upotrebljivost senzorskih očitanja za klasifi kaciju uzoraka u grupe na temelju različitih svojstava. Robusnost pristupa i usporedba s drugim modelima biti će demonstrirani.

deep learning ; neural networks ; maize

nije evidentirano