Abstrait

Apprentissage automatique 2018 : effet de la moisissure noire sur les rendements du manioc à l'aide de réseaux neuronaux convolutifs - Université Semakula Abdumajidhu-Makerere

Semakula Abdumajidhu

Les aleurodes ont été observés comme causant deux types de dommages aux plantes hôtes de manioc, à savoir les dommages causés par les soins et les dommages causés par la forme sale. Les dommages secondaires, appelés dommages de forme sale, sont une conséquence du miellat déposé par les aleurodes traitants sur les feuilles inférieures. Il est décrit comme un obscurcissement terne des feuilles inférieures qui influence les niveaux de teneur en chlorophylle, car la chlorophylle est un marqueur de la pression nutritionnelle des plantes, de la limite photosynthétique et de l'état de santé des plantes. Les plantes ont besoin de niveaux potentiels élevés de substance chlorophyllienne pour conserver suffisamment de lumière qui sera utilisée pendant la photosynthèse pour qu'elles puissent fabriquer leur propre nourriture. Les dommages de forme sale avec leur effet obscurcissant empêchent les feuilles de recevoir des rayons de lumière directe pendant le processus de photosynthèse, ce qui entraîne de faibles rendements de manioc. L'utilisation de l'IA pour surveiller la santé des récoltes a été étudiée dans divers contextes connexes, notamment la division des feuilles malades et la décoloration liée aux maladies dans les produits biologiques d'agrumes. L'enquête sera planifiée pour comprendre l'impact de la forme terne sur la teneur en chlorophylle des plants de manioc et percevoir comment nous pouvons améliorer et augmenter les rendements du manioc. Cinq variétés de manioc qui sont narocass 1, nase 14, mkumba, njule et bamunanika seront considérées au cours de l'examen. Nous déterminerons le degré de pénétration de la forme terne sur ces variétés de manioc et dirons quelle variété est généralement affectée. Nous décomposerons et relierons les informations de lecture spirituelle à la substance chlorophyllienne pour quantifier la quantité de chlorophylle influencée par les dommages causés par la forme sale dans les images de manioc. Nous créerons un modèle de réseau neuronal convolutionnel (CNN) pour évaluer la teneur en couleur (chlorophylle) en fonction des lectures du spectromètre. En utilisant notre modèle, nous déterminerons le niveau de la plante affectée et le degré atteint par la forme terne. Nous utiliserons un spectromètre de terrain pour prendre des estimations de contrôle fantôme et effectuer également un examen de détection à distance des informations. Ces informations seront identifiées avec la substance chlorophyllienne pour déterminer les degrés d'impact de la forme sale. L'exploration entraînera une augmentation des rendements du manioc, ce qui permettra une détection de plus en plus précise des moisissures sales. Cela améliorera le temps de réaction des mouches blanches et des soins du manioc contaminé par la forme sale. Cela ne sera plus nécessaire pour fabriquer/supprimer physiquement les fonctions. L'apprentissage profond avec les systèmes neuronaux convolutionnels (CNN) a fait des progrès extraordinaires dans le regroupement de différentes infections végétales. Dans tous les cas, un nombre prédéterminé d'études ont expliqué le processus de déduction, le laissant comme une boîte noire lointaine. La découverte du CNN pour séparer la composante scientifique en tant que structure interprétable garantit sa fiabilité et permet la confirmation de l'authenticité du modèle et de l'ensemble de données de préparation par médiation humaine. Dans cette étude,Un assortiment de stratégies de représentation neuronale et couche par couche a été appliqué à l'aide d'un CNN, préparé avec un ensemble de données d'images d'infections végétales librement accessibles. Nous avons démontré que les systèmes neuronaux peuvent capturer les couleurs et les surfaces des plaies spécifiques à des maladies individuelles lors de la détermination, ce qui ressemble à une dynamique humaine. Alors que certaines techniques de perception ont été utilisées telles quelles, d'autres doivent être améliorées pour se concentrer sur une couche particulière qui capture complètement les points forts pour produire des rendements remarquables. De plus, en déchiffrant les cartes d'attention produites, nous avons identifié quelques couches qui n'étaient pas utiles à la conjecture et avons supprimé ces couches à l'intérieur du système, réduisant le nombre de limites de 75 % sans affecter la précision du regroupement. Les résultats donnent une force aux clients de la découverte CNN dans le domaine de la phytologie pour mieux comprendre le processus de détermination et conduisent à encourager une utilisation efficace de l'apprentissage profond pour la recherche sur les infections végétales.

Biographie :

Semakula Abdumajidhu poursuit actuellement ses études de Master en informatique au Collège d'informatique et des sciences de l'information (CoCIS) de l'Université de Makerere. Sa spécialité est la vision par ordinateur et le traitement d'images, et ses recherches actuelles portent sur les maladies des cultures.