人工智能使在各个领域的问题上实施了更准确，更有效的解决方案。在农业部门，主要需求之一是在始终了解农作物所占据或不占领的土地，以提高生产和盈利能力。传统的计算方法需要手动收集数据，并在现场亲自收集，从而导致较高的人工成本，执行时间和结果不准确。目前的工作提出了一种基于深度学习技术的新方法，该技术与常规编程相辅相成，以确定人口稠密和人口不足的作物区域的面积。我们认为作为案例研究是厄瓜多尔种植和收获甘蔗中最知名的公司之一。该策略结合了生成的对抗神经网络（GAN），该网络在天然和城市景观的航空照片数据集上进行了训练，以改善图像分辨率；卷积神经网络（CNN）在甘蔗地块的航空照片数据集上训练，以区分人口稠密的农作物区域；以及以百分比方式计算区域的标准图像处理模块。进行的实验表明，航空照片的质量有显着改善，以及人口稠密的农作物区域和未吞噬的作物区域之间的显着差异，因此，耕种和未经耕种的地区更准确。所提出的方法可以扩展到可能的害虫，杂草植被，动态作物发展以及定性和定量质量控制的检测。
translated by 谷歌翻译
葡萄牙人战士（PMW）是一种凝胶生物体，具有长长的触手，能够造成严重的燃烧，从而导致对人类活动（例如旅游和捕鱼）的负面影响。缺乏有关该物种的时空动力学的信息。因此，使用替代方法收集数据可以有助于其监视。鉴于社交网络的广泛使用和PMW的引人注目的外观，Instagram帖子可能是监视的有前途的数据源。遵循此方法的第一个任务是识别指向PMW的帖子。本文报告了使用卷积神经网络进行PMW图像分类，以自动识别Instagram帖子。我们创建了一个合适的数据集，并训练了三个不同的神经网络：VGG-16，RESNET50和InceptionV3，并在Imagenet数据集中进行了预先训练的步骤。我们使用准确性，精度，召回和F1评分指标分析了他们的结果。预先训练的RESNET50网络提供了最佳结果，获得了94％的精度和95％的精度，召回和F1分数。这些结果表明，卷积神经网络对于识别Instagram社交媒体的PMW图像非常有效。
translated by 谷歌翻译
在进化多目标聚类方法（EMOC）中，已将各种聚类标准应用于目标函数。但是，大多数EMOC并未提供有关目标功能的选择和使用的详细分析。旨在支持eMOC中目标的更好的选择和定义，本文提出了通过检查搜索方向及其在寻找最佳结果的潜力来分析进化优化中聚类标准的可采性的分析。结果，我们证明了目标函数的可接受性如何影响优化。此外，我们还提供有关eMOC中聚类标准的组合和使用的见解。
translated by 谷歌翻译