Bücher von V . S. Naresh

Negli ultimi tempi, in cui i sistemi di automazione hanno acquisito la massima priorità per digitalizzare il mondo, il settore dell'agricoltura svolge un ruolo fondamentale nella crescita dell'economia indiana. Il rilevamento e la segmentazione delle piante infestanti è un nuovo problema di ricerca nel campo dell'agricoltura. In questo lavoro presentiamo un modulo di segmentazione delle piante infestanti. Il modulo di classificazione delle erbe infestanti necessita di un'attività di elaborazione dell'immagine per rilevare l'esistenza di una rete neurale per elaborare l'immagine e per classificare l'immagine vengono utilizzati vari classificatori, come la foresta casuale, l'albero decisionale e la SVM. Le prestazioni dei classificatori sono misurate utilizzando metriche di valutazione standard.

In der heutigen Zeit, in der die Automatisierungstechnik im Zuge der Digitalisierung der Welt höchste Priorität genießt, spielt der Bereich der Landwirtschaft eine wichtige Rolle für das Wachstum der indischen Wirtschaft. Die Erkennung und Segmentierung von Unkrautpflanzen ist ein neues Forschungsproblem im Bereich der Landwirtschaft. In diesem Beitrag stellen wir ein Unkrautsegmentierungsmodul vor. Das Unkrautklassifizierungsmodul benötigt eine Bildverarbeitungsaufgabe, um das Vorhandensein eines neuronalen Netzes zur Verarbeitung des Bildes zu erkennen, und verschiedene Klassifizierer wie Random Forest, Entscheidungsbaum, SVM werden zur Klassifizierung des Bildes verwendet. Das Segmentierungsmodul nutzt die U-Net-Architektur und Dense CRF wird für die Nachbearbeitung verwendet, um die Grenzen des Objekts deutlicher zu machen. Die Leistung der Klassifikatoren wird anhand von Standardbewertungsmetriken gemessen.

En los últimos tiempos, en los que los sistemas de automatización han adquirido la máxima prioridad para digitalizar el mundo, el campo de la agricultura desempeña un papel fundamental en el crecimiento de la economía india. La detección y segmentación de malas hierbas es un nuevo problema de investigación en el campo de la agricultura. En este trabajo presentamos un módulo de segmentación de malas hierbas. El módulo de clasificación de maleza necesita que se realice una tarea de procesamiento de imágenes para detectar la existencia de una red neuronal para procesar la imagen y se utilizan varios clasificadores, como el bosque aleatorio, el árbol de decisión y la SVM, para clasificar la imagen. El módulo de segmentación hace uso de la arquitectura U-Net y se utiliza CRF denso para el procesamiento posterior con el fin de hacer que los límites del objeto sean más claros. El rendimiento de los clasificadores se mide utilizando métricas de evaluación estándar.

V poslednee wremq, kogda sistemy awtomatizacii priobretaüt perwostepennoe znachenie dlq cifrowizacii mira, sel'skoe hozqjstwo igraet wazhnuü rol' w razwitii indijskoj äkonomiki. Obnaruzhenie i segmentaciq sornyh rastenij qwlqetsq nowoj issledowatel'skoj problemoj w oblasti sel'skogo hozqjstwa. V dannoj rabote predstawlen modul' segmentacii sornqkow. Modul' klassifikacii sornqkow trebuet wypolneniq zadachi obrabotki izobrazheniq dlq obnaruzheniq nalichiq nejronnoj seti dlq obrabotki izobrazheniq i razlichnyh klassifikatorow, takih kak sluchajnyj les, derewo reshenij, SVM, ispol'zuemyh dlq klassifikacii izobrazheniq. Modul' segmentacii ispol'zuet arhitekturu U-Net i plotnyj CRF dlq postobrabotki, chtoby sdelat' granicy ob#ekta bolee chetkimi. Proizwoditel'nost' klassifikatorow oceniwaetsq s pomosch'ü standartnyh ocenochnyh metrik.

Ces derniers temps, alors que les systèmes d'automatisation ont acquis la plus haute priorité pour numériser le monde, le domaine de l'agriculture joue un rôle majeur dans la croissance de l'économie indienne. La détection et la segmentation des plantes adventices est un nouveau problème de recherche dans le domaine de l'agriculture. Dans cet article, nous présentons un module de segmentation des mauvaises herbes. Le module de classification des mauvaises herbes nécessite une tâche de traitement d'image afin de détecter l'existence d'un réseau neuronal pour traiter l'image et divers classificateurs tels que la forêt aléatoire, l'arbre de décision, le SVM sont utilisés pour classer l'image. Le module de segmentation utilise l'architecture U-Net et le CRF dense est utilisé pour le post-traitement afin de rendre les limites de l'objet plus claires. Les performances des classificateurs sont mesurées à l'aide de mesures d'évaluation standard.

Nos últimos tempos, em que os sistemas de automatização ganharam a maior prioridade para digitalizar o mundo, o domínio da agricultura desempenha um papel importante no crescimento da economia indiana. A deteção e segmentação de plantas infestantes é um novo problema de investigação no domínio da agricultura. Neste documento, apresentamos um módulo de segmentação de ervas daninhas. O módulo de classificação de ervas daninhas necessita de uma tarefa de processamento de imagem para detetar a existência de uma rede neural para processar a imagem e vários classificadores, como a floresta aleatória, a árvore de decisão e o SVM, são utilizados para classificar a imagem. O módulo de segmentação utiliza a arquitetura U-Net e a CRF densa é utilizada para o pós-processamento, a fim de tornar os limites do objeto mais claros. O desempenho dos classificadores é medido utilizando métricas de avaliação padrão.

In the recent times, where the automation systems has gained the highest priority to digitalize the world, the field of agriculture plays a major role in the growth of Indian economy. Weed plant detection and segmentation is a new research problem in the field of agriculture. In this paper we present a weed segmentation module. Weed classification module needs image processing task to be performed in order to detect the existence neural network to process the image and various classifiers such as random forest, Decision tree, SVM are used to classify the image the segmentation module makes use of U-Net architecture and Dense CRF is used for post processing in order to make boundaries of object more clear. The performance of the classifiers are measured using standard evaluation metrics.