Mostrar el registro sencillo del ítem
| dc.contributor | Argelich Romà, Josep | |
| dc.contributor | Universitat de Lleida. Escola Politècnica Superior | |
| dc.creator | Felis de Dios, Guillem | |
| dc.date | 2021-07 | |
| dc.date.accessioned | 2025-11-03T12:14:20Z | |
| dc.date.available | 2025-11-03T12:14:20Z | |
| dc.identifier | http://hdl.handle.net/10459.1/71737 | |
| dc.identifier.uri | http://fima-docencia.ub.edu:8080/xmlui/handle/123456789/23654 | |
| dc.description | Cada any collites d’arreu del món són destruïdes a causa de plagues i malalties, cosa que fa que cada vegada sigui més important la voluntat de trobar una manera eficaç de lluitar contra elles. Amb els recents avenços en el camp de la Intel·ligència Artificial i, més concretament, en Visió Artificial, aquest projecte pretén desenvolupar un model capaç de classificar algunes malalties visibles en fulles de poma. Per fer-ho, s’han utilitzat els models pre-entrenats DensetNet i EfficientNet, entrenats de nou amb les dades del concurs obert Plant Pathology - FGCV8. A més, el document també presenta els resultats de l’experimentació realitzada, que mostra com la variació de certs hiperparàmetres afecta el rendiment d’aquests models. Finalment, el model entrenat resultant ha obtingut una precisió comprovada de 87.36%, amb un rendiment especialment bo per la classificació d’etiqueta única, on ha obtingut un 91.26% de precisió. | |
| dc.description | Every year crops around the world are being destroyed due to plagues and diseases, making the urge to find an effective way to fight against them more and more important. With the recent advancements in the field of Artificial Intelligence and, more concretely, in Computer Vision, this project aims to develop a model able to classify some illnesses that are visible on apple leaves. To do so, DensetNet and EfficientNet pre-trained models have been used, re-trained with the data from the Plant Pathology 2021 - FGCV8 open competition. Furthermore, this document also presents the results of performed experimentation that shows how variation on certain hyperparameters affects the performance of such models. Finally, the resulting trained model has a tested accuracy of 87.36%, performing extremely well on single-class classification, with a tested accuracy of 91.26% in that case. | |
| dc.language | cat | |
| dc.rights | cc-by-nc-nd | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Intel·ligència artificial | |
| dc.subject | Visió artificial | |
| dc.subject | Deep learning | |
| dc.subject | Xarxes neuronals | |
| dc.subject | Intel·ligència artificial | |
| dc.subject | Visió artificial (Robòtica) | |
| dc.title | Detecció de malalties en vegetals mitjançant xarxes neuronals | |
| dc.type | info:eu-repo/semantics/bachelorThesis |
| Ficheros | Tamaño | Formato | Ver |
|---|---|---|---|
|
No hay ficheros asociados a este ítem. |
|||