Monitoring plevelů s využitím konvolučních neuronových sítí

Darya Iakhina

Bachelor's thesis

Weed monitoring using convolutional neural networks

Abstract:

Cílem bakalářské práce bylo vyvinout softwarové řešení pro monitorování plevelů pomocí technik hlubokého učení. Ve studii byla použita architektura modelu VGG16 pro detekci a klasifikaci objektů, přičemž datová sada se skládala ze snímků plevele na pozemcích. Model VGG16 dosáhl během tréninkové fáze maximální přesnosti 95,5 %. Během predikční fáze však model vykazoval určitá omezení při rozpoznávání jednotlivých druhů plevelů. Toto omezení naznačilo potřebu zlepšit rozpoznávání jejich jednotlivých druhů plevelů v budoucí práci. V rámci projektu byla také porovnána ekonomická efektivita použití aplikací Google Colab a AWS pro trénování a testování modelu. Byla provedena srovnávací analýza, jejímž cílem bylo určit jejich nákladovou efektivitu pro projekt. To zahrnovalo podrobné vyhodnocení jejich cenových modelů a strategií alokace zdrojů s cílem určit, která platforma poskytuje nejvhodnější rovnováhu mezi cenovou dostupností a výkonem. Z ekonomického hodnocení vyplynulo, že Google Colab byl pro tento projekt nákladově nejefektivnější variantou, která poskytovala dostatečné zdroje pro trénování modelu a provoz softwarového řešení při zachování nízkých nákladů. Testován byl také systém AWS, ale jeho cenový model nebyl pro tento konkrétní projekt tak výhodný.

Abstract:

The bachelor thesis aimed to develop a software solution for weed monitoring using deep learning techniques. The study used the VGG16 model architecture for object detection and classification, with a dataset consisting of images of weeds on a parcels. The VGG16 model achieved the highest accuracy 95.5%. However, during the prediction phase, the model showed some limitations in recognizing individual weed species. This limitation suggested the need for improved recognition of individual weed species in future work. The project also compared the economic efficiency of using Google Colab and AWS for the training and testing of the model. A comparative analysis was conducted to determine their cost-effectiveness for the project. This involved a detailed evaluation of their pricing models and resource allocation strategies to determine which platform provided the most suitable balance between affordability and performance. The economic assessment revealed that Google Colab was the most cost-effective option for this project, providing sufficient resources to train the model and run the software solution while keeping costs low. AWS was also tested, but its pricing model was not as advantageous for this particular project.

Keywords

výpočetní technika, obrazová analýza, předzpracování snímků, deep learning, cloudové platformy, konvoluční neuronové sítě

Keywords

deep learning, computing, image analysis, convolutional neural networks, image preprocessing, cloud platforms

Language used: Czech

Date on which the thesis was submitted / produced: 3. 4. 2023

Thesis defence

• Date of defence: 24. 5. 2023
• Supervisor: Ing. Jakub Lev, Ph.D.
• Reader: Jan Sedláček, Ph.D.

Czech University of Life Sciences Prague

Faculty of Engineering

Bachelor programme:
Trade and Business Dealing with Machinery