Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Sebastian Górecki

Metody analizy obrazu i uczenia maszynowego dla celów identyfikacji gatunków i chorób pszczół


Image analysis and machine learning methods for identification of bee species and diseases


Opiekun pracy dyplomowej: dr inż. Piotr Korbel prof. ucz.
Praca dyplomowa magisterska obroniona 2020-09-23
Streszczenie pracy dyplomowej:
Większość światowych upraw żywności zależna jest od pszczół. Niestety, coraz więcej pszczelich rodzin ginie każdego roku. Niniejsza praca dyplomowa poświęcona jest zagadnieniom metod analizy obrazu i uczenia maszynowego dla celów identyfikacji gatunków i chorób pszczół, które mogą zapobiec masowemu wymieraniu pszczelich kolonii. Przegląd literatury pozwolił na pozyskanie informacji teoretycznych związanych z zachowaniem pszczół. Zgromadzone zostały dane w postaci zdjęć pszczół różnych gatunków oraz plików z nagraniami dźwięków, jakie pszczoły wydają w różnym stanie zdrowotnym. Dane poddano analizie z wykorzystaniem najpopularniejszych metod uczenia maszynowego takich jak, logika rozmyta czy konwolucyjne sieci neuronowe. Zawarte w pracy porównanie metod uczenia maszynowego oraz zaprezentowanie możliwości rozwoju dostosowanych do danego zbioru danych na postawie zawartej literatury, a także sposoby ulepszenia wykorzystania podstawowych metod uczenia maszynowego pozwalają na opracowanie skutecznego systemu detekcji anomalii wśród pszczelich rodzin. Słowa kluczowe: uczenie maszynowe, logika rozmyta, konwolucyjne sieci neuronowe, pszczelarstwo
Abstract:
Most of the world's food crops depend on bees. Unfortunately, more and more bee families are dying every year. This thesis is devoted to the issues of image analysis methods and machine learning for identifying species and bee diseases that can prevent the mass extinction of bee colonies. The review of the literature has allowed to obtain theoretical information related to the behaviour of bees. The data were collected in the form of pictures of bees of different species and sound files of bees that they produce in different health conditions. The data were analysed using the most popular machine learning methods, such as fuzzy logic or convolutional neural networks. The comparison of machine learning methods contained in the paper and the presentation of development opportunities adapted to a given set of data on the basis of the contained literature, as well as ways to improve the use of basic machine learning methods allows to create a system for detecting anomalies among bees. Keywords: machine learning, fuzzy logic, convolutional neural network, beekeeping