Plant Pest Detection via Deep-Learning Models

Šuľan, Dušan

Plant Pest Detection via Deep-Learning Models

DSpace Repository

Language: English čeština

Plant Pest Detection via Deep-Learning Models

dc.contributor.advisor	Komínková Oplatková, Zuzana
dc.contributor.author	Šuľan, Dušan
dc.date.accessioned	2021-07-26T07:17:09Z
dc.date.available	2021-07-26T07:17:09Z
dc.date.issued	2021-01-15
dc.identifier	Elektronický archiv Knihovny UTB
dc.identifier.uri	http://hdl.handle.net/10563/46106
dc.description.abstract	Tato diplomová práce řeší detekci škůdců pomocí modelů hlubokého učení. Cílem bylo natrénovat sítě hlubokého učení pro přesnou a rychlou detekci škůdců. Vyhodnocení probíhalo na základě ukazatelů Precision, Recall a rychlosti sítě. Výsledky ukazují, že nejrychlejší z testovaných síťí je Scaled YOLOv4 CSP Large a nejpřesnejší Faster R-CNN s Resnet152. Základní augmentace sítí zlepšili přesnost o 10%. V závěru je zformu-lováno zhodnocení quality datasetu, vyhodnocení modelů a zlepšení, které mohou pomoc zlepšit predikci škůdců v budoucnu
dc.format	65
dc.language.iso	cs
dc.publisher	Univerzita Tomáše Bati ve Zlíně
dc.rights	Bez omezení
dc.subject	hluboké učení	cs
dc.subject	počítačové videní	cs
dc.subject	object detection	cs
dc.subject	detekce škůdců	cs
dc.subject	Faster R-CNN	cs
dc.subject	YOLO	cs
dc.subject	Scaled -YOLO	cs
dc.subject	deep learning	en
dc.subject	computer vision	en
dc.subject	object detection	en
dc.subject	pest detection	en
dc.subject	Faster R-CNN	en
dc.subject	YOLO	en
dc.subject	Scaled -YOLO	en
dc.title	Plant Pest Detection via Deep-Learning Models
dc.title.alternative	Plant Pest Detection via Deep-learning Models
dc.type	diplomová práce	cs
dc.contributor.referee	Volná, Eva
dc.date.accepted	2021-06-04
dc.description.abstract-translated	This diploma thesis addresses the detection of pests using deep learning models. The aim was to train deep learning networks for accurate and fast pest detection. The evaluation was based on Precision, Recall, and network speed indicator. The results show that the fastest of the tested networks is Scaled YOLOv4 CSP Large and the most accurate is Faster R-CNN with Resnet152. Basic network augmentations improved accuracy by 10%. In the final part, an evaluation of the quality of the dataset, evaluation of models, and further possible improvements are formulated
dc.description.department	Ústav informatiky a umělé inteligence
dc.thesis.degree-discipline	Informační technologie	cs
dc.thesis.degree-discipline	Information Technologies	en
dc.thesis.degree-grantor	Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky	cs
dc.thesis.degree-grantor	Tomas Bata University in Zlín. Faculty of Applied Informatics	en
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Inženýrská informatika	cs
dc.thesis.degree-program	Engineering Informatics	en
dc.identifier.stag	57498
utb.result.grade	A
dc.date.submitted	2021-05-17