department of computer science_BThesis

Permanent URI for this collectionhttps://archives.univ-eloued.dz/handle/123456789/21850

Browse

Browsing department of computer science_BThesis by Subject ": الذكاء الاصطناعي، الشبكات العصبية الإلتفافية، الأعشاب الضارة، تصنيف الصور، التعلم الانتقالي. فرنسية : Intelligence artificielle"

Filter results by typing the first few letters
Now showing 1 - 1 of 1
  • No Thumbnail Available
    Item
    بناء نموذج لتصنيف صور الأعشاب الضارة المنتشرة بالحقول الزراعية في وادي سوف
    (university of eloued جامعة الوادي, 2024-06-05) بورقعة رمضان
    تهدف هذه الدراسة لتطوير نموذج قائم على الذكاء الإصطناعي من خلال بناء نموذج بواسطة الشبكات العصبية الإلتفافية (CNNs) للتعرف على أنواع الأعشاب الضارة بمنطقة وادي سوف وخاصة تلك المنتشرة في حقول البطاطا، وذلك بهدف تسهيل عملية الكشف عنها و تمكين الفلاحين من اتخاذ إجراءات المكافحة المناسبة . تم تدريب نموذج خاص CNN من الصفر على مجموعة بيانات تضم صورًا لأربعة أنواع من الأعشاب الضارة : مزريطة، نجم، خبيز وذيل الفار. كما تم تطبيق تقنية التعلم الانتقالي باستخدام نماذج VGG-16 و ImageNetV2 و InceptionV3 المدربة مسبقًا لتحسين دقة التصنيف. أظهرت النتائج تفوق نموذج InceptionV3 حيث بلغت دقة التصنيف على بيانات التحقق%93.46 تؤكد هذه النتائج إمكانية استخدام CNNs كأداة فعالة في مجال إدارة الأعشاب الضارة، مما يدعم تطوير تطبيقات عملية للكشف عنها ورسم خرائط انتشارها في الحقول، وبالتالي تعزيز الإنتاجية الزراعية. This study aims to develop an artificial intelligence model by utilizing Convolutional Neural Networks (CNNs) to identify weed species in the El Oued region, particularly those found in potato fields. The goal is to enhance weed detection and enable farmers to implement timely control measures. A CNN-specific model was trained from scratch using a dataset containing images of four types of weeds: Chenopodium, Cynodon, Malva, and Polypogon. Transfer learning techniques were applied, leveraging pre-trained VGG-16, ImageNetV2, and InceptionV3 models to improve classification accuracy. The results demonstrated the superiority of the InceptionV3 model, achieving a validation accuracy of 93.46%. These findings highlight the potential of CNNs as effective tools for weed management, supporting the development of practical applications to detect and map weed spread in fields, ultimately enhancing agricultural productivity.