การเรียนรู้เชิงลึกแบบผสมเพื่อจำแนกช่วงน้ำหนักปลานิลแดงหลายมาตราส่วนจากภาพโดรน

ข้อมูลจากบทคัดย่อ

กรอบ AI เปรียบเทียบ CNN-XGBoost กับ EfficientNet-B0-XGBoost บนภาพโดรนขนาด 5×5 และ 2×2 เมตร สำหรับภาพใหญ่ที่เก็บบริบทกระชัง CNN-XGBoost แม่นยำเฉลี่ย 98.8% และประมวลผล 0.038 วินาทีต่อภาพ เร็วกว่า EfficientNet-B0-XGBoost มาก ส่วนภาพเล็กที่บริบทจำกัด EfficientNet-B0-XGBoost แม่นยำกว่า 90.0% เทียบ 85.0% ผลชี้ว่าบริบทเชิงพื้นที่สำคัญต่อการจำแนกช่วงน้ำหนัก แต่ต้องประเมินกับฟาร์ม ฤดูกาล ความขุ่น ความหนาแน่น และอุปกรณ์ถ่ายภาพที่ไม่อยู่ในชุดพัฒนา ก่อนใช้แทนการชั่งจริง

เหตุผลที่อยู่ในฐานติดตาม

ระเบียนนี้ได้รับ Impact Signal 75/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย

ประเด็นที่เกี่ยวข้อง: Water Quality Monitoring Technologies · Aquaculture Nutrition and Growth · Innovations in Aquaponics and Hydroponics Systems