Walk-by Lisbon Downtown

Izabrali smo sljedeće publikacije:
𝔒𝔳𝔬 𝔧𝔢 𝔧𝔞𝔨𝔬 𝔷𝔞𝔫𝔦𝔪𝔩𝔧𝔦𝔳 𝔱𝔢𝔨𝔰𝔱 𝔰𝔞 𝔷𝔞𝔫𝔦𝔪𝔩𝔧𝔦𝔳𝔦𝔪 𝔣𝔬𝔫𝔱𝔬𝔪.
𝘖𝘷𝘰 𝘫𝘦 𝘫𝘢𝘬𝘰 𝘻𝘢𝘯𝘪𝘮𝘭𝘫𝘪𝘷 𝘵𝘦𝘬𝘴𝘵 𝘴𝘢 𝘻𝘢𝘯𝘪𝘮𝘭𝘫𝘪𝘷𝘪𝘮 𝘧𝘰𝘯𝘵𝘰𝘮.
𝒪𝓋𝑜 𝒿𝑒 𝒿𝒶𝓀𝑜 𝓏𝒶𝓃𝒾𝓂𝓁𝒿𝒾𝓋 𝓉𝑒𝓀𝓈𝓉 𝓈𝒶 𝓏𝒶𝓃𝒾𝓂𝓁𝒿𝒾𝓋𝒾𝓂 𝒻𝑜𝓃𝓉𝑜𝓂.
𝕆𝕧𝕠 𝕛𝕖 𝕛𝕒𝕜𝕠 𝕫𝕒𝕟𝕚𝕞𝕝𝕛𝕚𝕧 𝕥𝕖𝕜𝕤𝕥 𝕤𝕒 𝕫𝕒𝕟𝕚𝕞𝕝𝕛𝕚𝕧𝕚𝕞 𝕗𝕠𝕟𝕥𝕠𝕞.
•Fruit ripeness identification using YOLOv8 model
🔴Autori: Bingjie Xiao, Minh Nguyen, Wei Qi Yan
☑️Institucija: Auckland University of Technology, Auckland 1010, New Zealand
•Fresh and Rotten Fruits Classification Using CNN and Transfer Learning
🔴Autori: Sai Sudha Sonali Palakodati, Venkata RamiReddy Chirra , Yakobu Dasari, Suneetha Bulla
☑️Institucija: Department of Computer Science & Engineering, Vignan’s Foundation for Science Technology and Research, Guntur 522213, India
•Fruit Classification based on ResNet and Attention Mechanism

🔴Autori: Miaorun Lin
☑️Institucija: Odjel za telekomunikacijski inženjering i menadžment, Sveučilište za poštu i telekomunikacije u Pekingu, Kina
𝗡𝗮𝘇𝗶𝘃 𝗿𝗮𝗱𝗮: Fresh and Rotten Fruits Classification Using CNN and Transfer Learning

𝑨𝒖𝒕𝒐𝒓: Sai Sudha Sonali Palakodati, Venkata RamiReddy Chirra , Yakobu Dasari, Suneetha Bulla
𝕴𝖓𝖘𝖙𝖎𝖙𝖚𝖈𝖎𝖏𝖆: Department of Computer Science & Engineering, Vignan’s Foundation for Science Technology and Research, Guntur 522213, India

𝗖𝗶𝗹𝗷 𝗶𝘀𝘁𝗿𝗮𝘇𝗶𝘃𝗮𝗻𝗷𝗮:

Detekcija trulog voća postaje značajna u poljoprivrednoj industriji. Obično, klasifikacija svježeg i trulog voća je izvršavanja od strane ljudi što je neefikasno. Ljudi će se umoriti radeći isti zadatak više puta, ali mašine neće. Dakle, projekat predlaže pristup za smanjenje ljudskog rada, smanjenje troškova i vremena za proizvodnju utvrđivanjem trulog voća. Ako se ne otkrije defektovano voće, ono može pokvariti ispravno voće.


𝑲𝒐𝒓𝒊š𝒕𝒆𝒏𝒆 𝒕𝒆𝒉𝒏𝒊𝒌𝒆:
U radu je predstavljen model za detekciju trulog voća koristeći slike voća kao ulaz. Skup podataka preuzet sa Kaggle-a je korišten za treniranje i sadrži 3 tipa voća: banane, jabuke i narandže sa 6 klasa. Svako voće imao svoju klasu: svježe i trulo. Ukupna veličina skupa podataka je 5989 slika. Od toga 3596 slika za trening, 598 slika za validaciju i 1797 slika za testiranje. Model je razvijen koristeći konvolucijske neuronske mreže i prijenosno učenje. Konvolucijske neuronske mreže su korištene za treniranje modela na trening skupu podataka, dok je tehnika prijenosnog učenja korištena za fino podešavanje istreniranog modela.