| Attributes | Values |
|---|
| rdf:type
| |
| Description
| - We developed the concept of Tyystjarvi et al. (1999) who proposed a new approach to automate the weed identification using specific characteristic features in fluorescence kinetics of individual plant species. We used chlorophyll fluorescence imaging technique by an open imaging fluorometer FluorCam. The measurement on Apera spica-venti, Galium aparine, Stellaria media, Tripleurospermum inodorum as a representatives of weed species and Triticum aestivum, Brassica napus, Beta vulgaris, Helianthus annus as crop representatives were made at two different growth stages. The measurement shows high discrimination ability of the method at cotyledons (first leaf) stage with decreasing sensitivity. To improve the recognition accuracy, we used the artificial neural network classifier, trained on at least 100 plants. The classification rate for discrimination between crops and G. aparine ranged between 90 and 100%. Discrimination between individual weed species the discrimination rate ranged between 85 and 100%.
- We developed the concept of Tyystjarvi et al. (1999) who proposed a new approach to automate the weed identification using specific characteristic features in fluorescence kinetics of individual plant species. We used chlorophyll fluorescence imaging technique by an open imaging fluorometer FluorCam. The measurement on Apera spica-venti, Galium aparine, Stellaria media, Tripleurospermum inodorum as a representatives of weed species and Triticum aestivum, Brassica napus, Beta vulgaris, Helianthus annus as crop representatives were made at two different growth stages. The measurement shows high discrimination ability of the method at cotyledons (first leaf) stage with decreasing sensitivity. To improve the recognition accuracy, we used the artificial neural network classifier, trained on at least 100 plants. The classification rate for discrimination between crops and G. aparine ranged between 90 and 100%. Discrimination between individual weed species the discrimination rate ranged between 85 and 100%. (en)
- Dále jsme rozvíjeli koncepci Tyystjarvi et al. (1999), kteří navrhli nový postup automatizované identifikace plevelů pomocí specifických znaků v kinetice fluorescence jednotlivých druhů rostlin. Použili jsme metodu zobrazování chlorofylové fluorescence svyužitím fluorometru FlurCam s otevřenou verzí. Měření na Apera spica-venti, Galium aparine, Stellaria media, Tripleurospermum inodorum jako zástupcích druhů plevelů a Triticum aestivum, Brassica napus, Beta vulgaris, Helianthus annus jako zástupcích plodin bylo provedeno ve dvou růstových fázích. Měření ukazuje vysokou rozlišovací schopnost metody ve fázi děložních lístků (první list) se snižující se citlivostí při pozdějším měření. Ke zlepšení přesnosti rozpoznání jsme využili klasifikátoru umělé neuronové sítě trénované alespoň na 100 rostlinách. Stupeň rozlišení plodin a G. aparine se pohyboval v rozmezí 90-100%. V pokusu s rozlišením jednotlivých druhů plevelů byl stupeň rozlišení 85-100%. (cs)
|
| Title
| - Weed detection using chlorophyll fluorescence imaging and artificial neural network
- Weed detection using chlorophyll fluorescence imaging and artificial neural network (en)
- Detekce plevelů pomocí zobrazování chlorofylové fluorescence a umělé neuronové sítě (cs)
|
| skos:prefLabel
| - Weed detection using chlorophyll fluorescence imaging and artificial neural network
- Weed detection using chlorophyll fluorescence imaging and artificial neural network (en)
- Detekce plevelů pomocí zobrazování chlorofylové fluorescence a umělé neuronové sítě (cs)
|
| skos:notation
| - RIV/25328859:_____/05:#0000060!RIV06-MZE-25328859
|
| http://linked.open.../vavai/riv/strany
| |
| http://linked.open...avai/riv/aktivita
| |
| http://linked.open...avai/riv/aktivity
| |
| http://linked.open...vai/riv/dodaniDat
| |
| http://linked.open...aciTvurceVysledku
| |
| http://linked.open.../riv/druhVysledku
| |
| http://linked.open...iv/duvernostUdaju
| |
| http://linked.open...titaPredkladatele
| |
| http://linked.open...dnocenehoVysledku
| |
| http://linked.open...ai/riv/idVysledku
| - RIV/25328859:_____/05:#0000060
|
| http://linked.open...riv/jazykVysledku
| |
| http://linked.open.../riv/klicovaSlova
| - weed; neural network; chlorophyll fluorescence imaging (en)
|
| http://linked.open.../riv/klicoveSlovo
| |
| http://linked.open...ontrolniKodProRIV
| |
| http://linked.open...v/mistoKonaniAkce
| |
| http://linked.open...i/riv/mistoVydani
| |
| http://linked.open...i/riv/nazevZdroje
| |
| http://linked.open...in/vavai/riv/obor
| |
| http://linked.open...ichTvurcuVysledku
| |
| http://linked.open...cetTvurcuVysledku
| |
| http://linked.open...vavai/riv/projekt
| |
| http://linked.open...UplatneniVysledku
| |
| http://linked.open...iv/tvurceVysledku
| - Klem, Karel
- Babušník, Jiří
- Jagošová, Lenka
|
| http://linked.open...vavai/riv/typAkce
| |
| http://linked.open.../riv/zahajeniAkce
| |
| number of pages
| |
| http://purl.org/ne...btex#hasPublisher
| |
| https://schema.org/isbn
| |
| is http://linked.open...avai/riv/vysledek
of | |
![[RDF Data]](/fct/images/sw-rdf-blue.png)
![[cxml]](/fct/images/cxml_doc.png)
![[csv]](/fct/images/csv_doc.png)
![[text]](/fct/images/ntriples_doc.png)
![[turtle]](/fct/images/n3turtle_doc.png)
![[ld+json]](/fct/images/jsonld_doc.png)
![[rdf+json]](/fct/images/json_doc.png)
![[rdf+xml]](/fct/images/xml_doc.png)
![[atom+xml]](/fct/images/atom_doc.png)
![[html]](/fct/images/html_doc.png)