Сегодня финансовое воздействие сельского хозяйства увеличивается день ото дня с экономическим ростом нашей страны, но сельское хозяйство по-прежнему является одним из широких секторов, и оно играет очень важную роль для нашей страны. При этом ведение учета болезней растений с помощью специалистов может быть очень затратным в сельском хозяйстве региона. Существует потребность в системе, которая может автоматически обнаруживать заболевания, поскольку она может произвести революцию в мониторинге больших полей сельскохозяйственных культур, и тогда листья растений можно будет вылечить как можно скорее после обнаружения болезни. Существует так много болезней, которые поражают хлопок и многие другие культуры, поражающие многие отрасли сельского хозяйства. Так те определяют это заболевание и как от него вылечиться. Эта цель будет удовлетворена, хотя наше приложение помогает прогнозировать заболевание хлопчатника, а также способы его преодоления.

Обзор проекта

Для этого проекта у меня есть форма загрузки набора данных Kaggel. В этом наборе данных есть три папки, такие как папка train, test и validation. В этом наборе данных есть 4 категории, такие как больные листья хлопка, больные растения хлопка, свежие листья хлопка, свежие растения хлопка.

Для этого проекта я создал сверточную нейронную сеть (CNN) модели глубокого обучения, используя библиотеку keras для нашего проекта прогнозирования болезней хлопка. Прежде всего, почему я использую CNN, потому что CNN используются для классификации и распознавания изображений из-за их высокой точности. CNN следует иерархической модели, которая работает над построением сети, как воронка, и, наконец, выдает полностью связанный слой, где все нейроны соединены друг с другом, и вывод обрабатывается.

После получения набора данных следующий шаг - передать наши обучающие данные для нашей модели CNN, чтобы научиться идентифицировать или классифицировать различные классы изображений. Используемая архитектура модели была:

Используемая функция потерь - «sparse_categorical_crossentropy», а оптимизатор - «Адам». Для обучения модели мы использовали Keras API с тензорным потоком на бэкэнде. Модель показала хорошие характеристики, достигнув достойных

После создания модели CNN, в соответствии с жизненным циклом науки о данных, мы должны развернуть нашу модель. Для развертывания нашей модели в веб-приложении мы используем фреймворк Python Flask для соединения модели CNN с файлом HTML, CSS и JavaScript. Для использования модели во флаконе мы должны сохранить нашу модель.

После сохранения модели создайте веб-приложение, используя HTML, CSS и JAVASCRIPT, а затем подключитесь к Flask. Итак, все, наконец, сделано, я приложил некоторые выходные данные моего веб-приложения.

Кроме того, я создал чат-бота для веб-сайта, потому что чат-бот обеспечивает персонализированный опыт, который востребован. Этот чат-бот создан с помощью помощника IBM watson.

Инструменты и технологии: -

Инструменты: -

Блокнот Jupyter, Pycharm

Технология: -

Python

Вывод: -

В этом проекте я узнал о некоторых основных концепциях глубокого обучения, CNN, фреймворке Python Flask, чат-боте с использованием помощника IBM watson и многих других вещах, которые я изучил в этом проекте.

Исходный код: -

Https://github.com/PrinceAjudiya/Deploy-Cotton-Disease-Prediction-Using-Deepl-learning-Flask