Určení zralosti rajčete

Maruniak, Filip

Určení zralosti rajčete

DSpace Repository

Language: English čeština

Určení zralosti rajčete

dc.contributor.advisor	Turečková, Alžběta
dc.contributor.author	Maruniak, Filip
dc.date.accessioned	2024-07-23T13:16:16Z
dc.date.available	2024-07-23T13:16:16Z
dc.date.issued	2023-11-05
dc.identifier	Elektronický archiv Knihovny UTB
dc.identifier.uri	http://hdl.handle.net/10563/55579
dc.description.abstract	Automatizácia a počítačové videnie môžu fungovať ako robustné nástroje pre zvyšovanie efektívnosti a kvality v poľnohospodárstve, najmä pri spracovaní rajčín, ktoré sú globálne významnou plodinou s ročnou produkciou dosahujúcou približne 182,3 miliónov ton. Táto diplomová práca sa zameriava na aplikáciu týchto technológií pre proces identifikácie zrelosti rajčín. Kľúčové metódy zahŕňajú použitie metódy počítačového videnia v algoritmoch pre výpočet histogramu farieb alebo algoritmu pre zistenie dominantnej farby na efektívne rozlíšenie stupňov zrelosti a v neposlednom rade konvolučnej neurónovej siete, ktorá umožňuje hlboké učenie z vizuálnych dát pre presnú klasifikáciu zrelosti. Cieľom práce je zdokonalenie techník určovania zrelosti rajčín s cieľom minimalizovať straty počas skladovania a distribúcie a poskytnúť robustnú podporu pre zlepšenie farmárskych a komerčných operácií
dc.format	78
dc.language.iso	cs
dc.publisher	Univerzita Tomáše Bati ve Zlíně
dc.rights	Bez omezení
dc.subject	Automatizácia	cs
dc.subject	Poľnohospodárstvo	cs
dc.subject	Rajčiny	cs
dc.subject	Počítačové videnie	cs
dc.subject	Neurónové siete	cs
dc.subject	Automation	en
dc.subject	Agriculture	en
dc.subject	Tomatoes	en
dc.subject	Computer Vision	en
dc.subject	Neural Networks	en
dc.title	Určení zralosti rajčete
dc.title.alternative	Determining the Ripeness of a Tomato
dc.type	diplomová práce	cs
dc.contributor.referee	Doležel, Petr
dc.date.accepted	2024-06-07
dc.description.abstract-translated	Automation and computer vision can serve as robust tools for enhancing efficiency and quality in agriculture, especially in the processing of tomatoes, which are a globally significant crop with an annual production reaching approximately 182.3 million tons. This thesis focuses on applying these technologies to the process of identifying tomato ripeness. Key methods include the use of computer vision in algorithms for calculating color histograms or determining the dominant color to effectively distinguish levels of ripeness, and not least, the convolutional neural network, which allows for deep learning from visual data for accurate ripeness classification. The aim of the work is to refine techniques for determining tomato ripeness in order to minimize losses during storage and distribution and to provide robust support for improving farm and commercial operations.
dc.description.department	Ústav informatiky a umělé inteligence
dc.thesis.degree-discipline	Softwarové inženýrství	cs
dc.thesis.degree-discipline	Software Engineering	en
dc.thesis.degree-grantor	Univerzita Tomáše Bati ve Zlíně. Fakulta aplikované informatiky	cs
dc.thesis.degree-grantor	Tomas Bata University in Zlín. Faculty of Applied Informatics	en
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Informační technologie	cs
dc.thesis.degree-program	Information Technologies	en
dc.identifier.stag	66757
dc.date.submitted	2024-05-13