1 RE2C: A lexer Untuk generator RE2C adalah penyusun Algoritma ekstraksi
generator lexer yang ekspresi reguler: ia submatch yang based on mengoptimalkan mengubah ekspresi diimplementasikan lookahead- seperti RE2C reguler menjadi mesin dalam RE2C TDFA adalah penting negara hingga dan merupakan bahwa kode yang mengkodekannya pengembangan dihasilkan sebagai program teoritis yang penting setidaknya secepat dalam bahasa target. dan peningkatan dan hemat memori Inti dari RE2C adalah praktis yang berguna. seperti kode yang algoritma lookahead- Hal ini ditulis tangan, dan TDFA yang memungkinkan tidak ada overhead memungkinkannya seseorang untuk jika ekstraksi melakukan ekstraksi memprogram submatch tidak submatch yang cepat penganalisis leksikal digunakan. dan ringan. algoritma yang mampu yang digunakan dalam melakukan ekstraksi RE2C dan memberikan submatch tanpa contoh konstruksi menggunakan pasca- TDFA.decomposition) pemrosesan manual atau penggunaan fungsi pencarian string. 2 acdecom—A tidak ada paket acdecom adalah memberikan Python module perangkat lunak modul Python untuk fungsionalitas yang for acoustic non-komersial dekomposisi diperlukan untuk wave yang tervalidasi gelombang suara di dekomposisi mode decomposition dan saluran aliran. Ini dalam berbagai in flow ducts terdokumentasi mewujudkan aplikasi. Selain itu, ini yang saat ini lingkungan yang divalidasi terhadap digunakan untuk mudah digunakan banyak set data tujuan ini. Untuk untuk memfasilitasi akustik aliran dengan tujuan ini, kode pasca-pemrosesan ketelitian tinggi. yang diterbitkan bidang aliran-akustik Publikasi jurnal ilmiah dalam makalah ini dari eksperimen dan peer-review yang menyediakan simulasi. Kode yang menggunakan kode kerangka kerja dipublikasikan berguna acdecom dapat yang mudah untuk penelitian dan ditemukan di digunakan untuk pengembangan di Referensi. untuk ilmuwan, peneliti, bidang akademis dan prosedur dan insinyur: salah industri yang eksperimental, dan di satu yang mengandalkan Referensi. untuk memfasilitasi pembuatan dan prosedur numerik. karakterisasi mitigasi suara yang Kode acdecom juga akustik komponen disalurkan, seperti digunakan dalam saluran melalui sistem HVAC, proyek terapan untuk dekomposisi mode kompresor turbo, pipa mengukur HVAC- akustik yang knalpot, mesin jet, noise fan-noise , dan sebagian besar muffler, peredam untuk desain diotomatiskan dan suara, dan liner. peredam suara . dapat disesuaikan. Rutinitas acdecom divalidasi terhadap banyak kumpulan data. Lebih jauh, itu telah digunakan untuk banyak publikasi dan kontribusi konferensi. Untuk menyederhanakan penggunaan, dokumentasi kode diilustrasikan dengan contoh dari eksperimen dan simulasi. 3 dm_control: kontrol dan Paket perangkat lunak OpenAI Gym Software and robotika juga dm_control adalah mencakup tasks for memerlukan kumpulan pustaka continuous rangkaian tugas Python dan rangkaian sekumpulan domain control yang dirancang tugas untuk agen yang telah menjadi dengan baik pembelajaran tolok ukur populer sebagai lapangan penguatan dalam bermain standar, simulasi artikulasi dalam RL di mana tubuh. Infrastruktur berkelanjutan. pendekatan baru mencakup yang berbeda pembungkus untuk Rangkaian tugas yang dapat dievaluasi mesin fisika MuJoCo lebih baru seperti dan dibandingkan. dan perpustakaan Meta-world SURREAL Mengaktifkan untuk manipulasi kemajuan tersebut model prosedural dan RLbench dan IKEA adalah tujuan penulisan tugas. telah diterbitkan, dm_control. Rangkaian tugas untuk memenuhi mencakup Rangkaian permintaan Kontrol, serangkaian rangkaian tugas yang tugas standar yang dimaksudkan untuk memfasilitasi studi berfungsi sebagai tolok kontrol multi-skala, ukur kinerja, kerangka multi -tugas transfer, kerja gerak dan kelompok tugas, dan dan meta-learning. serangkaian tugas manipulasi dengan lengan robot dan batu bata yang dipasang bersama. Laporan teknis tambahan dan tutorial interaktif juga disediakan. 4 Artificial Salah satu ciri Pertanian Industri di sektor cognition for utama yang menyumbang 6,4% pertanian applications in membedakan dari seluruh produksi menghadapi smart manusia, dari ekonomi dunia. tantangan, seperti agriculture: A segala sesuatu di Setidaknya di sembilan hasil panen, comprehensive dunia adalah negara di dunia, kesehatan tanah dan review kecerdasan (Pivoto pertanian merupakan tanaman, gulma dan et al., 2018). sektor ekonomi yang penyakit dapat Pendekatan untuk dominan. Pertanian diatasi dengan membuat tidak hanya bantuan teknologi komputer, robot, menyediakan bahan berbasis kecerdasan atau mesin apa bakar bagi milyaran buatan. Dengan pun berpikir orang tetapi juga bantuan alat-alat dengan cara kesempatan kerja bagi yang tersedia manusia berpikir banyak orang. Industri efisiensi juga dapat dan menyelesaikan pertanian mencari ditingkatkan secara masalah adalah pendekatan inovatif drastis. Hal ini dapat Artificial untuk meningkatkan disimpulkan dari studi Intelligence hasil panen karena dengan dukungan (Sukhadia et al., perubahan iklim yang pertanian presisi, 2020; Shah et al., tidak terduga, pertanian yang lebih 2020a, Shah et al., peningkatan pesat pragmatis dapat 2020b; Kundalia et dalam pertumbuhan dilakukan dengan al. , 2020). Dalam penduduk dan menggunakan kata-kata Profesor masalah keamanan pendekatan ilmiah McCarthy, pangan. Dengan seperti penginderaan kecerdasan buatan demikian, kecerdasan jauh, GPS, analisis adalah "ilmu dan buatan dalam data, dll. Yang teknik pembuatan pertanian yang juga membantu mesin cerdas, disebut "Kecerdasan meningkatkan hasil terutama program Pertanian" secara pertanian dan komputer cerdas". progresif muncul mengurangi potensi 'AI' dasar telah ada sebagai bagian dari risiko lingkungan. selama beberapa revolusi teknologi Selain itu, dengan dekade, melalui industri. Tujuan dari bantuan perangkat program berbasis makalah ini adalah lunak pengenal citra, aturan yang untuk meninjau jaringan saraf tiruan memberikan berbagai aplikasi dan banyak alat tampilan dasar kecerdasan pertanian penyakit lainnya 'kecerdasan' dalam seperti pertanian dapat dideteksi di konteks tertentu. presisi, deteksi pabrik pada tahap Kemajuan, penyakit, dan fenotipe awal. Karena deteksi bagaimanapun, tanaman dengan penyakit pada tahap telah dibatasi - bantuan berbagai alat awal kesehatan karena algoritma seperti pembelajaran tanaman dapat untuk menangani mesin, pembelajaran dipantau dan banyak masalah mendalam, produktivitas dengan dunia nyata terlalu pemrosesan gambar, kualitas tinggi dapat kompleks bagi jaringan saraf tiruan, diperoleh dengan orang untuk pembelajaran dalam, kerugian yang memprogram saraf konvolusi. minimal atau dapat dengan tangan jaringan, teknologi diabaikan. (Parekh dkk., 2020; Wireless Sensor Kecerdasan buatan di Patel dkk., 2020a, Network (WSN), bidang pertanian juga Patel dkk., 2020b; komunikasi nirkabel, dapat memecahkan Shah dkk. al., robotika, Internet of masalah seperti 2019a, Shah dkk., Things (IoT), algoritma kelangkaan sumber 2019b, Shah dkk., genetika yang daya serta 2019c). Bagaimana berbeda, logika fuzzy penyelesaian tenaga jika kesulitan dan visi komputer kerja secara luas. dapat ditransfer untuk beberapa nama. Cara tradisional untuk membuat Dengan bantuan membutuhkan prediksi kompleks, teknologi ini, tenaga kerja untuk optimasi data dan penggunaan bahan memperoleh ciri-ciri spesifikasi fitur, kimia dalam jumlah tanaman seperti dari pemrogram ke besar dapat dikurangi, tinggi tanaman, program? Ini yang akan mengurangi warna daun, indeks adalah janji pengeluaran, luas daun, kandungan kecerdasan buatan meningkatkan klorofil, biomassa dan modern. kesuburan tanah hasil yang memakan Kesadaran bersama dengan banyak waktu. terhadap masalah peningkatan Dengan bantuan yang muncul, produktivitas. berbagai teknik yang bersama dengan dibahas, fenotipe keinginan throughput tinggi mendesak untuk yang cepat dan tidak menanamkan merusak akan terjadi kecerdasan buatan dengan keuntungan dalam aplikasi operasi yang fleksibel yang lebih besar dan nyaman, akses mengarah pada data sesuai pengembangan permintaan, dan sistem kecerdasan resolusi spasial. buatan reaktif Makalah ini berupaya memberikan pemikiran otomatisasi di bidang pertanian untuk meningkatkan kualitas tanaman dengan produktivitas, dan dengan upaya dan waktu yang minimal. 5 Implementation AI adalah Pertanian memainkan Industri pertanian of artificial teknologi baru peran penting dalam menghadapi berbagai intelligence in di bidang sektor ekonomi. tantangan seperti agriculture for optimisation of pertanian. Otomatisasi di bidang kurangnya sistem Peralatan dan pertanian adalah irigasi yang efektif, irrigation and mesin berbasis perhatian utama dan gulma, masalah application of pesticides and AI, telah topik yang muncul di dengan pemantauan seluruh dunia. tanaman akibat tinggi herbicides membawa Populasi meningkat tanaman dan kondisi sistem pesat dan dengan cuaca yang ekstrim. pertanian saat peningkatan ini Tetapi kinerja dapat ini ke tingkat permintaan makanan ditingkatkan dengan yang berbeda. dan lapangan kerja bantuan teknologi Teknologi ini juga meningkat. Cara dan dengan demikian telah tradisional yang masalah ini dapat meningkatkan digunakan petani diselesaikan. Ini produksi belum cukup untuk dapat ditingkatkan tanaman dan memenuhi dengan berbagai meningkatkan persyaratan tersebut. teknik yang pemantauan Dengan demikian, c digerakkan oleh AI waktu nyata, Teknologi ini seperti sensor jarak pemanenan, menghemat jauh untuk deteksi pemrosesan penggunaan air yang kadar air tanah dan dan pemasaran berlebihan, pestisida, irigasi otomatis (Yanh et al., herbisida, menjaga dengan bantuan GPS. 2007). kesuburan tanah, juga Masalah yang Teknologi membantu dalam dihadapi para petani penggunaan tenaga adalah bahwa teknik terbaru dari manusia yang efisien penyiangan yang sistem dan meningkatkan tepat dapat otomatis yang produktivitas serta mengatasi sejumlah menggunakan meningkatkan kualitas. besar tanaman yang robot dan Makalah ini mensurvei hilang selama proses drone pekerjaan banyak penyiangan. Robot pertanian telah peneliti untuk otonom ini tidak memberikan mendapatkan hanya meningkatkan kontribusi yang gambaran singkat efisiensi, tetapi juga luar biasa di tentang implementasi mengurangi sektor berbasis otomasi di bidang kebutuhan akan pertanian. pertanian saat ini, pestisida dan Berbagai sistem penyiangan herbisida yang tidak sistem berbasis melalui robot dan perlu. Selain itu, komputer drone. Berbagai petani dapat berteknologi metode penginderaan menyemprot tinggi air tanah dibahas pestisida dan dirancang bersama dengan dua herbisida secara untuk teknik penyiangan efektif di pertanian menentukan otomatis. mereka dengan berbagai Implementasi drone bantuan drone, dan parameter dibahas, berbagai pemantauan metode yang tanaman juga tidak penting seperti digunakan oleh drone lagi menjadi beban. deteksi gulma, untuk penyemprotan Sebagai permulaan, deteksi hasil dan pemantauan kekurangan sumber dan kualitas tanaman juga dibahas daya dan pekerjaan tanaman dan dalam makalah ini. dapat dipahami banyak teknik dengan bantuan lainnya (Liakos kekuatan otak buatan et al., 2018). manusia dalam Makalah ini masalah agribisnis. mencakup Dalam strategi teknologi yang konvensional, digunakan sejumlah besar untuk irigasi tenaga kerja otomatis, diperlukan untuk penyiangan mendapatkan dan karakteristik tanaman penyemprotan seperti tinggi untuk tanaman, tekstur dan meningkatkan kandungan tanah, produktivitas dengan cara ini pengujian manual dan yang membosankan. mengurangi Dengan bantuan beban kerja berbagai sistem yang para petani. diperiksa, fenotipe Berbagai teknik throughput tinggi penginderaan yang cepat dan tidak tanah otomatis merusak akan terjadi dibahas (Wall dengan sisi positif dan King, dari aktivitas yang 2004). dapat disesuaikan Hemalatha dan dan menguntungkan, Sujatha (2015) akses atas mengumpulkan permintaan ke sensor suhu informasi dan tujuan dan spasial. kelembaban untuk menutup lubang loop prediksi kendaraan. Robot yang digunakan dalam penginderaan dilokalisasi oleh modul GPS dan lokasi robot ini dilacak menggunakan peta google. Data dari robot diambil melalui protokol nirkabel Zigbee. Hasil pembacaan ditampilkan pada layar LCD 16x2 yang terintegrasi dengan mikrokontroler LPC2148. Teknik penyiangan otomatis terbaru dibahas dan penerapan drone untuk tujuan penyemprotan di lapangan dibahas diikuti dengan jenis penyemprot yang digunakan pada UAV. Lebih lanjut tentang drone, pemetaan dan pemantauan hasil dibahas dimulai dengan garis besar proses pemetaan hasil diikuti dengan pemrograman perangkat lunak dan pengarahan tentang perhitungan serta proses kalibrasi. Akhirnya pemrosesan peta hasil ini diterangi. 6 Image Pengelolaan hama Aplikasi agrokimia Uji lapangan dari processing adalah bagian dengan penyemprot prototipe yang based real- penting dari siklus konvensional dikembangkan time variable- budidaya tanaman menghasilkan dilakukan dalam rate chemical untuk hasil panen pemborosan bahan mode VRA dan CRA spraying yang lebih baik. kimia terapan, yang (Gbr. 9). Awalnya, system for Penyemprot tidak hanya prototipe yang disease control konvensional meningkatkan dikembangkan in paddy crop menggunakan kerugian ekonomi dioperasikan dalam bahan kimia tetapi juga mencemari mode CRA, di mana pertanian pada lingkungan. Untuk laju aplikasi bahan tingkat yang mengatasi kekurangan kimia rata-rata seragam, yang ini, sistem diamati 504,17 L / ha mengarah pada penyemprotan kimia dengan deviasi penggunaan bahan dengan laju variabel standar relatif 1,75%. kimia yang waktu nyata berbasis Prototipe yang diterapkan secara pemrosesan gambar dikembangkan berlebihan, tidak dikembangkan untuk kemudian bijaksana, dan aplikasi bahan kimia dioperasikan dalam kurang efektif. pertanian yang tepat mode VRA dengan Penyemprotan pada tanaman padi aktivasi kamera, di yang seragam ini yang sakit berdasarkan mana laju aplikasi menghasilkan informasi keparahan bahan kimia pemborosan penyakit tanaman. bervariasi dari 296,67 bahan kimia yang Sistem yang L / ha hingga 338,33 L digunakan dan dikembangkan terdiri / ha. Tingkat aplikasi akhirnya dari web camera untuk bahan kimia rata-rata meningkatkan akuisisi citra, laptop selama mode VRA biaya untuk pengolahan ditemukan sebesar pengendalian citra, mikrokontroler 319,5 L / ha dengan penyakit. Jumlah untuk mengontrol deviasi standar relatif bahan kimia yang fungsi sistem, dan 5,11%. Persen diterapkan nosel penyemprot pengurangan bahan mencemari berbantuan solenoid kimia terapan per lingkungan dan valve. Metode satuan luas bervariasi berdampak buruk segmentasi citra dari 33,88% menjadi bagi kesehatan berbasis chromatic 40,47% selama mode pekerja pertanian aberration (CA) VRA dibandingkan dan konsumen digunakan untuk dengan mode CRA, makanan. Selain mendeteksi daerah seperti yang itu, hal ini juga tanaman padi yang diberikan pada Tabel menyebabkan sakit. Sistem 2. Oleh karena itu, berkembangnya selanjutnya sistem yang resistensi hama menghitung tingkat dikembangkan yang diwariskan keparahan penyakit menunjukkan terhadap pestisida tanaman padi, penghematan bahan (Park et al., 2007). berdasarkan katup kimia minimum Intervensi solenoida yang tetap 33,88% dibandingkan teknologi canggih terpasang selama dengan konvensional seperti sensor, durasi waktu tertentu penyemprotan mikrokontroler, sehingga jumlah bahan seragam. dan alat perangkat kimia pertanian yang Penghematan bahan lunak di bidang diperlukan dapat kimia yang dicapai pertanian, disemprotkan pada dengan prototipe memungkinkan tanaman padi yang yang dikembangkan penggunaan bahan sakit. Kinerja lapangan dapat berupa kimia terapan dari prototipe stokastik dan secara tepat penyemprot yang terutama bergantung dengan mengatur dikembangkan pada variabilitas yang tingkat aplikasi dievaluasi dalam mode ada dalam tingkat sesuai dengan aplikasi laju variabel keparahan penyakit persyaratan (VRA) dan aplikasi laju tanaman di lapangan. khusus lokasi. konstan (CRA). Hasil Jika tingkat Metode ini disebut pengujian lapangan keparahan penyakit aplikasi tingkat menunjukkan tinggi di seluruh variabel (VRA), dan pengurangan minimal lapangan, maka secara signifikan 33,88% bahan kimia penghematan bahan dapat mengurangi yang diterapkan saat kimia akan rendah. jumlah bahan beroperasi dalam kimia yang mode VRA digunakan dan dibandingkan dengan biaya mode CRA. Oleh pengendalian karena itu, sistem yang penyakit. Tinjauan dikembangkan tampak literatur di atas menjanjikan dan dapat menunjukkan digunakan secara luas bahwa teknik untuk mengurangi pemrosesan biaya pengelolaan gambar dengan hama serta untuk perangkat keras mengendalikan elektronik yang pencemaran diperlukan dan lingkungan akibat sistem bahan kimia pertanian penyemprotan tersebut. dapat berhasil digunakan untuk penyemprotan bahan kimia pertanian dengan laju variabel pada tanaman yang sakit. Oleh karena itu, tujuan dari penelitian ini adalah untuk mengembangkan teknik pengolahan citra berbasis sistem penyemprotan kimia dengan kecepatan variabel secara real-time untuk memastikan penggunaan yang tepat dari bahan kimia masukan berdasarkan tingkat keparahan penyakit tanaman. Untuk mencapai tujuan ini, penelitian ini dilakukan dengan tujuan khusus sebagai berikut (1) Untuk mengembangkan algoritma pemrosesan citra untuk estimasi real-time tingkat keparahan penyakit tanaman. (2) Untuk mengembangkan sistem penyemprotan dengan kecepatan variabel untuk aplikasi bahan kimia pertanian yang tepat berdasarkan tingkat keparahan penyakit tanaman. (3) Untuk mengevaluasi kinerja sistem penyemprotan kimia dengan laju variabel yang dikembangkan dalam kondisi lapangan. 7 Evaluation of Kebutuhan akan Penggunaan model Hasil eksperimen dari optimization kecerdasan buatan desain matriks ketahanan pangan techniques in dalam memprediksi bersama dengan predicting adalah salah satu penurunan kadar air kode dan faktor optimum tantangan global di pada pengeringan aktual diberikan pada moisture irisan kentang Tabel 2. Percobaan zaman kita. Selain content (Ipomoea batata) digunakan untuk reduction in produksi produk menjadi fokus mengevaluasi efek drying potato pertanian yang penelitian ini. Model tunggal dan interaktif slices yang digunakan adalah dari waktu dibutuhkan tidak sistem inferensi neuro pengeringan, mencukupi, salah fuzzy adaptif (ANFIS), kecepatan udara jaringan saraf tiruan pengeringan dan satu tantangan (JST) dan metodologi suhu pengeringan utama dengan permukaan respons terhadap penurunan masalah (RSM). Parameter yang kadar air kentang. dipertimbangkan Kadar air terendah ketahanan pangan adalah waktu 18,9% basis kering adalah pengolahan pengeringan, (db) diperoleh pada kecepatan dan suhu waktu pengeringan pasca panen yang udara pengeringan. 180 menit, kecepatan tidak memadai dan Analisis kapabilitas dan udara pengeringan teknik pengawetan sensitivitas dari ketiga 3,5 m / s dan suhu model tersebut pengering 90 ° C. yang tidak dievaluasi memadai. Selain menggunakan koefisien korelasi (R2) itu, sebagian besar dan beberapa fungsi tanaman pangan error statistik seperti pertanian mudah average relative error (ARE), root mean rusak dan square error (RMSE), musiman. Jika Hybrid Fractional Error produk pertanian Function (HYBRID) dan absolute rata-rata ini tidak diawetkan kesalahan relatif dan disimpan (AARE). Hasil penelitian dengan baik, maka menunjukkan bahwa akan rusak dan ketiga model menjadi tidak menunjukkan perilaku prediksi yang signifikan sehat untuk dengan R2 sebesar dikonsumsi 0,998, 0,997 dan 0,998 masing-masing untuk manusia. ANFIS, JST dan RSM. Pengawetan Fungsi kesalahan yang pangan sangat dihitung dari ARE (RSM = 1.778, ANFIS = 1.665 penting karena dan ANN = 4.282) dan meningkatkan RMSE (RSM = 0.0273, ANFIS = 0.0282 dan pengawetan, ANN = 0.1178) penyimpanan, dan menyarankan harmoni kemudahan yang baik antara nilai eksperimental dan transportasi prediksi. Disimpulkan produk pertanian bahwa meskipun tersebut sekaligus ketiga model memberikan prediksi memitigasi yang memadai dan kenaikan harga sesuai dengan data eksperimen, RSM dan produk pertanian ANFIS memberikan yang tidak terduga. prediksi model yang lebih baik daripada JST.