Veterinary ~ AI
Poultry disease early detection methods.pdf
🟦 روشهای تشخیص زودهنگام بیماریهای طیور با استفاده از فناوری یادگیری عمیق
🔹 مقدمه
فناوریهای پیشرفته، به ویژه یادگیری عمیق، پتانسیل بالایی برای بهبود مدیریت سلامت طیور و تشخیص زودهنگام بیماریها دارند.مقاله حاضر به بررسی روشهای تشخیص زودهنگام بیماریهای طیور با استفاده از فناوری یادگیری عمیق میپردازد. این روشها شامل تحلیل تصاویر، صداها، مدفوع و رفتارهای غیرعادی طیور است. برخی از این روشها عبارتند از:
تحلیل دمای بدن: استفاده از دوربینهای حرارتی برای تشخیص تغییرات دمای سطح بدن طیور که میتواند نشانهای از بیماری باشد.
تحلیل صداهای غیرعادی: تشخیص بیماریها از طریق تحلیل صداهای غیرعادی که طیور بیمار تولید میکنند.
تحلیل مدفوع: بررسی تغییرات در رنگ و ویژگیهای مدفوع که میتواند نشانهای از بیماریهای مختلف باشد.
تحلیل رفتارهای غیرعادی: تشخیص بیماریها از طریق تغییرات در رفتارهای طبیعی طیور مانند کاهش فعالیت یا تغییر در عادات غذایی.
🔹 نتایج
این نتایج نشان میدهند که فناوریهای مبتنی بر یادگیری عمیق، به ویژه شبکههای عصبی کانولوشنال (CNN)، در مقایسه با روشهای سنتی، عملکرد بهتری دارند. از جمله نتایج بدست آمده می توان موارد زیر را نام برد:
1. دقت تشخیص بیماریها
تحلیل تصاویر: استفاده از شبکههای عصبی کانولوشنال (CNN) برای تحلیل تصاویر طیور، دقت تشخیص بیماریها را به میزان قابل توجهی افزایش داده است. به عنوان مثال، در برخی مطالعات، دقت تشخیص بیماریهایی مانند آنفولانزای مرغی و نیوکاسل به بیش از 90% رسیده است.
تحلیل صداها: روشهای مبتنی بر تحلیل صداهای غیرعادی طیور نیز دقت بالایی در تشخیص بیماریها نشان دادهاند. به عنوان مثال، در یک مطالعه، دقت تشخیص بیماری نیوکاسل از طریق تحلیل صداها به 91.06% رسید.
تحلیل مدفوع: استفاده از روشهای یادگیری عمیق برای تحلیل مدفوع طیور، دقت تشخیص بیماریهایی مانند کوکسیدیوز و سالمونلا را به بیش از 97% افزایش داده است.
2. سرعت تشخیص
فناوریهای مبتنی بر یادگیری عمیق، قادرند بیماریها را در زمان واقعی تشخیص دهند. این امر به ویژه در مزارع بزرگ که تعداد زیادی طیور وجود دارد، بسیار مفید است. به عنوان مثال، استفاده از دوربینهای حرارتی و شبکههای عصبی، امکان تشخیص تغییرات دمای بدن طیور را در زمان واقعی فراهم میکند.
3. کاهش هزینهها
استفاده از فناوریهای یادگیری عمیق، هزینههای مرتبط با تشخیص بیماریها را کاهش میدهد. به عنوان مثال، روشهای سنتی مانند آزمایشهای بیوشیمیایی، هزینهبر و زمانبر هستند، در حالی که روشهای مبتنی بر یادگیری عمیق، هزینهها را به میزان قابل توجهی کاهش دادهاند.
4. بهبود مدیریت مزارع
فناوریهای یادگیری عمیق، امکان نظارت مستمر و خودکار بر سلامت طیور را فراهم میکنند. این امر به مدیران مزارع اجازه میدهد تا در صورت تشخیص بیماری، اقدامات لازم را به سرعت انجام دهند و از شیوع بیماریها جلوگیری کنند.
5. کاهش تلفات
تشخیص زودهنگام بیماریها و اقدامات به موقع، میتواند تلفات ناشی از بیماریها را به میزان قابل توجهی کاهش دهد. به عنوان مثال، در یک مطالعه، استفاده از فناوری یادگیری عمیق، تلفات ناشی از بیماری نیوکاسل را تا 50% کاهش داد.
6. افزایش سودآوری
بهبود مدیریت سلامت طیور و کاهش تلفات ناشی از بیماریها، میتواند به افزایش سودآوری مزارع منجر شود. به عنوان مثال، در یک مطالعه، استفاده از فناوری یادگیری عمیق، سودآوری یک مزرعه طیور را تا 20% افزایش داد.
🔹 کاربردها
استفاده از این فناوریها میتواند به بهبود مدیریت مزارع طیور، کاهش تلفات ناشی از بیماریها و افزایش سودآوری کمک کند. همچنین، این روشها میتوانند به عنوان ابزاری برای نظارت مستمر و خودکار بر سلامت طیور در مزارع بزرگ مورد استفاده قرار گیرند.
🔹 چالشها
با وجود مزایای فراوان، چالشهایی نیز در استفاده از این فناوریها وجود دارد. از جمله این چالشها میتوان به نیاز به دادههای برچسبگذاری شده زیاد، تأثیر شرایط محیطی بر دقت دادهها و هزینههای مرتبط با جمعآوری و پردازش دادهها اشاره کرد.
🔹 نتیجهگیری
فناوری یادگیری عمیق پتانسیل بالایی برای تحول در صنعت طیور و بهبود مدیریت سلامت این حیوانات دارد. با استفاده از این فناوریها، میتوان به صورت خودکار و در زمان واقعی، بیماریهای طیور را تشخیص داده و اقدامات لازم را برای جلوگیری از شیوع بیماریها انجام داد. این امر نه تنها به بهبود سلامت طیور کمک میکند، بلکه میتواند به افزایش بهرهوری و سودآوری مزارع نیز منجر شود.
🔗 منبع
#خلاصه_مقاله
🤖 @Veterinary_AI 🐎
🔹 مقدمه
فناوریهای پیشرفته، به ویژه یادگیری عمیق، پتانسیل بالایی برای بهبود مدیریت سلامت طیور و تشخیص زودهنگام بیماریها دارند.مقاله حاضر به بررسی روشهای تشخیص زودهنگام بیماریهای طیور با استفاده از فناوری یادگیری عمیق میپردازد. این روشها شامل تحلیل تصاویر، صداها، مدفوع و رفتارهای غیرعادی طیور است. برخی از این روشها عبارتند از:
تحلیل دمای بدن: استفاده از دوربینهای حرارتی برای تشخیص تغییرات دمای سطح بدن طیور که میتواند نشانهای از بیماری باشد.
تحلیل صداهای غیرعادی: تشخیص بیماریها از طریق تحلیل صداهای غیرعادی که طیور بیمار تولید میکنند.
تحلیل مدفوع: بررسی تغییرات در رنگ و ویژگیهای مدفوع که میتواند نشانهای از بیماریهای مختلف باشد.
تحلیل رفتارهای غیرعادی: تشخیص بیماریها از طریق تغییرات در رفتارهای طبیعی طیور مانند کاهش فعالیت یا تغییر در عادات غذایی.
🔹 نتایج
این نتایج نشان میدهند که فناوریهای مبتنی بر یادگیری عمیق، به ویژه شبکههای عصبی کانولوشنال (CNN)، در مقایسه با روشهای سنتی، عملکرد بهتری دارند. از جمله نتایج بدست آمده می توان موارد زیر را نام برد:
1. دقت تشخیص بیماریها
تحلیل تصاویر: استفاده از شبکههای عصبی کانولوشنال (CNN) برای تحلیل تصاویر طیور، دقت تشخیص بیماریها را به میزان قابل توجهی افزایش داده است. به عنوان مثال، در برخی مطالعات، دقت تشخیص بیماریهایی مانند آنفولانزای مرغی و نیوکاسل به بیش از 90% رسیده است.
تحلیل صداها: روشهای مبتنی بر تحلیل صداهای غیرعادی طیور نیز دقت بالایی در تشخیص بیماریها نشان دادهاند. به عنوان مثال، در یک مطالعه، دقت تشخیص بیماری نیوکاسل از طریق تحلیل صداها به 91.06% رسید.
تحلیل مدفوع: استفاده از روشهای یادگیری عمیق برای تحلیل مدفوع طیور، دقت تشخیص بیماریهایی مانند کوکسیدیوز و سالمونلا را به بیش از 97% افزایش داده است.
2. سرعت تشخیص
فناوریهای مبتنی بر یادگیری عمیق، قادرند بیماریها را در زمان واقعی تشخیص دهند. این امر به ویژه در مزارع بزرگ که تعداد زیادی طیور وجود دارد، بسیار مفید است. به عنوان مثال، استفاده از دوربینهای حرارتی و شبکههای عصبی، امکان تشخیص تغییرات دمای بدن طیور را در زمان واقعی فراهم میکند.
3. کاهش هزینهها
استفاده از فناوریهای یادگیری عمیق، هزینههای مرتبط با تشخیص بیماریها را کاهش میدهد. به عنوان مثال، روشهای سنتی مانند آزمایشهای بیوشیمیایی، هزینهبر و زمانبر هستند، در حالی که روشهای مبتنی بر یادگیری عمیق، هزینهها را به میزان قابل توجهی کاهش دادهاند.
4. بهبود مدیریت مزارع
فناوریهای یادگیری عمیق، امکان نظارت مستمر و خودکار بر سلامت طیور را فراهم میکنند. این امر به مدیران مزارع اجازه میدهد تا در صورت تشخیص بیماری، اقدامات لازم را به سرعت انجام دهند و از شیوع بیماریها جلوگیری کنند.
5. کاهش تلفات
تشخیص زودهنگام بیماریها و اقدامات به موقع، میتواند تلفات ناشی از بیماریها را به میزان قابل توجهی کاهش دهد. به عنوان مثال، در یک مطالعه، استفاده از فناوری یادگیری عمیق، تلفات ناشی از بیماری نیوکاسل را تا 50% کاهش داد.
6. افزایش سودآوری
بهبود مدیریت سلامت طیور و کاهش تلفات ناشی از بیماریها، میتواند به افزایش سودآوری مزارع منجر شود. به عنوان مثال، در یک مطالعه، استفاده از فناوری یادگیری عمیق، سودآوری یک مزرعه طیور را تا 20% افزایش داد.
🔹 کاربردها
استفاده از این فناوریها میتواند به بهبود مدیریت مزارع طیور، کاهش تلفات ناشی از بیماریها و افزایش سودآوری کمک کند. همچنین، این روشها میتوانند به عنوان ابزاری برای نظارت مستمر و خودکار بر سلامت طیور در مزارع بزرگ مورد استفاده قرار گیرند.
🔹 چالشها
با وجود مزایای فراوان، چالشهایی نیز در استفاده از این فناوریها وجود دارد. از جمله این چالشها میتوان به نیاز به دادههای برچسبگذاری شده زیاد، تأثیر شرایط محیطی بر دقت دادهها و هزینههای مرتبط با جمعآوری و پردازش دادهها اشاره کرد.
🔹 نتیجهگیری
فناوری یادگیری عمیق پتانسیل بالایی برای تحول در صنعت طیور و بهبود مدیریت سلامت این حیوانات دارد. با استفاده از این فناوریها، میتوان به صورت خودکار و در زمان واقعی، بیماریهای طیور را تشخیص داده و اقدامات لازم را برای جلوگیری از شیوع بیماریها انجام داد. این امر نه تنها به بهبود سلامت طیور کمک میکند، بلکه میتواند به افزایش بهرهوری و سودآوری مزارع نیز منجر شود.
🔗 منبع
#خلاصه_مقاله
🤖 @Veterinary_AI 🐎
❤9👍2👏2
Veterinary ~ AI
🟦 روشهای تشخیص زودهنگام بیماریهای طیور با استفاده از فناوری یادگیری عمیق 🔹 مقدمه فناوریهای پیشرفته، به ویژه یادگیری عمیق، پتانسیل بالایی برای بهبود مدیریت سلامت طیور و تشخیص زودهنگام بیماریها دارند.مقاله حاضر به بررسی روشهای تشخیص زودهنگام بیماریهای…
☑️ پینوشت:
🔺 شبکه عصبی مصنوعی (ANN) یک مدل محاسباتی است که از ساختار مغز انسان الهام گرفته و برای یادگیری از دادهها و شناسایی الگوها طراحی شده است. این شبکه شامل نورونها و لایههای ورودی، پنهان و خروجی میباشد. نورونها ورودیها را پردازش کرده و با استفاده از وزنها، بایاسها و تابعهای فعالسازی، خروجی تولید میکنند. شبکههای عصبی در کاربردهایی مانند شناسایی تصویر، پردازش زبان طبیعی و پیشبینی سریهای زمانی مورد استفاده قرار میگیرند و به دلیل توانایی بالای خود در یادگیری از دادههای بزرگ، بسیار محبوب هستند.
🔺 شبکه عصبی کانولوشن (CNN) یا Convolutional Neural Network یکی از ابزارهای اصلی در یادگیری عمیق و هوش مصنوعی است. این نوع شبکه عصبی به طور خاص برای پردازش دادههای ساختاریافته مانند تصاویر طراحی شده است. CNNها به دلیل توانایی بالای خود در شناسایی الگوها و ویژگیها در تصاویر، به طور گستردهای در حوزههای مختلفی از جمله بینایی کامپیوتر، شناسایی تصویر، تشخیص اشیاء و پردازش ویدئو مورد استفاده قرار میگیرند. به طور کلی، هر جایی که نیاز به تحلیل بصری باشد، مانند تشخیص لنگش، تحلیل عکسهای رادیولوژی، جراحی، پاتولوژی و تشخیص بالینی، کاربرد دارند.
اجزای اصلی CNN:
1. لایه کانولوشن (Convolutional Layer): این لایه مسئول استخراج ویژگیها از تصویر ورودی است. با استفاده از فیلترها (یا کرنلها)، این لایه ویژگیهای مختلف مانند لبهها، بافتها و الگوها را شناسایی میکند.
2. لایه فعالسازی (Activation Layer): این لایه به مدل غیرخطی بودن اضافه میکند (مثلاً با استفاده از تابع ReLU).
3. لایه تجمیع (Pooling Layer): این لایه برای کاهش ابعاد ویژگیها و همچنین کاهش تعداد پارامترها و محاسبات استفاده میشود.
4. لایههای کاملاً متصل (Fully Connected Layer): در انتهای شبکه، معمولاً یک یا چند لایه کاملاً متصل وجود دارد که ویژگیهای استخراجشده را به خروجی نهایی تبدیل میکند. این لایهها معمولاً برای طبقهبندی یا پیشبینی استفاده میشوند.
🔺 در نهایت، شبکه عصبی (ANN) معمولاً برای دادههای عددی و متنی کاربرد دارد، در حالی که شبکه عصبی کانولوشن (CNN) به طور خاص برای پردازش تصاویر و ویدیوها طراحی شده است.
برای درک بهتر مراتب هوش مصنوعی
🤖 @Veterinary_AI 🐎
🔺 شبکه عصبی مصنوعی (ANN) یک مدل محاسباتی است که از ساختار مغز انسان الهام گرفته و برای یادگیری از دادهها و شناسایی الگوها طراحی شده است. این شبکه شامل نورونها و لایههای ورودی، پنهان و خروجی میباشد. نورونها ورودیها را پردازش کرده و با استفاده از وزنها، بایاسها و تابعهای فعالسازی، خروجی تولید میکنند. شبکههای عصبی در کاربردهایی مانند شناسایی تصویر، پردازش زبان طبیعی و پیشبینی سریهای زمانی مورد استفاده قرار میگیرند و به دلیل توانایی بالای خود در یادگیری از دادههای بزرگ، بسیار محبوب هستند.
🔺 شبکه عصبی کانولوشن (CNN) یا Convolutional Neural Network یکی از ابزارهای اصلی در یادگیری عمیق و هوش مصنوعی است. این نوع شبکه عصبی به طور خاص برای پردازش دادههای ساختاریافته مانند تصاویر طراحی شده است. CNNها به دلیل توانایی بالای خود در شناسایی الگوها و ویژگیها در تصاویر، به طور گستردهای در حوزههای مختلفی از جمله بینایی کامپیوتر، شناسایی تصویر، تشخیص اشیاء و پردازش ویدئو مورد استفاده قرار میگیرند. به طور کلی، هر جایی که نیاز به تحلیل بصری باشد، مانند تشخیص لنگش، تحلیل عکسهای رادیولوژی، جراحی، پاتولوژی و تشخیص بالینی، کاربرد دارند.
اجزای اصلی CNN:
1. لایه کانولوشن (Convolutional Layer): این لایه مسئول استخراج ویژگیها از تصویر ورودی است. با استفاده از فیلترها (یا کرنلها)، این لایه ویژگیهای مختلف مانند لبهها، بافتها و الگوها را شناسایی میکند.
2. لایه فعالسازی (Activation Layer): این لایه به مدل غیرخطی بودن اضافه میکند (مثلاً با استفاده از تابع ReLU).
3. لایه تجمیع (Pooling Layer): این لایه برای کاهش ابعاد ویژگیها و همچنین کاهش تعداد پارامترها و محاسبات استفاده میشود.
4. لایههای کاملاً متصل (Fully Connected Layer): در انتهای شبکه، معمولاً یک یا چند لایه کاملاً متصل وجود دارد که ویژگیهای استخراجشده را به خروجی نهایی تبدیل میکند. این لایهها معمولاً برای طبقهبندی یا پیشبینی استفاده میشوند.
🔺 در نهایت، شبکه عصبی (ANN) معمولاً برای دادههای عددی و متنی کاربرد دارد، در حالی که شبکه عصبی کانولوشن (CNN) به طور خاص برای پردازش تصاویر و ویدیوها طراحی شده است.
برای درک بهتر مراتب هوش مصنوعی
🤖 @Veterinary_AI 🐎
❤7👍5👏2
Media is too big
VIEW IN TELEGRAM
🔹 کاربرد هوش مصنوعی در جراحی 🔹
🔹 دکتر خسرو صفری
مدرس دانشگاه فردوسی مشهد و متخصص جراحی با بورد تخصصی جراحی و بیهوشی
🤖 @Veterinary_AI 🐎
🔹 دکتر خسرو صفری
مدرس دانشگاه فردوسی مشهد و متخصص جراحی با بورد تخصصی جراحی و بیهوشی
🤖 @Veterinary_AI 🐎
👏12❤4🔥2👍1💯1🗿1
🔹 بنابر گزارش Zeki، پایگاه داده استعدادهای هوش مصنوعی جهان، در ۵ سال گذشته ۱۲۰۰ استعداد ایرانی در حوزه هوش مصنوعی راهی آمریکا شدهاند. از این نظر ایران در جایگاه دوم پس از هند قرار دارد.
🔹 معین کافی، مدیرعامل کافهبازار بینالملل، علت اصلی این وضعیت را شرایط اقتصادی و سپس اجتماعی و فرهنگی میداند. به اعتقاد او این استعدادها اگر در بهترین شرکتهای ایرانی هم مشغول شوند، در رفع مایحتاج زندگیشان به مشکل میخورند.
🔹 شراره عزتنژاد، موسس پروداکترود، با اشاره به اینکه امارات و عربستان با بستن قرارداد با بزرگترین شرکتهای هوش مصنوعی دنیا، به سیلیکون ولی دوم تبدیل میشوند، میگوید: اگر روند فعلی ادامه یابد، استعدادهایمان را از دست میدهیم. شرکتهایمان سنتی میمانند و شکاف تکنولوژیک ما با دنیا عمیقتر میشود.
🤖 @Veterinary_AI 🐎
🔹 معین کافی، مدیرعامل کافهبازار بینالملل، علت اصلی این وضعیت را شرایط اقتصادی و سپس اجتماعی و فرهنگی میداند. به اعتقاد او این استعدادها اگر در بهترین شرکتهای ایرانی هم مشغول شوند، در رفع مایحتاج زندگیشان به مشکل میخورند.
🔹 شراره عزتنژاد، موسس پروداکترود، با اشاره به اینکه امارات و عربستان با بستن قرارداد با بزرگترین شرکتهای هوش مصنوعی دنیا، به سیلیکون ولی دوم تبدیل میشوند، میگوید: اگر روند فعلی ادامه یابد، استعدادهایمان را از دست میدهیم. شرکتهایمان سنتی میمانند و شکاف تکنولوژیک ما با دنیا عمیقتر میشود.
🤖 @Veterinary_AI 🐎
💔12
🎯 هدفگیری دقیقتر محتوای کانال با شناخت اعضا | شما در کدام دسته قرار میگیرید؟
Anonymous Poll
65%
📘 دانشجو (دامپزشکی، علوم مرتبط)
29%
🩺 دامپزشک شاغل یا فارغالتحصیل
1%
🐾 صاحب حیوان خانگی یا دامدار
3%
🧠 مهندس (هوش مصنوعی، کامپیوتر، دیتاساینس، بایوانفورماتیک و...)
2%
❌ هیچکدام ولی علاقهمند به مطالب علمی
👍7
Media is too big
VIEW IN TELEGRAM
🔹 کاربرد هوش مصنوعی در جراحی 🔹
🎥 ویدئوی تولید شده توسط واحد اینستاگرام تیم
✅ اینبار به زبان فارسی !
🤖 @Veterinary_AI 🐎
🎥 ویدئوی تولید شده توسط واحد اینستاگرام تیم
✅ اینبار به زبان فارسی !
🤖 @Veterinary_AI 🐎
❤7👍4💯2🗿2
Veterinary ~ AI
Canine ear AI .pdf
🟦 تشخیص ضایعات مجرای گوش سگ با هوش مصنوعی
🔹 اهمیت بالینی و چالشهای تشخیصی: اوتیت خارجی (OE) یکی از دلایل اصلی مراجعه به کلینیکهای دامپزشکی است و تشخیص نادرست میتواند منجر به عوارض جدی و کاهش کیفیت زندگی حیوانات شود.
🔹 یافتههای کلیدی مدل AI: مدل YOLOv5 توانست سه حالت سالم، اوتیت و توده را با دقت قابل قبولی تشخیص دهد. بهترین عملکرد (mAP@50 = 0.85) مربوط به مدلهایی بود که با مجموعه دادههای بزرگتر آموزش دیده بودند. چالش اصلی تمایز بین هیپرپلازی غدد سرومینوس و تودههای واقعی بود.
🔹 کاربردهای عملی: این فناوری میتواند در آموزش دامپزشکان، کمک به تشخیص اولیه، پشتیبانی از تلهمدیسین و مستندسازی درمان استفاده شود.
🔹 محدودیتها و مسیر توسعه آینده: نیاز به افزودن زیرگروههای تشخیصی، افزایش دقت در تشخیص انواع تودهها، کاهش وابستگی به کیفیت تصاویر و ادغام اطلاعات بالینی وجود دارد.
🔹 دادههای فنی: بهترین مدل (D) به recall 0.72 برای تشخیص تودهها دست یافت و زمان آموزش کمتر از 2 ساعت بود. دادههای تکراری باعث overfitting شدند.
🔹 نتیجهگیری: هوش مصنوعی میتواند به عنوان یک دستیار تشخیصی در درماتولوژی دامپزشکی عمل کند، اما نیاز به مطالعات اعتبارسنجی بیشتر و بهبود دقت در موارد مرزی دارد.
❌ از آنجا که ممکن است مطالعه خلاصه مقاله از حوصله خارج باشد، این پست به صورت مختصر تر قرار گرفته است، متن کامل در کامنت قرار گرفت👇
#خلاصه_مقاله
🤖 @Veterinary_AI 🐎
🔹 اهمیت بالینی و چالشهای تشخیصی: اوتیت خارجی (OE) یکی از دلایل اصلی مراجعه به کلینیکهای دامپزشکی است و تشخیص نادرست میتواند منجر به عوارض جدی و کاهش کیفیت زندگی حیوانات شود.
🔹 یافتههای کلیدی مدل AI: مدل YOLOv5 توانست سه حالت سالم، اوتیت و توده را با دقت قابل قبولی تشخیص دهد. بهترین عملکرد (mAP@50 = 0.85) مربوط به مدلهایی بود که با مجموعه دادههای بزرگتر آموزش دیده بودند. چالش اصلی تمایز بین هیپرپلازی غدد سرومینوس و تودههای واقعی بود.
🔹 کاربردهای عملی: این فناوری میتواند در آموزش دامپزشکان، کمک به تشخیص اولیه، پشتیبانی از تلهمدیسین و مستندسازی درمان استفاده شود.
🔹 محدودیتها و مسیر توسعه آینده: نیاز به افزودن زیرگروههای تشخیصی، افزایش دقت در تشخیص انواع تودهها، کاهش وابستگی به کیفیت تصاویر و ادغام اطلاعات بالینی وجود دارد.
🔹 دادههای فنی: بهترین مدل (D) به recall 0.72 برای تشخیص تودهها دست یافت و زمان آموزش کمتر از 2 ساعت بود. دادههای تکراری باعث overfitting شدند.
🔹 نتیجهگیری: هوش مصنوعی میتواند به عنوان یک دستیار تشخیصی در درماتولوژی دامپزشکی عمل کند، اما نیاز به مطالعات اعتبارسنجی بیشتر و بهبود دقت در موارد مرزی دارد.
❌ از آنجا که ممکن است مطالعه خلاصه مقاله از حوصله خارج باشد، این پست به صورت مختصر تر قرار گرفته است، متن کامل در کامنت قرار گرفت👇
#خلاصه_مقاله
🤖 @Veterinary_AI 🐎
❤8👍2💯2
Veterinary ~ AI
🟦 تشخیص ضایعات مجرای گوش سگ با هوش مصنوعی 🔹 اهمیت بالینی و چالشهای تشخیصی: اوتیت خارجی (OE) یکی از دلایل اصلی مراجعه به کلینیکهای دامپزشکی است و تشخیص نادرست میتواند منجر به عوارض جدی و کاهش کیفیت زندگی حیوانات شود. 🔹 یافتههای کلیدی مدل AI: مدل YOLOv5…
☑️ پینوشت
🔺 الگوریتم YOLOv5
(You Only Look Once version 5)
یک مدل پیشرفته برای شناسایی اشیاء در تصاویر و ویدئوها است که به دلیل سرعت بالا، دقت بالا، نسخه های متفاوت و آسانی استفاده محبوبیت زیادی دارد.
این ویژگیها YOLOv5 را به ابزاری مناسب برای شناسایی اشیاء در صنعت و تحقیقات تبدیل کرده است.
به طور کلی، این مدل در دامپزشکی در هر جایی که نیاز به تحلیل بصری باشد، مانند تشخیص لنگش، تحلیل عکسهای رادیولوژی، جراحی، پاتولوژی و تشخیص بالینی، کاربرد دارد. ◀️ توضیحات بیشتر
🔺 معیار mAP یک معیار ارزیابی برای مدلهای شناسایی اشیاء است. این معیار دقت مدل را بر اساس پیشبینی هایی که حداقل 50 درصد همپوشانی با برچسب واقعی دارند، محاسبه میکند. mAP به سادگی و وضوح خود مشهور است و به مقایسه عملکرد مدلهای مختلف کمک میکند. ◀️ توضیحات بیشتر
🔺 بیش برازش یا Overfitting زمانی رخ میدهد که یک مدل یادگیری ماشین به دادههای آموزشی خود بهطور بیش از حد وابسته میشود و قادر به تعمیم به دادههای جدید نیست. علائم آن شامل دقت بالا بر روی دادههای آموزشی و دقت پایین بر روی دادههای تست است. برای جلوگیری از overfitting میتوان از افزایش داده ها و سادهسازی استفاده کرد. این روشها کمک میکنند تا مدلها عملکرد بهتری بر روی دادههای جدید داشته باشند. ◀️ توضیحات بیشتر
🔺 وزنهای pretrained به پارامترهای یک مدل یادگیری عمیق اشاره دارد که قبلاً بر روی دادههای بزرگ آموزش دیدهاند. استفاده از این وزنها مزایایی مانند کاهش زمان آموزش، بهبود دقت و امکان انتقال یادگیری به مدلهای جدید را فراهم میکند. به عنوان مثال، میتوان از این وزنها در مدلهای شناسایی اشیاء مانند YOLO یا ResNet استفاده کرد.
✅ در پینوشت ها هدف این است که شما را به مرور با اصطلات پایهای رایج مربوط به هوش مصنوعی که در مقالات، اخبار و گزارش ها با آنها روبه رو میشویم آشنا کنیم.
✅ لینک دسترسی به توضیحات بیشتر در جلوی هر مورد قرار گرفت.
🤖 @Veterinary_AI 🐎
🔺 الگوریتم YOLOv5
(You Only Look Once version 5)
یک مدل پیشرفته برای شناسایی اشیاء در تصاویر و ویدئوها است که به دلیل سرعت بالا، دقت بالا، نسخه های متفاوت و آسانی استفاده محبوبیت زیادی دارد.
این ویژگیها YOLOv5 را به ابزاری مناسب برای شناسایی اشیاء در صنعت و تحقیقات تبدیل کرده است.
به طور کلی، این مدل در دامپزشکی در هر جایی که نیاز به تحلیل بصری باشد، مانند تشخیص لنگش، تحلیل عکسهای رادیولوژی، جراحی، پاتولوژی و تشخیص بالینی، کاربرد دارد. ◀️ توضیحات بیشتر
🔺 معیار mAP یک معیار ارزیابی برای مدلهای شناسایی اشیاء است. این معیار دقت مدل را بر اساس پیشبینی هایی که حداقل 50 درصد همپوشانی با برچسب واقعی دارند، محاسبه میکند. mAP به سادگی و وضوح خود مشهور است و به مقایسه عملکرد مدلهای مختلف کمک میکند. ◀️ توضیحات بیشتر
🔺 بیش برازش یا Overfitting زمانی رخ میدهد که یک مدل یادگیری ماشین به دادههای آموزشی خود بهطور بیش از حد وابسته میشود و قادر به تعمیم به دادههای جدید نیست. علائم آن شامل دقت بالا بر روی دادههای آموزشی و دقت پایین بر روی دادههای تست است. برای جلوگیری از overfitting میتوان از افزایش داده ها و سادهسازی استفاده کرد. این روشها کمک میکنند تا مدلها عملکرد بهتری بر روی دادههای جدید داشته باشند. ◀️ توضیحات بیشتر
🔺 وزنهای pretrained به پارامترهای یک مدل یادگیری عمیق اشاره دارد که قبلاً بر روی دادههای بزرگ آموزش دیدهاند. استفاده از این وزنها مزایایی مانند کاهش زمان آموزش، بهبود دقت و امکان انتقال یادگیری به مدلهای جدید را فراهم میکند. به عنوان مثال، میتوان از این وزنها در مدلهای شناسایی اشیاء مانند YOLO یا ResNet استفاده کرد.
✅ در پینوشت ها هدف این است که شما را به مرور با اصطلات پایهای رایج مربوط به هوش مصنوعی که در مقالات، اخبار و گزارش ها با آنها روبه رو میشویم آشنا کنیم.
✅ لینک دسترسی به توضیحات بیشتر در جلوی هر مورد قرار گرفت.
🤖 @Veterinary_AI 🐎
👏11👍2💯1
🟦 هوش مصنوعی هستهای
🔹 گوگل، آمازون و مایکروسافت بیسروصدا در حال خرید رآکتورهای هستهای هستند تا برق مورد نیاز هوش مصنوعی رو تأمین کنند.
🔹 استارتاپهایی که توسط غولهای فناوری حمایت میشوند، مشغول ساخت نسل جدید نیروگاههای هستهای هستند؛ از ماژولهای نمک مذاب گرفته تا نیروگاههای شناور روی دریا.
🔹 رشد هوش مصنوعی به برق دائمی و بیوقفه نیاز دارد و در حال حاضر، انرژی هستهای تنها گزینه جدی روی میز محسوب میشود.
🤖 @Veterinary_AI 🐎
🔹 گوگل، آمازون و مایکروسافت بیسروصدا در حال خرید رآکتورهای هستهای هستند تا برق مورد نیاز هوش مصنوعی رو تأمین کنند.
🔹 استارتاپهایی که توسط غولهای فناوری حمایت میشوند، مشغول ساخت نسل جدید نیروگاههای هستهای هستند؛ از ماژولهای نمک مذاب گرفته تا نیروگاههای شناور روی دریا.
🔹 رشد هوش مصنوعی به برق دائمی و بیوقفه نیاز دارد و در حال حاضر، انرژی هستهای تنها گزینه جدی روی میز محسوب میشود.
🔹 مقالهی TechCrunch با عنوان «استارتاپهای شکافت هستهای مورد حمایت شرکتهای بزرگ فناوری» به بررسی روند رو به رشد سرمایهگذاری شرکتهای بزرگ فناوری مانند گوگل، آمازون، مایکروسافت و متا در استارتاپهای فعال در حوزهی انرژی هستهای میپردازد. این شرکتها بهدلیل افزایش تقاضای برق برای مراکز داده و نیاز به منابع انرژی پایدار و بدون کربن، به سمت فناوریهای نوین رآکتورهای هستهای، بهویژه رآکتورهای مدولار کوچک (SMR)، روی آوردهاند.
🤖 @Veterinary_AI 🐎
❤7🔥5👍4💯2
💙 پیشرفت و تعالی همواره از بحث و همفکری نشأت میگیرد. با گفتگو و بررسی نظرات مختلف میتوان نقاط ضعف را شناسایی کرده و به ایدههای نو دست پیدا کرد و این باعث میشود به سوی بهتر شدن حرکت کنیم.
💙 از این رو، شما را به عضویت در گروه چت این کانال دعوت میکنیم. لطفاً با ما در ارتباط باشید و نظرات خود را با ما به اشتراک بگذارید.
🔹 https://news.1rj.ru/str/Veterinary_AI_Chat 🔹
💙 از این رو، شما را به عضویت در گروه چت این کانال دعوت میکنیم. لطفاً با ما در ارتباط باشید و نظرات خود را با ما به اشتراک بگذارید.
🔹 https://news.1rj.ru/str/Veterinary_AI_Chat 🔹
Telegram
Veterinary ~ AI (chat)
🔹️ Veterinary ~ AI (chat) 🔹️
🤖 @Veterinary_AI 🐎
🤖 @Veterinary_AI 🐎
❤14👍2💯2
Veterinary ~ AI pinned «💙 پیشرفت و تعالی همواره از بحث و همفکری نشأت میگیرد. با گفتگو و بررسی نظرات مختلف میتوان نقاط ضعف را شناسایی کرده و به ایدههای نو دست پیدا کرد و این باعث میشود به سوی بهتر شدن حرکت کنیم. 💙 از این رو، شما را به عضویت در گروه چت این کانال دعوت میکنیم.…»
ML.pdf
15.7 MB
🌐 Machine Learning & Data Science 🌐
🔹 مبانی، مفاهیم، الگوریتمها و ابزارها
🔹 یادگیری ماشین چیست؟
📚 #کتاب
🤖 @Veterinary_AI 🐎
🔹 مبانی، مفاهیم، الگوریتمها و ابزارها
🔹 یادگیری ماشین چیست؟
📚 #کتاب
🤖 @Veterinary_AI 🐎
❤12👍2💯2
🔹 RAS (Robotic-Assisted Surgery) 🔹
🔹 ربات جراحی به نوعی از جراحی اشاره دارد که در آن از رباتها برای کمک به جراحان در انجام عملهای جراحی استفاده میشود.
🔹 رباتهای جراحی برای انجام جراحی از راه دور، افزایش دقت، کاهش عوارض ثانویه و جراحی با کمترین تهاجم طراحی شدهاند.
🔹 برخی از این ربات ها مانند Da Vinci به هوش مصنوعی مجهز شده اند تا به حداکثر بازدهی و کمترین خطا دست پیدا کنند.
🔹 ربات های جراح کشورهای مختلف :
🇺🇸 آمریکا: Da Vinci - Hugo - Monarch - Ion
🇨🇳 چین: MicroNeuro - Remebot - Tinavi
🇩🇪 آلمان: MiroSurge - Artis zeego
🇯🇵 ژاپن: hinotori - Mako - Sony
🇰🇷 کره جنوبی: Revo-i
🇬🇧 انگلیس: Versius
🇨🇭 سوئیس: Dexter
🇮🇹 ایتالیا: Symani
🇨🇦 کانادا: SPORT
🇫🇷 فرانسه: Rosa
🇮🇷 ایران: سینا
〰〰〰〰〰〰〰〰〰〰〰〰〰
🤖 @Veterinary_AI 🐎
🔹 ربات جراحی به نوعی از جراحی اشاره دارد که در آن از رباتها برای کمک به جراحان در انجام عملهای جراحی استفاده میشود.
🔹 رباتهای جراحی برای انجام جراحی از راه دور، افزایش دقت، کاهش عوارض ثانویه و جراحی با کمترین تهاجم طراحی شدهاند.
🔹 برخی از این ربات ها مانند Da Vinci به هوش مصنوعی مجهز شده اند تا به حداکثر بازدهی و کمترین خطا دست پیدا کنند.
🔹 ربات های جراح کشورهای مختلف :
🇺🇸 آمریکا: Da Vinci - Hugo - Monarch - Ion
🇨🇳 چین: MicroNeuro - Remebot - Tinavi
🇩🇪 آلمان: MiroSurge - Artis zeego
🇯🇵 ژاپن: hinotori - Mako - Sony
🇰🇷 کره جنوبی: Revo-i
🇬🇧 انگلیس: Versius
🇨🇭 سوئیس: Dexter
🇮🇹 ایتالیا: Symani
🇨🇦 کانادا: SPORT
🇫🇷 فرانسه: Rosa
🇮🇷 ایران: سینا
〰〰〰〰〰〰〰〰〰〰〰〰〰
🔹کانال پرهوت 🎓〰〰〰〰〰〰〰〰〰〰〰〰〰
🔹بانک سؤالات تألیفی پرهانترنی دامپزشکی ✍️
🔹 شامل سؤالات تألیفی استاندارد و کاربردی
🔹 آزمونهای جمعبندی نزدیک آزمون ⏳
🔹 خلاصه نکات و جزوات اختصاصی 📚
🔹برای آمادگی کامل در پرهانترنی و دوره بالینی 👨⚕️
🔹 لینک کانال : https://news.1rj.ru/str/PreVeterinary
🤖 @Veterinary_AI 🐎
❤15💯6👍2
🟦 هوشمصنوعی، دستیار دندانپزشکان میشود. 🦷
🔹 شرکت «هلو پرل» خدمات هوش مصنوعی را برای دندانپزشکان ارائه می کند. این شرکت با هدف اینکه هوش مصنوعی میتواند مانند یک دستیار همیشه فعال دندانپزشک عمل کند تاسیس شد.
🔹 به عنوان مثال یکی از این محصولات Second Opinion نام دارد و یک پلتفرم دندانپزشکی هوشمصنوعی است که به طور خودکار شرایط مختلف بیماری را در عکسهای اشعه ایکس دندان ردیابی میکند تا به عنوان چشمان ثانویه دقت رادیولوژیک را ارتقا دهد.
🔹 این محصول می تواند نشانه های مختلف بیماریهای دندان و همچنین مشکلاتی که به سختی مشاهده میشود مانند پوسیدگیهای که تازه آغاز شدهاند را شناسایی کند.
🔗 لینک خبر 🔗 لینک سایت رسمی شرکت
🤖 @Veterinary_AI 🐎
🔹 شرکت «هلو پرل» خدمات هوش مصنوعی را برای دندانپزشکان ارائه می کند. این شرکت با هدف اینکه هوش مصنوعی میتواند مانند یک دستیار همیشه فعال دندانپزشک عمل کند تاسیس شد.
🔹 به عنوان مثال یکی از این محصولات Second Opinion نام دارد و یک پلتفرم دندانپزشکی هوشمصنوعی است که به طور خودکار شرایط مختلف بیماری را در عکسهای اشعه ایکس دندان ردیابی میکند تا به عنوان چشمان ثانویه دقت رادیولوژیک را ارتقا دهد.
🔹 این محصول می تواند نشانه های مختلف بیماریهای دندان و همچنین مشکلاتی که به سختی مشاهده میشود مانند پوسیدگیهای که تازه آغاز شدهاند را شناسایی کند.
🔗 لینک خبر 🔗 لینک سایت رسمی شرکت
🤖 @Veterinary_AI 🐎
❤9👍2🔥2💯2
🟦 فناوری هوش مصنوعی .D.A.V.I.D متعلق به شرکت David AI, LLC برای تحلیل تصاویر اشعه ایکس (X-ray) عکسهای دهانی حیوانات استفاده میشود.
🔹 این پلتفرم برای دامپزشکان طراحی شده تا با استفاده از فناوری هوش مصنوعی، دقت تشخیص مشکلات دندانی حیوانات را بهبود بخشد و ارتباط با مشتریان را تسهیل کند.
🔹 این ابزار امکان آپلود تصاویر اشعه ایکس یا عکسهای گرفتهشده با موبایل را فراهم میکند و تحلیلهای دقیقی از وضعیت دندانی ارائه میدهد.
🔹 قابلیت تولید گزارشهای جامع بهصورت PDF که شامل تصاویر قبل و بعد از درمان است.
🔹 پلتفرم .D.A.V.I.D بهصورت ابری کار میکند، به این معنی که دامپزشکان میتوانند از هر مکان و در هر زمان به تصاویر و تحلیلها دسترسی داشته باشند، بدون نیاز به نصب پیچیده و قابلیت راهانداری در چند دقیقه
🔗 لینک سایت رسمی شرکت
#ابزار
🤖 @Veterinary_AI 🐎
🔹 این پلتفرم برای دامپزشکان طراحی شده تا با استفاده از فناوری هوش مصنوعی، دقت تشخیص مشکلات دندانی حیوانات را بهبود بخشد و ارتباط با مشتریان را تسهیل کند.
🔹 این ابزار امکان آپلود تصاویر اشعه ایکس یا عکسهای گرفتهشده با موبایل را فراهم میکند و تحلیلهای دقیقی از وضعیت دندانی ارائه میدهد.
🔹 قابلیت تولید گزارشهای جامع بهصورت PDF که شامل تصاویر قبل و بعد از درمان است.
🔹 پلتفرم .D.A.V.I.D بهصورت ابری کار میکند، به این معنی که دامپزشکان میتوانند از هر مکان و در هر زمان به تصاویر و تحلیلها دسترسی داشته باشند، بدون نیاز به نصب پیچیده و قابلیت راهانداری در چند دقیقه
🔗 لینک سایت رسمی شرکت
#ابزار
🤖 @Veterinary_AI 🐎
❤10👍2🔥2💯2
Veterinary ~ AI
🟦 فناوری هوش مصنوعی .D.A.V.I.D متعلق به شرکت David AI, LLC برای تحلیل تصاویر اشعه ایکس (X-ray) عکسهای دهانی حیوانات استفاده میشود. 🔹 این پلتفرم برای دامپزشکان طراحی شده تا با استفاده از فناوری هوش مصنوعی، دقت تشخیص مشکلات دندانی حیوانات را بهبود بخشد و…
Media is too big
VIEW IN TELEGRAM
❤12👍2🔥2💯2
Media is too big
VIEW IN TELEGRAM
🔹 کارآمدی LLMها در دامپزشکی 🔹
🔹 دکتر جواد خوشنگاه
دانشیار دانشکده دامپزشکی دانشگاه فردوسی مشهد
✅ تاکید استاد بر اهمیت پرامپت نویسی حرفه ای
✅ مارا در اینستاگرام دنبال کنید.
🤖 @Veterinary_AI 🐎
🔹 دکتر جواد خوشنگاه
دانشیار دانشکده دامپزشکی دانشگاه فردوسی مشهد
✅ تاکید استاد بر اهمیت پرامپت نویسی حرفه ای
✅ مارا در اینستاگرام دنبال کنید.
🤖 @Veterinary_AI 🐎
❤8🔥3👏3👍2💯1🗿1