Recent introduction of ICT in agriculture has brought a number of changes in the way farming is done. This means use of Internet of Things(IoT), Cloud Computing(CC), Big Data (BD) and automation to gain better control over the process of farming. As the use of these technologies in farms has grown exponentially with massive data production, there is need to develop and use state-of-the-art tools in order to gain more insight from the data within reasonable time. In this paper, we present an initial understanding of Convolutional Neural Network (CNN), the recent architectures of state-of-the-art CNN and their underlying complexities. Then we propose a classification taxonomy tailored for agricultural application of CNN. Finally, we present a comprehensive review of research dedicated to applications of state-of-the-art CNNs in agricultural production systems. Our contribution is in two-fold. First, for end users of agricultural deep learning tools, our benchmarking finding can serve as a guide to selecting appropriate architecture to use. Second, for agricultural software developers of deep learning tools, our in-depth analysis explains the state-of-the-art CNN complexities and points out possible future directions to further optimize the running performance.

Bản dịch tiếng Việt:

Sự ra đời gần đây của CNTT trong nông nghiệp đã mang lại một số thay đổi trong cách thực hiện nông nghiệp. Điều này có nghĩa là sử dụng Internet of Things (IoT), Điện toán đám mây (CC), Dữ liệu lớn (BD) và tự động hóa để kiểm soát tốt hơn quá trình canh tác. Vì việc sử dụng các công nghệ này trong các trang trại đã tăng theo cấp số nhân cùng với việc sản xuất dữ liệu khổng lồ nên cần phải phát triển và sử dụng các công cụ tiên tiến để hiểu rõ hơn về dữ liệu trong thời gian hợp lý. Trong bài viết này, chúng tôi trình bày những hiểu biết ban đầu về Mạng thần kinh chuyển đổi (CNN), các kiến ​​trúc gần đây của CNN tiên tiến nhất và sự phức tạp cơ bản của chúng. Sau đó, chúng tôi đề xuất một phương pháp phân loại phù hợp cho ứng dụng CNN trong nông nghiệp. Cuối cùng, chúng tôi trình bày một bản đánh giá toàn diện về nghiên cứu dành riêng cho việc ứng dụng CNN tiên tiến nhất trong các hệ thống sản xuất nông nghiệp. Đóng góp của chúng tôi là gấp đôi. Đầu tiên, đối với người dùng cuối các công cụ học sâu trong nông nghiệp, kết quả đo điểm chuẩn của chúng tôi có thể đóng vai trò là hướng dẫn để lựa chọn kiến ​​trúc phù hợp để sử dụng. Thứ hai, đối với các nhà phát triển phần mềm nông nghiệp của các công cụ học sâu, phân tích chuyên sâu của chúng tôi giải thích sự phức tạp hiện đại của CNN và chỉ ra các hướng đi khả thi trong tương lai để tối ưu hóa hơn nữa hiệu suất hoạt động.

Document Ready

Click below to load the full PDF document natively.