Publication Details:

Պարբերականը հիմնադրվել է 2003 թ. փետրվարի 26-ին՝ Հայկական գյուղատնտեսական ակադեմիայի գիտական խորհրդի որոշմամբ, սկզբում՝ «Հայկական գյուղատնտեսական ակադեմիայի տեղեկագիր», այնուհետև՝ «Հայաստանի պետական ագրարային համալսարանի տեղեկագիր», «Հայաստանի ազգային ագրարային համալսարանի տեղեկագիր» վերնագրերով: «Հայաստանի ազգային ագրարային համալսարանի տեղեկագիր» գիտական պարբերականը ՀՀ ԿԳՄՍՆ Բարձրագույն որակավորման կոմիտեի կողմից ներառված է դոկտորական և թեկնածուական ատենախոսությունների արդյունքների ու դրույթների հրապարակման համար ընդունելի գիտական հանդեսների ցանկում: Պարբերականի նպատակը գիտահետազոտական աշխատանքների արդյունքների ներկայացման և լուսաբանման միջոցով ագրարային ոլորտի խնդիրներին ուղղված գիտական լուծումներ առաջադրելն է: Հիմք ընդունելով պարբերականի մասնագիտական ուղղվածությունը, նպատակը և վերնագիրը բովանդակությանն առավել համապատասխանեցնելու անհրաժեշտությունը՝ 2019 թ. մայիսի 16-ին համալսարանի գիտական խորհուրդը որոշել է այն վերանվանել «Ագրոգիտություն և տեխնոլոգիա», որը «Հայաստանի ազգային ագրարային համալսարանի տեղեկագիր» պարբերականի իրավահաջորդն է: «Ագրոգիտություն և տեխնոլոգիա» պարբերականը հրատարակվում է տարվա ընթացքում չորս անգամ՝ անգլերեն առանձին, հայերեն և ռուսերեն միասնական համարներով, յուրաքանչյուր եռամսյակը մեկ:

Journal or Publication Title:

Ագրոգիտություն և տեխնոլոգիա=Agriscience and Technology= Агронаука и технология

Date of publication:

2025

Volume:

2/90

ISSN:

2579-2822

Official URL:

Corporate Creators:

Հայաստանի ազգային ագրարային համալսարան

Contributor(s):

Գլխավոր խմբագիր՝ Հ. Ս. Ծպնեցյան

Coverage:

105-111

Abstract:

The agricultural sector of Armenia faces many problems, such as low productivity, small landholdings, limited technological machinery, reliance on low-value crops, and inadequate expertise. This article uses Artificial Intelligence (AI), specifically Convolutional Neural Networks (CNNs) based on MobileNetV3-Small architecture, to improve crop disease detection. The model was trained and validated using fruit and berry colored leaf images from the PlantVillage dataset. The final model achieved an accuracy of 99.25% and a macro F1-score of 0.9891 across 13 plant disease and health categories, which indicates the model’s strong potential for accurate crop disease detection.

Place of publishing:

Երևան

Publisher:

ՀԱԱՀ հիմնադրամ

Format:

pdf

Identifier:

oai:arar.sci.am:426253

Digitization:

ՀՀ ԳԱԱ Հիմնարար գիտական գրադարան