Leaf Recognition System

Omschrijving

Planten bestaan ​​overal waar we wonen, maar ook op plaatsen zonder ons. Velen van hen bevatten belangrijke informatie voor de ontwikkeling van de menselijke samenleving. De urgente situatie is dat veel planten met uitsterven worden bedreigd. Het opzetten van een databank voor gewasbescherming is dus hard nodig. Wij geloven dat de eerste stap is om een ​​computer te leren planten te classificeren. In vergelijking met andere methoden, zoals cel- en molecuulbiologie, is classificatie op basis van bladbeeld de eerste keuze voor classificatie van bladplanten. Het nemen van monsters van bladeren en het fotograferen ervan is goedkoop en handig. Men kan het bladbeeld gemakkelijk overbrengen naar een computer en een computer kan automatisch kenmerken extraheren in beeldverwerkingstechnieken. Sommige systemen gebruiken beschrijvingen die door botanici worden gebruikt. Maar het is niet eenvoudig om die functies automatisch te extraheren en over te zetten naar een computer.

We hebben een efficiënt algoritme ontwikkeld voor bladclassificatie dat hoge-ordestatistieken van beeldkenmerken combineert met vorminformatie en neuraal netwerk als niet-lineaire classificatie. De code is getest met de FLAVIA-database met een uitstekende herkenningsgraad van 92,09% (32 lessen, 40 trainingsafbeeldingen en de resterende afbeeldingen die worden gebruikt voor het testen voor elke klas, vandaar dat er in totaal 1280 trainingsafbeeldingen en 627 testafbeeldingen willekeurig zijn geselecteerd en geen overlap bestaat tussen de trainings- en testbeelden).

Onze aanpak presteert beter dan het FLAVIA-algoritme en bovendien is er geen tussenkomst van een mens nodig. In het FLAVIA-algoritme moet u in feite de twee uiteinden van de hoofdnerf van het blad markeren met een muisklik. De afstand tussen de twee terminals wordt gedefinieerd als de fysiologische lengte.