Planten bestaan overal waar we wonen, evenals plaatsen zonder ons. Velen van hen dragen belangrijke informatie voor de ontwikkeling van de menselijke samenleving. De urgente situatie is dat veel planten zijn voor risico van uitsterven. Het is dus zeer noodzakelijk voor het opzetten van een database voor gewasbeschermingsmiddelen. Wij geloven dat de eerste stap is een computer leren planten classificeren. In vergelijking met andere methoden, zoals mobiele en molecule biologie methoden, classificatie gebaseerd op blad beeld is de eerste keuze voor bladplant classificatie. Bemonstering bladeren en photoing hen zijn lage kosten en handig. Men kan het blad gemakkelijk overzetten naar een computer en een computer kan functies automatisch uit te pakken in beeldverwerking technieken. Sommige systemen maken gebruik van omschrijvingen gebruikt door botanici. Maar het is niet gemakkelijk te halen en over te dragen die op een computersysteem automatisch.
We hebben een efficiënt algoritme voor het blad classificatie die high-order statistieken combineert van de afbeelding kenmerkt samen met de vorm van informatie en neuraal netwerk als niet-lineaire classifier ontwikkeld. De code is getest met FLAVIA databank bereiken van een uitstekende erkenning tarief van 92,09% (32 klassen, 40 training beelden en de resterende afbeeldingen die gebruikt worden voor het testen voor elke klasse, vandaar zijn er 1280 training beelden en 627 testbeelden in totaal willekeurig gekozen en er geen overlap bestaat tussen de opleiding en de testbeelden).
Onze aanpak overtreft FLAVIA algoritme en bovendien vereist geen mens bemoeid deel. In FLAVIA algoritme in feite moet je de twee terminals van de belangrijkste ader van het blad markeren via muisklik. . De afstand tussen de twee terminals wordt gedefinieerd als de fysiologische lengte
Eisen
Matlab
Reacties niet gevonden