در این مقاله سامانه بینایی ماشینی مبتنی بر شبکه عصبی برای شناسایی 12 گیاه آپارتمانی توسعه داده شد. از سامانه پردازش تصویر برای استخراج 41 ویژگی رنگی، بافتی و شکلی از تصاویر رو و پشت برگ گیاه استفاده گردید. ویژگی­های استخراج یافته به عنوان معیار تشخیص و و More
در این مقاله سامانه بینایی ماشینی مبتنی بر شبکه عصبی برای شناسایی 12 گیاه آپارتمانی توسعه داده شد. از سامانه پردازش تصویر برای استخراج 41 ویژگی رنگی، بافتی و شکلی از تصاویر رو و پشت برگ گیاه استفاده گردید. ویژگی­های استخراج یافته به عنوان معیار تشخیص و ورودی به شبکه عصبی داده شد. شبکه عصبی پرسپترون چند لایه (MLP) با الگوریتم آموزش، الگوریتم فاکتور کاهش نرخ یادگیری (BDLRF) به عنوان طبقه­بندی کننده استفاده گردید. طبقه­بندی در سه مرحله براساس قابلیت و قدرت ویژگیها در شناسایی گیاهان انجام شد. معیار قابلیت داشتن در هر مرحله با استفاده از قدرت تفکیک پذیری کلاسی گیاهان بررسی گردید. در این روش طبقه­بندی، هر مرحله نیاز به تعداد کمی از ویژگیها دارد؛ در نتیجه سرعت و دقت آن میتواند بسیار بالا باشد. نتایج نشان داد که دقت طبقه­بندی گیاهان در سه مرحله به 100% میرسد. همچنین ویژگیهای بهینه برای طبقه­بندی شامل سه مرحلهی ورودی از ویژگیهای موفولوژیکی (شکلی)، ویژگیهای رنگی HSI استخراج یافته از پشت برگ و ویژگیهای بافتی HSI استخراج یافته از پشت برگها میشود.
Manuscript profile