شناسایی گیاهان آپارتمانی بر اساس ویژگی های تصویری با کمک شبکه عصبی

Subject Areas : Journal of Ornamental Plants

نرگس قانعی قوشخانه ¹ , عباس روحانی ² , محمودرضا گلزاریان ³ , فاطمه کاظمی ⁴

1 - گروه مهندسی بیوسیستم، دانشگاه فردوسی مشهد.
2 - گروه مهندسی بیوسیستم، دانشگاه فردوسی مشهد.
3 - گروه مهندسی بیوسیستم، دانشگاه فردوسی مشهد.
4 - گروه علوم باغبانی و مهندسی فضای سبز، دانشگاه فردوسی مشهد.

Received: 2016-02-09 Accepted : 2016-05-26 Published : 2016-09-01

Keywords: شبکه عصبی مصنوعی, گیاهان خانگی, شناسایی فرآیند عکس, طبقه بندی چند مرحله ای,

Abstract :

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.

References:

Ahmed, F., Al-Mamun, H. A., Hossain Bari, A. S. M., Emam Hossain, and Kwan, P. 2012. Classification of crops and weeds from digital images: A support vector machine approach. Crop Protection, 40: 98-104.

Chaudhary, P., Chaudhari, A. K., Cheeran, A. N. and Godara, S. 2012. Color transform based approach for disease spot detection on plant leaf. International Journal of Computer Science and Telecommunications, 3: 65-70.

Golzarian, M., Ghanei, N., Sadeghi, F. and Kazemi, F. 2014. A qualitative and quantitative approach to assessing the performance of contrast enhancing colour indices used in automatic computer vision plant identification system. The 8^th National Conference in Biosystems Engineering, Mashhad, 29-31 January 2014, Iran (In Persian).

Gonzalez, R. C., Woods, R. E. and Eddins, S. L. 2009. Digital image processing using MATLAB. 2nd ed. Upper Saddle River, NJ, US: Pearson Prentice Hall.

Guyer, D., Miles, G., Schreiber, M., Mitchell, O. and Vanderbilt, V. 1986. Machine vision and image processing for plant identification. Transactions of the ASAE, 29 (6):1500-1507.

Jafari, A., Mohtasebi, S., Eghbali Jahromi, H. and Omid, M. 2004. Color feature extraction by means of discriminant analysis for weed segmentation. ASAE/CSAE Annual International Meeting. Fairmont Chateau Laurier, The Westin, August 1-4. Government Centre Ottawa, Ontario,Canada.

Li, Y., Chi, Z. and Feng, D. D. 2006. Leaf vein extraction using independent component analysis. IEEE International Conference on Systems, Man, and Cybernetics. October 8-11. Taipei, Taiwan.

Meyer, G. E. and Neto, J. C. 2008. Verification of color vegetation indices for automated crop imaging applications. Computers and Electronics in Agriculture, 63: 282-293.

Mahmoudi, M., Khazayi, J. and Vahdati, K. 2008. Identification of wulnut genotypes using image processing and neural network techniques. The World Conference on Agricultural Information and IT, IAALD AFITA WCCA 2008, at Tokyo, Japan. 2 pages.

Neto, J. C., Meyer, G. E., Jones, D. D. and Samal, A. K. 2005. Plant species identification using elliptic fourier leaf shape analysis. Computers and Electronics in Agriculture, 50: 121-134.

Pramanik, S., Bandyopadhyay, S. K., Bhattacharyya, D. and Kim, T. 2010. Identification of plant using leaf image analysis. Signal Processing and Multimedia, Communications in Computer and Information Science, 123: 291-303.

Rohani, A., Abbaspour-Fard, M. H. and Shamsolla, A. 2011. Prediction of tractor repair and maintenance costs using artificial neural network. Expert Systems with Applications 38, 8999-9007.

Sanei Shariat Panahi, M. and Fayaz, M. 1985. Growing, maintenance and proliferation of houseplants. Sepehr Publication, Tehran.

Vakil-Baghmisheh, M.T. and Pavešic, N. 2001. Back-propagation with declining learning rate. Proceeding of the 10^th Electrotechnical and Computer Science Conference, Portoroz, Slovenia, Vol. B, pp. 297–300.

Wang, X. F., Huang, D. S., Du, J., Xu, H. and Heutte, L. 2008. Classification of plant leaf images with complicated background. Applied Mathematics and Computation, 205: 916-926.

White, S., Fein, S. and Kopylec, J. 2006. Virtual vouchers: prototyping a mobile augmented reality user interface for botanical species identification. IEEE Symposium on 3D User Interfaces. March 25-26. Alexandria, Virginia, USA.

Wu, S. G., Bao, F. S., Xu, E. Y., Wang, Y., Chang, Y. and Xiang, Q. 2007. A leaf recognition algorithm for plant classification using probabilistic neural network. IEEE International Symposiumon Signal Processing and Information Technology. December 15-18. Giza. Egypt.

Zheng, X. and Wang, X. 2010. Leaf vein extraction using a combined operation of mathematical morphology. 2nd International Conference on Information Engineering and Computer Science (ICIECS).