Leaf Recognition System

Beskrivning

Växter finns överallt där vi bor, såväl som platser utan oss. Många av dem har viktig information för utvecklingen av det mänskliga samhället. Den akuta situationen är att många växter riskerar att dö ut. Så det är mycket nödvändigt att skapa en databas för växtskydd. Vi tror att det första steget är att lära en dator hur man klassificerar växter. Jämfört med andra metoder, såsom cell- och molekylbiologiska metoder, är klassificering baserad på bladbild förstahandsvalet för bladväxtklassificering. Att ta prov på löv och fotografera dem är billigt och bekvämt. Man kan enkelt överföra bladbilden till en dator och en dator kan extrahera funktioner automatiskt i bildbehandlingstekniker. Vissa system använder beskrivningar som används av botaniker. Men det är inte lätt att extrahera och överföra dessa funktioner till en dator automatiskt.

Vi har utvecklat en effektiv algoritm för lövklassificering som kombinerar hög ordningsstatistik över bildegenskaper tillsammans med forminformation och neurala nätverk som olinjär klassificerare. Koden har testats med FLAVIA-databas som uppnår en utmärkt igenkänningsgrad på 92,09 % (32 klasser, 40 träningsbilder och de återstående bilderna som används för testning för varje klass, därför finns det 1280 träningsbilder och 627 testbilder totalt slumpmässigt valda och inga överlappning finns mellan tränings- och testbilderna).

Vårt tillvägagångssätt överträffar FLAVIA-algoritmen och kräver dessutom ingen mänsklig inblandning. I FLAVIA-algoritmen måste du faktiskt markera de två terminalerna på bladets huvudven med ett musklick. Avståndet mellan de två terminalerna definieras som den fysiologiska längden.