调查神经网络类型和混合技术对植物分类

文摘

今天,计算机科学日益参与农业与食品科学。各种人工智能和软计算技术用于植物分类和检测缺陷提供更好质量的产品到最终消费者。本文主要关注使用软计算技术的进步自动植物分类。各种安,CNN,并通过启发式和植物分类的元启发式优化技术进行了综述。有几个meta-heuristic优化算法开发的灵感来自大自然。安等神经网络的审查,CNN,并通过以及一些混合人工神经网络的优化方法遗传算法(GA),蚂蚁蜜蜂殖民地(ABC),差分进化(DE),组搜索粒子群优化(GSPSO),萤火虫的方法,等申请基准数据集和特定的实时实验植物分类进行了讨论。

关键字

自动植物分类;人工神经网络;并通过;CNN meta-heuristic优化算法;分类

介绍

在生态,动物植物的主要能源。农业是这个国家的经济增长的主要因素,但有下降由于贫穷的栽培作物生产,缺乏维护,手动控制,无知的技术保护和特性。此外,劳动力成本上升,熟练工人缺乏,要求改善生产过程给了生产商和加工商的压力检测方法。气候变化也是一个因素在植物中引起疾病。植物病害是不可避免的,所以叶检测中发挥着重要作用,因为这些疾病的传播在整个农场,这将导致巨大损失的农民和整个农业经济。植物也有用的食品、药品,以及在许多行业。植物的分类可以确保保护和生存的自然生活。植物识别可以使用不同的技术进行植物的叶子。传统上,最常见的药用植物分类方法是人工识别。首先,使用人体器官,人们可以获得特征如形状、颜色、纹理以及整个工厂和个人部分(膀胱、水果)。 Therefore, they were able to determine plant species based on a reference or experience. However, practice has shown that this method of identification is highly dependent on the level of competence and experience, not just heavy workload and low performance. This approach is difficult for non-experts due to lack of experience. This represents a formidable challenge for beginners who want to learn about organisms.

文献综述

事实上,计算机图像自动识别广泛应用于图像处理技术和模式检测的发展。的可用性相关的技术,如数码相机、移动设备、远程数据访问、先进的图像处理技术和模式识别自动物种识别现实。有各种各样的植物,如水果、花卉、蔬菜等植物的识别,叶子被认为是。床单很容易收集,它们可以在任何购买相机,手机或扫描仪。以计算机为基础的植物鉴别用于分类植物类型。最初,创建一个数据库时使用样本图像的所有类型的叶子。每个图像的叶与工厂的相关信息。

安技术对植物分类

Boran Sekeroglu出版社介绍,从智能应用程序在不同的平台上的崛起,如桌面和移动表识别了重要性。正确识别类型的叶子,每片叶子都包含一个独特的独特的模式,包含提供高效的神经网络的输入。此外,利用反向传播神经网络,提出了一种智能识别系统识别和确定27个不同类型的叶子和结果表明,开发的系统是优秀的最近的研究鉴定率为97.2%。

叶用于识别方法提取特征。所有的特征都可以从数字图像中提取的植物叶子。但有一个例外,所有的功能都自动提取。对于分类一旦捕获的图像预处理,提取颜色一致性特征向量和纹章的特性,之后寄给安分类器。主要的改进与特征提取和分类器。植物叶片的自动检测,使用人工神经网络(ANN)分类器。介绍了叶片识别的神经网络方法。通过重新定位叶图片在电脑上,电脑可以自动检测叶子。安是假定有一个快速训练方法分类的叶子。实验结果表明该方法是有效的,比以前的方法更精确; This technique is quick to execute, skillful to identify, and simple to implement.

生物特征对植物叶子图像进行分类。分类是促进生物特征的植物叶子,如静脉。叶的生物特征分析使用一个基于计算机的方法,如形态特征分析,基于人工神经网络的分类器以输入为叶静脉的形态特征和分类成四个不同的物种。在模型训练,这种分类的准确性达到96.53%基于叶肋树叶的分类提供一个测试分类精度91%的植物叶子图像分类获得基于叶静脉的形态特征。ANN-based分类模型的训练与测试精度提供了91%的准确率96.53%叶图像分类与生物识别静脉形态特征(表1)^(1]。

表1:并通过技术与方法和结果对植物分类。

他们提出了一个算法来识别植物使用前三个独立的步骤处理的数据集,然后运用特征的提取,最终导致植物的分类。作者用叶子的特征识别和分类、形态特征、以及傅里叶描述符定义的形状和特征。人工神经网络(ANN)的值获得这些特征的叶子作为输入向量以及本研究使用的数据集是基于训练到817年叶样本14种不同的果树。此外,研究已证实有效之内,ICL数据集和数据集提供了96%的准确率。在这种情况下,处理技术用于提高数据图像计算前处理。

提出了一种新的计算高效的系统,考虑颜色的结合,牙齿的形状、形态和特征。得到特征的特征提取步骤基于表的图像的颜色和形状。此外,功能作为分类器的输入用于高效的分类和结果测试和比较使用人工神经网络(ANN)和欧几里得(资讯)分类器。此外,该方法利用ANN分类器是93.3%准确的,和分类器的比较表明,安少的意思是时间比欧氏距离的方法来执行。确定一个复杂的形象,该工作可以进一步扩大集群的叶柄和叶和实时图像叶(表2)^(2]。

表2。比较的优点和缺点。

获得数据的性能分类叶疾病提出了利用人工神经网络成功地分析了通过图像处理方法,并使用神经网络分类。分类的目标健康或不健康的药用植物的叶子是通过获取和分析数据从叶子图像使用图像处理方法。此外,从图像处理方法,对比调整的算法,提取图像分割和特征提取是用来和获取数据。在图像处理方法中,所有三个方法都包括在内。使用人工神经网络,进行实验的结果。多层前馈神经网络的多层感知器和径向基函数RBF网络结构用于分类健康或不健康的离开。同时,在过去的实验中,结果表明,RBF网络执行比MLP网络。

自动基线识别技术的三个无花果属物种集合的基础上叶图像使用模式识别的方法。两个使用机器学习算法,建立识别模型:安和支持向量机。两种模型获得了满意的结果,证明其效用在识别任务。研究表明,计算机化的分类选择无花果属物种有相似的叶子形状根据叶图像是可行的。此外,在未来,可以提高系统的鲁棒性包括无花果属的物种。

提出的植物形态学以及特征与领域相关的视觉植物叶子上进行了分析和提取。此外,对于认识植物叶子上使用人工神经网络提出了一种方法。进行一系列的实验证明了上述方法的有效性。实验结果证明了方法的有效性和优越性。

CNN植物分类的技术

他们建议卷积神经网络(CNN)分类的类型植物从智能站通过收集的图像序列。首先,照明变化进行描述和污迹去掉一些预处理步骤。此外,卷积神经网络架构是用于从图像中提取特征。通过CNN模型获得的结果与获得的支持向量机分类器不同的内核,评估方法的性能,以及特征描述符如枸杞多糖和要点。TARBIL数据集研究的结果证实了设计方法是令人印象深刻。

提出了一个应用程序分类树的类型基于树叶的照片。安卓手机应用程序来解决自然树叶的图片,为本研究开发的系统使用一个卷积神经网络。叶分类,应用程序利用卷积神经网络表示。如果一个应用程序这种类型的移动设备,可能是有用的生物学学生学习树在现场工作。也可以帮助研究人员在使用树叶识别树不是专家。更多地了解周围的树木,户外崇拜者也可以受益于这个应用程序。

并通过技术对植物分类

代表对训练速度快,结构简单并采用它实现叶片识别算法使用易于开采的特性以及高效的识别算法。特征提取和分类器,是主要的改进。叶子从数字图像,提取所有功能。形成对所测试的输入向量,12特性是利用主成分分析法(PCA)提取和加工。到1800年离开32种植物进行分类,并通过是训练精度大于90%。

优化技术

软计算技术越来越重要,随着计算机处理设备的功率增加。使一个复杂的系统需要智能系统通过选择最好的结果来自许多可能性,使用复杂的算法。这需要快速的处理能力和存储空间大,最近出现在最近几年许多研究中心,大学以及技术机构非常少的代价。

在现实世界中,使解决方案,工程方法是软计算的融合以及财团在协同工作,提供的方法,以一种方式或另一种方式,灵活管理信息处理功能。指导原则是发明导致一个可接受的解决方案的计算方法以低成本,寻找一个问题表述不准确或精确的近似解。

一般有两种启发式和元启发式等优化技术。一般来说,启发式方法“发现”或通过试验和错误。

这些算法可以将工作对大多数人来说,但并不是所有的时间。启发式算法的进一步发展是所谓的元启发式算法。这里,元的意思是“超越”或“更高层次”,这些算法通常比简单的启发式。此外,所有的元启发式算法使用随机化和本地搜索某些补偿。应该注意的是,不同意有启发式和元启发式的定义文学;一些使用启发式和元启发式互换。然而,最近的趋势倾向于给它一个名字都随机元启发式算法随机化和本地搜索。启发式优化技术如群体智慧、禁忌搜索、模拟退火、遗传算法等和元启发式可以分类在许多方面。一种方法是基于人口或轨迹进行分类。例如,遗传算法是基于人口,因为他们使用一组字符串; so are the optimization of the particle swarm, the Firefly Algorithm (FA), and the search for the cuckoo, which use multiple agents or particles.

混合优化技术对植物分类

优化方法选择多个选项之间的“最好”的策略。视情况而定,最好的路径选择。优化的主要目标可以简单地最小化生产成本以及生产效率最大化。通过比较各种优化算法的过程重复执行解决方案,直到找到一个最优或满意的解决方案。优化算法的两种主要类型是广泛使用的今天(a) (b)确定性算法随机算法。确定的名称所暗示使用特定的规则的一个解决方案迁移到其他随机算法本质上是随机的。这些混合雷竞技苹果下载的评论与优化人工神经网络方法和遗传算法(GA)一样,蚂蚁蜜蜂殖民地(ABC),差分进化(DE),组搜索粒子群优化(GSPSO),萤火虫方法等应用为基准数据集和特定的实时实验植物分类进行了讨论。

优化特征选择结合蚁群的特点和人工蜂群(ABC)算法提出了一种新的基于群的混合算法AC-ABC混合。消除停滞蚂蚁的行为以及耗时的全球搜索是最初的解决方案,采用蜜蜂杂交算法。在该算法中,确定最佳Ant和最佳特征子集,蚂蚁用剥削的蜜蜂;蜜蜂变化产生的特征子集蚂蚁作为他们的食物来源。评价的目的,该算法由十三个UCI(加州大学欧文分校)基准数据集已经被使用。由实验结果的行为提高分类精度的方法和最优选择的特性^(3]。

遗传算法优化网络在训练的重量数字评估进行了优化。通过使用NPD-dimensional,差分进化(DE)是一个平行的直接搜索方法参数向量。微分进化变异、交叉和选择。保持人口的结构候选解决方案特定的领域挑战,遗传算法是一个迭代的过程。与特定的遗传算子等繁殖、交叉和基因突变,一个新的候选人solutions-population就形成了。使用MATLAB,特征提取。训练的分类算法,特征提取方法。提出的基于DE和遗传算法的混合算法提高了神经网络的分类精度由实验结果显示。分类精度的比例是由一个提出优化微分进化以及GA优化算法。

为了更好的分类精度遗传体重文中针对神经网络系统病变的植物叶子上提出了分类。特征五个属性,如对比、相关、能源、均匀和使用区域的叶。最初,从分割的图像给人好感的树叶中提取的特征。通过对指定的迭代遗传算法,神经网络的重量更新。最终的性能分析在不同的类病植物叶片使用分类精度。为了更好的分类精度,遗传重量文中针对神经网络系统病变的植物叶子是机密^(4]。

提出了一种新的混合方法的算法(粒子群优化),国际妇女节(智能水滴)混合IWD-PSO安的优化方法相比,虹膜的分类以及其执行个体方法PSO和来历。模型的结果阐明混合IWD-PSO方法的更好的性能的准确性和SSE来历和PSO相比独立参照隐藏层的数量以及隐藏节点。通过使用这种混合算法,可以得到一个更好的搜索结果。作为国际妇女节,优化算法,利用IWD-PSO方法安。比较的结果代表IWD-PSO-ANN完成IWD-ANN PSO-ANN在上交所和准确率。它可以得出结论,提出混合IWD-PSO方法适用于使用作为人工神经网络的优化方法。这项研究的结果也显示,在增强神经网络的性能比较分析不同的优化方法总是支持的。此外,这种混合IWD-PSO方法可以应用于处理更多的优化问题在未来的范围。

提出了一种混合算法称为组搜索粒子群优化(GSPSO)是基于粒子群优化(PSO)这里的GSO提出了一个算法模型与GSO模型是利用。PSO和良好的性能在静止。形式的多值逻辑的模糊分类器来源于理论模糊集合。此外,分类,多层感知器神经网络(MLPNN)概念。这种类型的技术选择,因为他们可以提供一个培训,更快的解决模式识别问题通过使用数值优化技术。因此,在这项工作中,一个最优和确定性特征子集选择通过使用技术的混合静止。这个算法启发了社交搜索行为的动物在全球的性能现在已经被证明是很有竞争力的。在GSPSO算法的情况下,任何算法模型可以用于识别一个好的搜索空间的全局优化已经包含有很高程度的概率。对于这种技术,静止是用来制造在其本地搜索空间和搜索管理员同时用于修正的空间。

Sajad Sabzi出版社。计划的一种混合方法,用于分类的人工神经网络和粒子群优化算法(PSO)。根据研究,在四个农场华奥土豆混合物;使用白色LED灯照明控制的条件下,给出了图像捕获。使用决策树的区别马铃薯植物和杂草,选择6个最重要的特性。数据库分为两组评估拟议的模型:

• 训练数据,用于混合安PSO训练
• 测试和验证数据对网络进行评估。

总之,分类输入土豆植物和杂草,ANN-PSO方法的应用。此外,比较了使用贝叶斯分类器。

小说fruit-classification工具提供。的方法提出了包含不同的过程:首先,一个四个步骤进行预处理,其次是他的颜色,形状,纹理特征的总和。后,减少的特性,采用主成分分析。此外,方法的结合“杂交PSO和ABC (HPA)”和“单隐层前馈神经网络(SLFN)”,这是称为HPA-SLFN提出作为小说的分类。的研究结果表明,与现有方法相比,提出的HPA-SLFN达到89.5%的精度。拟议中的HPA-SLFN是有效的^(5]。

结论

的基础上进行研究,导出,软计算模型显示非凡的植物叶子的分类性能。虽然存在许多有前途的技术,无损评估的植物。使用计算机视觉系统和灵活的计算机模型,进行了分类。对植物分类、各种安,CNN,并通过启发式和元启发式优化技术进行了综述.Algorithms必须选择和形成混合优化技术相结合,保持良好的补偿。

形成混合方法,所选择的算法,应该一个资产类别的探测率和良好的开发速度。因此,细节相结合的混合分类器由安,与不同的元启发式优化技术(MHOA)文献简要提供。仍有许多正在进行的实验和安在不同的领域来确定优化日常问题的解决方案。在未来,植物行业应该得到大好处利用计算机模型更健壮的软件。

引用

1. Suchitra, et al .自动皮水果缺陷识别系统分级基于离散曲波变换。IJET。2013;5:3251 - 3256。
2. Blasco J, et al .外部皮肤损伤的识别和分类在柑橘类水果使用多光谱数据和形态学特征。生物系统工程师。2009;103:37 - 145。
3. Remya,等。分析植物叶子疾病Detection.IEEE分类算法。2019年
4. 菅直人HX, et al。分类药用植物叶片图像特征提取的基础。Patt Recog肛门形象。2017;581 - 587。
5. Waldchen J, et al。植物种类识别使用计算机视觉技术:一个系统的文献回顾。Eng拱第一版方法。2018;25:507 - 543