Merhaba Misafir

Shearlet dönüşüm ve yeni geometrik özellikler kullanılarak aşırı öğrenme makinesine dayalı bitki tanıma sistemi

PDF

Bugüne kadar yapılan çalışmalarda, bitki türlerini doğru tespit edebilmek için farklı yaklaşımlar kullanılmıştır. Bu yaklaşımlardan en önemlisi ve bitki kısmı olarak yapraklar, şekil, renk ve damar dokusu gibi avantajlara sahip birçok özellik sağlamaktadır. Bu çalışmada açıdan bağımsız olarak yaprağın geometrik özelliklerine dayalı yeni bir yaklaşım önerilmiştir. Kenar Adım (KA) olarak adlandırılan bu yöntem, şeklin sınır eğrilerindeki kenar noktalar kullanılarak açı, merkez-kenar uzunluğu ve kenar mesafesi gibi özelliklerden oluşmaktadır. Ayrıca doku tanımada iyi hassasiyet göstermesi, hızlı hesaplama yapması ve yön bağımsızlığı gibi özelliklere sahip olan Shearlet Dönüşüm yöntemi kullanılmıştır. Bu yöntemlere ek olarak, yaprak görüntülerinden renk ve doku özelliklerini çıkarmak için Renk Özellikleri ile Gri Seviye Eş-Oluşum Matrisleri (GSEM) yöntemi kullanılmıştır. Tüm bu yöntemlerden elde edilen öznitelikler ayrı ayrı ve bileşik olarak Aşırı Öğrenme Makineleri (AÖM) sınıflandırıcı yöntemi ile test edilmiştir. Flavia, Swedish, ICL ve Foliage gibi dört farklı bitki yaprak veri setleri kullanılarak önerilen çalışma test edilmiştir. Bu veri setleri kullanılarak doku, şekil ve renk özelliklerine dayalı yapılan çalışmalar ile önerilen yaklaşımın performansı kıyaslanmıştır. Sonuç olarak, önerilen çalışmanın diğer çalışmalara göre daha başarılı olduğu tespit edilmiştir.

Yayınlandığı Kaynak : Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi
  • Yıl : 2019
  • DOI : 10.17341/gazimmfd.423674
  • Cilt : 34
  • ISSN : 1300-1884
  • Sayı : 4
  • eISSN : 1304-4915
  • Sayfa Aralığı : 2097-2112
  • IO Kayıt No : 97303
  • Yayıncı : Gazi Üniversitesi Mühendislik Fakültesi