این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پردازش علائم و داده ها، جلد ۱۶، شماره ۱، صفحات ۱۱۱-۱۲۴
عنوان فارسی شناسایی گونه‌های گیاهی با استفاده از تصاویر برگ بر پایه ویژگی‌های بافت و شبکه عصبی
چکیده فارسی مقاله برگ گیاهان منبع اطلاعاتی مهمی برای پژوهش و شناسایی گیاهان هستند. استخراج این اطلاعات به‌طورعمومی توسط کارشناسان خبره کشاورزی انجام می­‌گیرد. از آنجا که برگ­ها ویژگی­‌های مناسبی را برای تشخیص انواع گونه‌­های گیاهی در سامانه‌های هوشمند فراهم می‌کنند، لذا استفاده از سامانه‌های هوشمند می‌­تواند به تشخیص خودکار گونه‌­های گیاهی کمک کند. این مقاله روش جدیدی را برای شناسایی برگ‌­های گونه‌­های گیاهی با استفاده از الگوریتم استخراج ویژگی بافت GIST ارائه می‌­دهد که یک روش استخراج ویژگی عمومی برای طبقه‌بندی تصاویر است. این روش دارای دقت خوبی در تعیین شباهت­‌ها بین اشیای یکسان در تصاویر مختلف است. در مرحله طبقه‌­بندی داده‌­ها نیز، از شبکه عصبی Patternnet که برای استخراج الگو مناسب است استفاده می‌شود. برای ارزیابی روش پیشنهادی، الگوریتم حاصل بر روی داده‌­های دو پایگاه داده معتبر که تنوع گیاهی زیادی دارند، اعمال شده است. مقایسه نتایج با الگوریتم‌­های متداول استخراج ویژگی از تصاویر برگ‌­ها نشان می‌­دهد که الگوریتم GIST علاوه‌بر سرعت مناسب، دارای دقت طبقه­‌بندی قابل قبولی به‌ویژه در تصاویر هم‌راستا و حتی تصاویر از نوع شبه‌پویش است.
کلیدواژه‌های فارسی مقاله شناسایی گونه‌های گیاهی، بردار ویژگی GIST، شبکه عصبی، فیلتر گابور
عنوان انگلیسی On the use of Textural Features and Neural Networks for Leaf Recognition
چکیده انگلیسی مقاله for recognizing various types of plants, so automatic image recognition algorithms can extract to classify plant species and apply these features. Fast and accurate recognition of plants can have a significant impact on biodiversity management and increasing the effectiveness of the studies in this regard. These automatic methods have involved the development of recognition techniques and digital image processing pattern.  Most of the previous studies on the classification and identification of plant species from leaf images are based on the shape, texture and color features. There were also different methods of data modeling which have been used to leave plant recognition. In this paper, we investigate a novel approach for the recognition of plant species using texture feature GIST to extract general features. In the classification step, Patternnet feed forward neural network algorithm has been applied. Essentially, the GIST feature has been designed to be employed for image classification. In this study, GIST feature vectors are considered as the basis of the leaves' classification. The GIST descriptor of an image is computed by the first filtering of an image by a filter bank of Gabor filters, and then averaging the responses of filters in each block on a no overlapping grid. For evaluation of our approach, we have applied the algorithm on scan and pseudo-scan images of two famous different datasets Image CLEF2012 and Leaf snap with a high various. The results show that in comparison to some widely used algorithms, our approach outperforms in the case of time and also the accuracy of classification. Substantial results can be achieved when the image of the plants are aligned with one another and when we deal with pseudo scan images. The detection of combinations of leaves that have jagged edges is an important contribution of this study. In many of the previous algorithms, the computational complexity of this detection is high. While by using the GIST feature vector, these types of images are processed simply and precisely (above 90%).  precisely (above 90%).
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله فاطمه مستاجر خیرخواه | Fateme Mostajer Kheirkhah
ICT Research Institute, ACECR
پژوهشکده فناوری اطلاعات جهاد دانشگاهی

حبیب الله اصغری | Habibollah Asghari
ICT Research Institute, ACECR
پژوهشکده فناوری اطلاعات جهاد دانشگاهی

داراب یزدانی | Darab Yazdani
Medicinal Plants Research Center, University Jihad
مرکز تحقیقات گیاهان دارویی، پژوهشکده گیاهان دارویی، جهاد دانشگاهی

نشانی اینترنتی http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-1415-1&slc_lang=fa&sid=1
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1315/article-1315-1593811.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده مقالات پردازش تصویر
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات