کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10321720 660749 2015 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Discriminating rapeseed varieties using computer vision and machine learning
ترجمه فارسی عنوان
انواع مختلف کلزا را با استفاده از چشم انداز کامپیوتری و یادگیری ماشین ها آشکار می کنند
کلمات کلیدی
کلزا، تبعیض نژادی، دیدگاه کامپیوتر، فراگیری ماشین،
ترجمه چکیده
کلزا در سراسر جهان برای تولید خوراک دام، چربی های گیاهی برای مصرف انسان و بیودیزل کشت می شود. از آنجا که دانه ها در بسیاری از مناطق برای کاشت و پردازش دانه های روغنی ارزیابی می شوند، باید آنها را به سرعت و دقیق برای انتخاب انواع صحیح شناسایی کرد. برای طبقه بندی 7 ارقام کلزا، یک روش مقرون به صرفه بر اساس دیدگاه کامپیوتر و یادگیری ماشین پیشنهاد شد. برای به دست آوردن بهترین مدل پیش بینی برای طبقه بندی کلزا، انواع مختلف مجموعه ویژگی ها، مدل های ویژگی و طبقه بندی های یادگیری دستگاه مورد بررسی قرار گرفت. مجموعه ای از آموزش ها و تست ها برای تنظیم پارامترهای مدل در طول دوره های آموزش، با تغییر پیچیدگی مدل های پیش بینی شده با استفاده از شبکه های جستجو و اعتبارسنجی کراس کراس مورد استفاده قرار گرفت. پس از به دست آوردن مدل های بهینه شده برای هر سطح پیچیدگی، یک اعتبار سنجی اختصاصی برای اعتبارسنجی مدل های پیش بینی شده استفاده شد. سیستم بینایی کامپیوتری پیشرفته، بهترین روش پیش بینی در اصلاح انواع مختلف کلزا را به میزان دقت کلی 24/99 درصد ارائه کرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
انواع مختلف کلزا را با استفاده از چشم انداز کامپیوتری و یادگیری ماشین ها آشکار می کنند
چکیده انگلیسی
Rapeseed is widely cultivated throughout the world for the production of animal feed, vegetable fat for human consumption, and biodiesel. Since the seeds are evaluated in many areas for sowing and oilseed processing, they must be identified quickly and accurately for selection of a correct variety. An affordable method based on computer vision and machine learning was proposed to classify the seven rapeseed varieties. Different types of feature sets, feature models, and machine learning classifiers were investigated to obtain the best predictive model for rapeseed classification. The training and test sets were used to tune the model parameters during the training epochs by varying the complexity of the predictive models with grid-search and K-fold cross validation. After obtaining optimized models for each level of complexity, a dedicated validation set was used to validate predictive models. The developed computer vision system provided an overall accuracy rate of 99.24% for the best predictive model in discriminating rapeseed variety.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 42, Issue 4, March 2015, Pages 1880-1891
نویسندگان
, ,