PHÂN CỤM BÁN GIÁM SÁT MỜ AN TOÀN VÀ ỨNG DỤNG  TRONG PHÂN ĐOẠN ẢNH NÔNG NGHIỆP

Phùng Thế Huân; Lê Thu Trang

doi:10.34238/tnu-jst.12195

PHÂN CỤM BÁN GIÁM SÁT MỜ AN TOÀN VÀ ỨNG DỤNG TRONG PHÂN ĐOẠN ẢNH NÔNG NGHIỆP

Thông tin bài báo

Ngày nhận bài: 03/03/25 Ngày hoàn thiện: 28/03/25 Ngày đăng: 28/03/25

Các tác giả

1. Phùng Thế Huân, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
2. Lê Thu Trang , Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên

Tóm tắt

Phân đoạn ảnh là một kỹ thuật quan trọng trong việc phân tích và xử lý hình ảnh trong nông nghiệp, giúp giám sát sức khỏe cây trồng, ước tính năng suất, lập bản đồ cây trồng và quản lý tài nguyên. Các phương pháp phân đoạn ảnh truyền thống gặp phải thách thức về yêu cầu dữ liệu gắn nhãn lớn và tính phức tạp của môi trường nông nghiệp. Để giải quyết vấn đề này, bài báo đề xuất kết hợp ưu điểm của phân cụm mờ và học bán giám sát, cho phép sử dụng cả dữ liệu có nhãn và không có nhãn để cải thiện độ chính xác phân đoạn. Bài báo cũng sử dụng tập mờ bức tranh, một tập mờ mở rộng từ các tập mờ gốc, giúp biểu diễn sự không chắc chắn một cách chi tiết hơn và xử lý hiệu quả các vùng nhiễu trong dữ liệu. Khi kết hợp tập mờ bức trannh với các kỹ thuật học bán giám sát an toàn, phương pháp đề xuất đảm bảo tính chính xác cao trong phân đoạn ảnh nông nghiệp, đặc biệt trong môi trường có nhiễu và không chắc chắn. Phương pháp này mang lại những ưu điểm vượt trội so với các phương pháp hiện có, giúp giảm thiểu tác động tiêu cực của dữ liệu có nhãn và tối ưu hóa quá trình phân cụm. Kết quả cho thấy phương pháp phân cụm mờ bán giám sát an toàn với tập mờ bức tranh có thể ứng dụng hiệu quả trong phân đoạn ảnh nông nghiệp với dữ liệu phức tạp và chứa nhiễu.

Từ khóa

Phân cụm; Phân cụm mờ; Tập mờ bức tranh; Nông nghiệp; An toàn

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] S. Minaee, et al., "Image segmentation using deep learning: A survey," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 44, no. 7, pp. 3523-3542, 2021.

[2] V. Singh, N. Sharma, and S. Singh, "A review of imaging techniques for plant disease detection," Artificial Intelligence in Agriculture, vol. 4, pp. 229-242, 2020.

[3] A. K. Aggarwal and P. Jaidka, "Segmentation of crop images for crop yield prediction," International Journal of Biology and Biomedicine, vol. 7, pp. 45-52, 2022.

[4] T. H. Pham, et al., "A new picture fuzzy clustering method to segment the surface water from satellite images," (in Vietnamese), TNU Journal of Science and Technology, vol. 227, no. 16, pp. 28-36, 2022.

[5] Y. Endo, et al., "On semi-supervised fuzzy c-means clustering," in Proc. IEEE International Conference on Fuzzy Systems, 2009, pp. 1234-1240.

[6] J. C. Bezdek, R. Ehrlich, and W. Full, "FCM: The fuzzy c-means clustering algorithm," Computers & Geosciences, vol. 10, no. 2, pp. 191-203, 1984.

[7] C. C. Bui, "Picture fuzzy sets," Journal of Computer Science and Cybernetics, vol. 30, no. 4, pp. 409-416, 2014.

[8] A. K. Jain, "Data clustering: 50 years beyond K-means," Pattern Recognition Letters, vol. 31, pp. 651–666, 2010.

[9] H. Mittal, A. C. Pandey, M. Saraswat, S. Kumar, R. Pal, and G. Modwel, "A comprehensive survey of image segmentation: clustering methods, performance parameters, and benchmark datasets," Multimedia Tools and Applications, vol. 81, no. 24, pp. 1-26, 2022.

[10] S. Singh and A. H. Ganie, "Applications of picture fuzzy similarity measures in pattern recognition, clustering, and MADM," Expert Systems with Applications, vol. 168, 2021, Art. no. 114264.

[11] Z. Li, et al., "Unified K-means coupled self-representation and neighborhood kernel learning for clustering single-cell RNA-sequencing data," Neurocomputing, vol. 501, pp. 715-726, 2022.

[12] Y. Gao, Z. Wang, J. Xie, and J. Pan, "A new robust fuzzy c-means clustering method based on adaptive elastic distance," Knowledge-Based Systems, vol. 237, 2022, Art. no. 107769.

[13] J. Hu, M. Wu, L. Chen, and W. Pedrycz, "A novel modeling framework based on customized kernel-based fuzzy C-means clustering in iron ore sintering process," IEEE/ASME Transactions on Mechatronics, vol. 27, no. 2, pp. 950-961, 2021.

[14] Y. Long, et al., "Spatially informed clustering, integration, and deconvolution of spatial transcriptomics with GraphST," Nature Communications, vol. 14, no. 1, 2023, Art. no. 1155.

[15] X. Zhao, C. Fang, D. J. Fan, X. Lin, F. Gao, and G. Li, "Cross-level contrastive learning and consistency constraint for semi-supervised medical image segmentation," in Proc. IEEE 19th Int. Symp. on Biomedical Imaging (ISBI), 2022, pp. 1-5.

[16] A. Młodak, "K-means, ward and probabilistic distance-based clustering methods with contiguity constraint," Journal of Classification, vol. 38, no. 2, pp. 313-352, 2021.

[17] B. Pourasghar, H. Izadkhah, A. Isazadeh, and S. Lotfi, "A graph-based clustering algorithm for software systems modularization," Information and Software Technology, vol. 133, 2021, Art. no. 106469.

[18] X. Yang, et al., "Robust semi-supervised fuzzy clustering algorithm based on pairwise constraints," Iranian Journal of Fuzzy Systems, vol. 21, no. 3, pp. 155-175, 2024.

[19] K. Berahmand, S. Haghani, M. Rostami, and Y. Li, "A new attributed graph clustering by using label propagation in complex networks," Journal of King Saud University-Computer and Information Sciences, vol. 34, no. 5, pp. 1869-1883, 2022.

[20] T. Shahid, S. Ashraf, and D. S. Mashat, "Enhancing urban development with picture fuzzy sets: A strategic decision support framework," J. Urban Dev. Manag., vol. 2, no. 4, pp. 172-180, 2023.

[21] S. Singh and A. H. Ganie, "Applications of picture fuzzy similarity measures in pattern recognition, clustering, and MADM," Expert Systems with Applications, vol. 168, 2021, Art. no. 114264.

[22] T. H. Pham and S. H. Le, "Picture fuzzy clustering: a new computational intelligence method," Soft Computing, vol. 20, no. 9, pp. 3549-3562, 2016.

[23] S. H. Le, "DPFCM: A novel distributed picture fuzzy clustering method on picture fuzzy sets," Expert Systems with Applications, vol. 42, pp. 51–66, 2015.

[24] T. H. Pham, et al., "Picture-Neutrosophic Trusted Safe Semi-Supervised Fuzzy Clustering for Noisy Data," Computer Systems Science & Engineering, vol. 46, no. 2, pp. 1981-1997, 2023.

[25] M. Hu, et al., "Fuzzy system based medical image processing for brain disease prediction," Frontiers in Neuroscience, vol. 15, 2021, Art. no. 714318.

[26] UCI Machine Learning Repository, "Data," 2024. [Online]. Available: https://archive.ics.uci.edu/ml/index.php. [Accessed Feb. 16, 2025].

[27] Outlier Detection DataSets (ODDS), "Anomaly detection datasets," 2024. [Online]. Available: http://odds.cs.stonybrook.edu. [Accessed Feb. 16, 2025].

[28] N. Sankalana, "Rice Leaf Disease Images," 2024. [Online]. Available: https://www.kaggle.com/datasets/nirmalsankalana/rice-leaf-disease-image. [Accessed Feb. 16, 2025].

DOI: https://doi.org/10.34238/tnu-jst.12195

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ