NHẬN DẠNG CÂY DỰA TRÊN PHƯƠNG PHÁP KẾT HỢP MUỘN CÓ GÁN TRỌNG SỐ | Nhàn | TNU Journal of Science and Technology

NHẬN DẠNG CÂY DỰA TRÊN PHƯƠNG PHÁP KẾT HỢP MUỘN CÓ GÁN TRỌNG SỐ

Thông tin bài báo

Ngày nhận bài: 29/01/21                Ngày hoàn thiện: 28/02/21                Ngày đăng: 28/02/21

Các tác giả

1. Nguyễn Thị Thanh Nhàn Email to author, Trường Đại học Công nghệ Thông tin và Truyền thông – ĐH Thái Nguyên
2. Nguyễn Thu Hương, Trường Đại học Công nghệ Thông tin và Truyền thông – ĐH Thái Nguyên

Tóm tắt


Bài toán nhận dạng cây tự động dựa trên hình ảnh hiện nay đang rất được quan tâm, mục đích hỗ trợ người dùng có khả năng nhận diện được các loài cây để sử dụng hợp lý và bảo tồn sự đa dạng của thực vật. Thách thức với bài toán nhận dạng cây là sự tương tự lớn giữa các loài, đặc biệt khi nhận dạng số lượng loài lớn. Trong nghiên cứu này, chúng tôi phát triển một phương pháp nhận dạng cây dựa trên việc sử dụng phương pháp kết hợp muộn các kết quả nhận dạng cây trên các bộ phận khác nhau của cây. Chúng tôi gán trọng số ưu tiên theo bộ phận/ theo loài cho các độ tin cậy trả về theo mỗi mô hình. Bộ phận/loài nào có kết quả nhận dạng tốt hơn sẽ được gán trọng số cao hơn. Mạng học sâu GoogLeNet được sử dụng để nhận dạng cây dựa trên từng bộ phận. Các thực nghiệm được áp dụng cho kết hợp từ hai cho đến sáu bộ phận của cây theo các bộ phận lá, hoa, quả, thân, cành, toàn bộ cây. Các kết quả thực nghiệm đã chỉ ra hiệu quả của phương pháp đề xuất, vượt trội hơn so với một số phương pháp khác. Phương pháp đề xuất đạt kết quả tốt nhất khi kết hợp hai, ba, bốn, năm và sáu bộ phận đạt được lần lượt là 96,0%, 98,2%, 98,8%, 99,0% và 99,2%.


Từ khóa


Kết hợp muộn; Luật nhân; Nhận dạng cây; Mạng nơ ron tích chập; Trọng số ưu tiên

Toàn văn:

PDF

Tài liệu tham khảo


[1] W. Jana and P. Mäder, "Plant species identification using computer vision techniques: A systematic literature review," Archives of Computational Methods in Engineering, vol. 25, no. 2, pp. 507-543, 2018.

[2] H. Goëau, P. Bonnet, and A. Joly, "Lifeclef plant identification task 2015," in CEUR-WS (Ed.), CLEF: Conference and Labs of the Evaluation forum, vol. 1391 of CLEF2015 Working notes, Toulouse, France, 2015.

[3] H. Goëau, P. Bonnet, and A. Joly, “Plant identification in an open-world (lifeclef 2016),” CLEF working notes 2016, pp. 428-439.

[4] H. Goëau, P. Bonnet, and A. Joly, “Plant identification based on noisy web data: the amazing performance of deep learning (lifeclef 2017),” CEUR Workshop Proceedings, 2017.

[5] J. Kittler, M. Hatef, R. P. Duin, and J. Matas, “On combining classifiers,” IEEE transactions on pattern analysis and machine intelligence, vol. 20, no. 3, pp. 226-239, 1998.

[6] T. T. N. Nguyen, T. L. Le, and H. Vu, “Do we need multiple organs for plant identification?” 2020 International Conference on Multimedia Analysis and Pattern Recognition (MAPR), IEEE, 2020, pp. 1-6.

[7] A. He, and X. Tian, “Multi-organ plant identification with multi-column deep convolutional neural networks,” 2016 IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2016, pp. 002020-002025.

[8] H. T. Vo, G.-H. Yu, T. V. Dang, and J. -Y. Kim, "Late fusion of multimodal deep neural networks for weeds classification," Computers and Electronics in Agriculture, vol. 175, 2020, Art. no. 105506.

[9] A. Jain, K. Nandakumar, and A. Ross, "Score normalization in multimodal biometric systems," Pattern recognition, vol. 38, no. 12, pp. 2270-2285, 2005.

[10] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich, “Going deeper with convolutions,” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015, pp. 1-9.


Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved