• 한국멀티미디어학회논문지
• /
• 제21권5호
• /
• pp.571-582
• /
• 2018

Recently, development of deep learning has shown better image classification result than human. According to recent research, a hidden layer of deep learning is deeper, and a preservation of extracted features shows good results. However, in the case of general images, the extracted features are clear and easy to sort. This study aims to classify plant leaf images. This plant leaf image has high similarity in each image. Since plant leaf images have high similarity not only between images of different species but also within the same species, classification accuracy is not increased by simply extending the hidden layer or connecting the layers. Therefore, in this paper, we tried to improve the hidden layer of the algorithm called DenseNet which shows the recent excellent classification results, and compare the results of several different modified layers. The proposed method makes it possible to classify plant leaf images collected in a natural environment more easily and accurately than conventional methods. This results in good classification of plant leaf image data including unnecessary noise obtained in a natural environment.

• Journal of Information Processing Systems
• /
• 제16권3호
• /
• pp.663-676
• /
• 2020

Plant leaf classification is a significant application of image processing techniques in modern agriculture. In this paper, a multi-granular angle description method is proposed for plant leaf classification and retrieval. The proposed method can describe leaf information from coarse to fine using multi-granular angle features. In the proposed method, each leaf contour is partitioned first with equal arc length under different granularities. And then three kinds of angle features are derived under each granular partition of leaf contour: angle value, angle histogram, and angular ternary pattern. These multi-granular angle features can capture both local and globe information of the leaf contour, and make a comprehensive description. In leaf matching stage, the simple city block metric is used to compute the dissimilarity of each pair of leaf under different granularities. And the matching scores at different granularities are fused based on quotient space theory to obtain the final leaf similarity measurement. Plant leaf classification and retrieval experiments are conducted on two challenging leaf image databases: Swedish leaf database and Flavia leaf database. The experimental results and the comparison with state-of-the-art methods indicate that proposed method has promising classification and retrieval performance.

• International Journal of Computer Science & Network Security
• /
• 제24권8호
• /
• pp.72-84
• /
• 2024

Plant leaf classification is an imperative task when their use in real world is considered either for medicinal purposes or in agricultural sector. Accurate identification of plants is, therefore, quite important, since there are numerous poisonous plants which if by mistake consumed or used by humans can prove fatal to their lives. Furthermore, in agriculture, detection of certain kinds of weeds can prove to be quite significant for saving crops against such unwanted plants. In general, Artificial Neural Networks (ANN) are a suitable candidate for classification of images when small datasets are available. However, these suffer from local minima problems which can be effectively resolved using some global optimization techniques. Considering this issue, the present research paper presents an automated plant leaf classification system using optimized soft computing models in which ANNs are optimized using Grasshopper Optimization algorithm (GOA). In addition, the proposed model outperformed the state-of-the-art techniques when compared with simple ANN and particle swarm optimization based ANN. Results show that proposed GOA-ANN based plant leaf classification system is a promising technique for small image datasets.

• Journal of Biosystems Engineering
• /
• 제22권1호
• /
• pp.30-40
• /
• 1997

A computer vision system was built to automatically grade the leaf tobacco. A color image processing algorithm was developed to extract shape, color and texture features. An improved back propagation algorithm in an artificial neural network was applied to grade the Burley type dried leaf tobacco. The success rate of grading in three-grade classification(1, 3, 5) was higher than the rate of grading in six-grade classification(1, 2, 3, 4, 5, off), on the average success rate of both the twenty-five local pixel-set and the sixteen local pixel-set. And, the average grading success rate using both shape and color features was higher than the rate using shape, color and texture features. Thus, the texture feature obtained by the spatial gray level dependence method was found not to be important in grading leaf tobacco. Grading according to the shape, color and texture features obtained by machine vision system seemed to be inadequate for replacing manual grading of Burely type dried leaf tobacco.

• 대한원격탐사학회지
• /
• 제26권2호
• /
• pp.87-98
• /
• 2010

한반도 전역과 같은 상대적으로 넓은 지역의 정확한 분류를 위해서는 단일 영상 분류 후 영상정합 방식보다는 영상 정합 후 분류방법이 보다 정확하다. 또한 다중시기 정보는 분류에 매우 유용하게 사용될 수 있다. 본 연구에서는 한반도 전역을 대상으로 최적의 Landsat ETM+ 영상정합 방식을 제시하였다. 한반도 전역에 대해 2000년부터 2001년까지 획득된 총 65개의 Landsat ETM+영상을 이용하여 낙엽기, 이앙기, 개엽기 각각 정합 영상을 제작하였다. 이때 보다 정확한 영상정합을 위해 히스토그램 매칭, 중앙영상을 기준으로 한 1차 회귀식적용방법, Landsat 촬영 패스별로 적용한 1차 회귀식 적용방법, 총 세 가지 상대복사보정 방법을 적용하였다. 적용 결과, 패스별 상대복사보정한 결과가 그 보정 효과가 크면서, 높은 분류 정확도를 나타냈다. 또한 시기별 정합영상을 살펴보면, 개엽기의 정합영상이 타시기에 비해 상대적으로 인접한 영상 간 지표물의 변이가 다양하게 나타나는 것을 볼 수 있었다.

• 한국측량학회지
• /
• 제11권1호
• /
• pp.55-60
• /
• 1993

자연 생태계의 일부분으로 발생한 삼림은 공기를 맑게하고 수자원을 보존하며, 번식과 멸종의 방지, 휴식공간 제공 그리고 인간생활 환경을 형성하고 보존시키는 역할을 수행한다. 본 연구에서 원격탐사 자료를 이용하여 삼림식생을 분류한 것은 침염수, 활엽수, 농경지 및 초지, 물의 네 가지로 삼림식생정보를 분류하였다. TM 수치영상을 컴퓨터를 이용하여 분류할 경우, 물지역의 특성 값은 제 4밴드에서 7-13 D.N으로 나타났다. 그러나 침엽수, 활엽수, 농경지 및 초지는 모두 비슷한 특성 값이 나타나므로 화상처리를 해야했다. 화상처리를 제 2밴드와 제 3밴드를 합성한 영상을 비연산처리한 결과, 제 3밴드로부터 활엽수 지역은 72-91의 D.N으로 나타나고, 제 1밴드에서의 침엽수 지역은 l18∼136, 제 3밴드에서의 농경지 및 초지는 96-120의 D.N에서 일치하였다. 또한 최대 우도법으로 분류한 결과와 TM 수치영상의 현지답사에 대한 비교오차를 구한 결과 침엽수, 활엽수, 농경지와 초지 및 물에서 각각 －7.43%, ＋1.89%, ＋7.58%, -2.04%의 분류 정확도를 얻었다. 결론적으로 이 결과는 원격탐사 자료를 이용한 삼림식생분류가 매우 유용한 것임이 입증되었다.

• 한국인터넷방송통신학회논문지
• /
• 제17권5호
• /
• pp.97-102
• /
• 2017

최근 고해상도 원격탐사 자료의 분류방안으로 컨볼루션 신경망(Convolutional Neural Networks)을 비롯한 딥 러닝 기법들이 소개되고 있다. 본 논문에서는 드론으로 촬영된 농경지 영상의 작물 분류를 위해 컨볼루션 신경망을 적용하여 가능성을 검토하였다. 농경지를 논, 고구마, 고추, 옥수수, 깻잎, 과수, 비닐하우스로 총 7가지 클래스로 나누고 수동으로 라벨링 작업을 완료했다. 컨볼루션 신경망 적용을 위해 영상 전처리와 정규화 작업을 수행하였으며 영상분류 결과 98%이상 높은 정확도를 확인할 수 있었다. 본 논문을 통해 기존 영상분류 방법들에서 딥 러닝 기반 영상분류 방법으로의 전환이 빠르게 진행될 것으로 예상되며, 그 성공 가능성을 확신할 수 있었다.

• 방송공학회논문지
• /
• 제25권2호
• /
• pp.208-217
• /
• 2020

원예작물을 카메라로 촬영하여 병해충의 종류를 판단하려는 연구가 오랫동안 있어왔다. 일반적으로 영역분할로 병해충 영역을 추출하고, 통계적 특징을 추출한 후 다양한 기계학습 기법으로 병해충 종류를 판단한다. 최근에는 딥러닝의 종단간 학습으로 병해충을 판별하는 연구가 많이 진행되고 있다. 영역분할은 조명 등의 주변 환경 변화에 따라 만족스러운 성능이 어렵고, 전체 잎 영상을 사용하는 종단간 신경망은 학습 영상과 실제 영상과의 차이 때문에 실제 적용이 어려운 문제가 있다. 이를 해결하기 위해서 본 논문에서는 수퍼픽셀 및 합성곱신경망을 이용하는 병해충 분류 방법을 제안한다. 실험에서는 PlantVilllage의 사과 병충해 영상들을 이용하여 실험한 결과, 분류정확도는 전체영상과 수퍼픽셀이 각각 (98.29, 92.43)%이고, 다변량 F1-score는 각각 (0.98. 0.93)이다. 제안하는 수퍼픽셀 기법은 성능 측면에서 약간 저하되지만, 현실적으로 실제 환경에서 적용 가능함을 확인하였다.

• 생물환경조절학회지
• /
• 제33권1호
• /
• pp.1-11
• /
• 2024

이 연구에서는 Inception V3, SqueezeNet(local), VGG-16, Painters 및 DeepLoc의 다섯 가지 인공지능(AI) 모델을 사용하여 차나무 잎의 병해를 분류하였다. 여덟 가지 이미지 카테고리를 사용하였는데, healthy, algal leaf spot, anthracnose, bird's eye spot, brown blight, gray blight, red leaf spot, and white spot였다. 이 연구에서 사용한 소프트웨어는 데이터 시각적 프로그래밍을 위한 파이썬 라이브러리로 작동하는 Orange3였다. 이는 데이터를 시각적으로 조작하여 분석하기 위한 워크플로를 생성하는 인터페이스를 통해 작동되었다. 각 AI 모델의 정확도로 최적의 AI 모델을 선택하였다. 모든 모델은 Adam 최적화, ReLU 활성화 함수, 은닉 레이어에 100개의 뉴런, 신경망의 최대 반복 횟수가 200회, 그리고 0.0001 정규화를 사용하여 훈련되었다. Orange3 기능을 확장하기 위해 새로운 이미지 분석 Add-on을 설치하였다. 훈련 모델에서는 이미지 가져오기(import image), 이미지 임베딩(image embedding), 신경망(neural network), 테스트 및 점수(test and score), 혼동 행렬(confusion matrix) 위젯이 사용되었으며, 예측에는 이미지 가져오기(import image), 이미지 임베딩(image embedding), 예측(prediction) 및 이미지 뷰어(image viewer) 위젯이 사용되었다. 다섯 AI 모델[Inception V3, SqueezeNet(로컬), VGG-16, Painters 및 DeepLoc]의 신경망 정밀도는 각각 0.807, 0.901, 0.780, 0.800 및 0.771이었다. 결론적으로 SqueezeNet(local) 모델이 차나무 잎 이미지를 사용하여 차병해 탐색을 위한 최적 AI 모델로 선택되었으며, 정확도와 혼동 행렬을 통해 뛰어난 성능을 보였다.

• International Journal of Computer Science & Network Security
• /
• 제21권2호
• /
• pp.205-211
• /
• 2021

Plants are important for humanity. They intervene in several areas of human life: medicine, nutrition, cosmetics, decoration, etc. The large number of varieties of these plants requires an efficient solution to identify them for proper use. The ease of recognition of these plants undoubtedly depends on the classification of these species into family; however, finding the relevant characteristics to achieve better automatic classification is still a huge challenge for researchers in the field. In this paper, we have developed a new automatic plant classification technique based on artificial neural networks. Our model uses leaf texture characteristics as parameters for plant family identification. The results of our model gave a perfect classification of three plant families of the Ivorian flora, with a determination coefficient (R2) of 0.99; an error rate (RMSE) of 1.348e-14, a sensitivity of 84.85%, a specificity of 100%, a precision of 100% and an accuracy (Accuracy) of 100%. The same technique was applied on Flavia: the international basis of plants and showed a perfect identification regression (R2) of 0.98, an error rate (RMSE) of 1.136e-14, a sensitivity of 84.85%, a specificity of 100%, a precision of 100% and a trueness (Accuracy) of 100%. These results show that our technique is efficient and can guide the botanist to establish a model for many plants to avoid identification problems.