Plant identification using deep convolutional networks based on principal component analysis
Ana bileşen analizine dayalı derin konvolüsyonel ağ kullanımıyla bitki tanımlama
- Tez No: 418601
- Danışmanlar: Assoc. Prof. Dr. AYŞE BERRİN YANIKOĞLU YEŞİLYURT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Electrical and Electronics Engineering, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2015
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Gıda endüstrisi, tarım, farmakoloji ve iklim kontrolü gibi çeşitli alanlardaki kullanımıyla, bitkiler insan yaşamı bakımından çok önemlidir. Ot ve bitki türlerinde muazzam bir çeşitlilik görülmesi, üstelik yeterli niteliklere sahip botanistlerin sayıca bir hayli az olması nedeniyle son yıllarda otomatik bitki tanımlama sistemlerine duyulan ihtiyaç artmıştır. Nesne tanıma teknolojisindeki en zor sorunlardan birine çözüm getirmeyi amaçlayan otomatik bitki tanımlama, otomatik öğrenme ve bilgisayarla görme algoritmalarını kullanarak bir görselde yer alan bitkiyi bilinen text veya türe atamayı hedefler. Ancak tanıma işlemi bitki ailelerindeki sınıflararası benzerlikler ve arka plan, örtme, poz, renk ve aydınlatmadaki sınıf içi varyasyonlar nedeniyle zorlaşır. Bu tezde, derin konvolüsyonel ağ bazlı otomatik bitki tanımlama sistemi çözümü önerilmektedir. Gözetimsiz öğrenim yaklaşımına dayanan sistem, basit bir temel kullanarak görsel parçalarına Ana Bileşenl Analizi (ABA) uygulayıp ağ ağırlıklarını öğrenir. Çok aşamalı ABA filtre öbekleri öğrenildikten sonra, çıkış haritalarında basit ikili kıyım gerçekleştirilir. Ardından haritalarda maksimum havuzlama ile altörneklem elde edilir. Son olarak altörneklem ile elde edilen verilere uzamsal piramit birleştirmesi uygulanarak blok histogramdan özellik detayları çıkarılır. Bunun ardından, çok sınıflı lineer destek vektör makinesi farklı türleri sınıflandırmak üzere eğitilir. Sistem performansı, LifeCLEF 2014 bitki tanımlama veri kümeleri üzerinde sınıfland-ırma doğruluğu ve ters sıralama puanına ek olarak, poz (translasyon, ölçeklendirme, ve döndürme) ve aydınlatma varyasyonlarına karşı dayanıklılık bakımından değerlendirilmi-ştir. Elde ettiğimiz sonuçlar, LifeCLEF 2014 kampanyasına gönderilen en iyi sistemlerde elde edilen sonuçlar ile karşılaştırıldığında; Genel, Dal, Meyve, Yaprak, Taranmış Yaprak ve Kök kategorilerinde ikinci, Çiçek kategorisinde ise üçüncü sırayı denk gelmektedir; üstelik birinci sırayı alan sistem(ler)e kıyasla daha basit bir mimari kullandığımız ve hesaplama karmaşıklığının da daha düşük olduğu görülmektedir. En yüksek doğruluk oranını ise 0,6157 ters sıralama puanı ve 68,25% sınıflandırma doğruluğu elde ettiğimiz taranmış yaprak kategorisinde yakaladığımız anlaşılmıştır.
Özet (Çeviri)
Plants have substantial effects in human vitality through their different uses in agriculture, food industry, pharmacology, and climate control. The large number of herbs and plant species and shortage of skilled botanists have increased the need for automated plant identification systems in recent years. As one of the challenging problems in object recognition, automatic plant identification aims to assign the plant in an image to a known taxon or species using machine learning and computer vision algorithms. However, this problem is challenging due to the inter-class similarities within a plant family and large intra-class variations in background, occlusion, pose, color, and illumination. In this thesis, we propose an automatic plant identification system based on deep convolutional networks. This system uses a simple baseline and applies principal component analysis (PCA) to patches of images to learn the network weights in an unsupervised learning approach. After multi-stage PCA filter banks are learned, a simple binary hashing is applied to output maps and the obtained maps are subsampled through max-pooling. Finally, the spatial pyramid pooling is applied to the downsampled data to extract features from block histograms. A multi-class linear support vector machine is then trained to classify the different species. The system performance is evaluated on the plant identification datasets of LifeCLEF 2014 in terms of classification accuracy, inverse rank score, and robustness against pose (translation, scaling, and rotation) and illumination variations. A comparison of our results with those of the top systems submitted to LifeCLEF 2014 campaign reveals that our proposed system would have achieved the second place in the categories of Entire, Branch, Fruit, Leaf, Scanned Leaf, and Stem, and the third place in the Flower category while having a simpler architecture and lower computational complexity than the winner system(s). We achieved the best accuracy in scanned leaves where we obtained an inverse rank score of 0.6157 and a classification accuracy of 68.25$\%$.
Benzer Tezler
- Görüntü işleme tabanlı bitki türleri ve hastalıkları tanıma
Image processing based plant species and diseases recognition
MUAMMER TÜRKOĞLU
Doktora
Türkçe
2019
Bilim ve Teknolojiİnönü ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. DAVUT HANBAY
- Identification of butterfly species using machine learning and image processing techniques
Makine öğrenmesi ve görüntü işleme teknikleri kullanılarak kelebeklerin tanımlanması
AYAD SAAD ALMRYAD
Doktora
İngilizce
2020
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ HAKAN KUTUCU
- CNN-based text-independent automatic speaker identification
Evrişimsel sinir ağı tabanlı metinden bağımsız otomatik konuşmacı tanılama
MANDANA FASOUNAKI
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Scorenet: Derin kaskat skor seviyesi füzyonu ile kısıtlanmamış görüntüler üzerinden kulak tanıma
Scorenet: Unconstrained ear recognition with deep cascade score level fusion
ÜMİT KAÇAR
Doktora
Türkçe
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. MÜRVET KIRCI
- Style-based generative adversarial networks for enhancing deep-learning-based person re-identification
Derin öğrenme tabanlı kişi yeniden tanımlamak için stil tabanlı üretici çekişmeli (adversarıal) ağlar
SALEH HUSSIN SALEM HUSSIN
Doktora
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara Yıldırım Beyazıt ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. REMZİ YILDIRIM