Die Analyse der Pflanzenbilderkennung basierend auf Deep Learning und künstlichen neuronalen Netzwerken

Die Klassifizierung und Identifizierung von Pflanzen ist hilfreich, um Menschen zu ermöglichen, Pflanzen effektiv zu verstehen und zu schützen. Die Blätter von Pflanzen sind die wichtigsten Erkennungsorgane. Mit der Entwicklung der künstlichen Intelligenz und der Maschinenvisionstechnologie wird die Technologie zur Erkennung von Pflanzenblättern, die auf der Bildanalyse basiert, genutzt, um das Wissen über Pflanzenklassifikation und -schutz zu verbessern. Deep Learning ist die Abkürzung für die Lernmethode des tiefen neuronalen Netzwerks und gehört zur Struktur des neuronalen Netzwerks. Es kann automatisch Merkmale aus großen Datenmengen lernen und künstliche neuronale Netzwerke basierend auf dem Backpropagation-Algorithmus verwenden, um Pflanzenblattsamples zu trainieren und zu klassifizieren. Der Hauptinhalt dieses Papiers besteht darin, Pflanzenblattmerkmale zu extrahieren und Pflanzenarten basierend auf der Bildanalyse zu identifizieren. Zunächst werden Pflanzenblattbilder durch verschiedene Methoden segmentiert, und dann wird ein Merkmalextraktionsalgorithmus verwendet, um Blattform- und Texturmerkmale aus den Blattsample-Bildern zu extrahieren. Danach werden die umfassenden Charakterinformationen der Pflanzenblätter gemäß den umfassenden Charakterinformationen gebildet. In dieser Arbeit werden 50 Pflanzenblattdatenbanken getestet und mit der auf KNN basierenden Nachbarschaftsklassifikation, dem Kohonen-Netzwerk basierend auf dem selbstorganisierenden Merkmalszuordnungsalgorithmus und der auf SVM basierenden Support Vector Machine verglichen. Gleichzeitig wurden die Blätter von 7 verschiedenen Pflanzen verglichen und festgestellt, dass Ginkgoblätter leichter zu identifizieren sind. Für Blattbilder vor komplexem Hintergrund wurde ein guter Erkennungseffekt erzielt. Bildproben des Testdatensatzes werden in das Lernmodell eingegeben, um Rekonstruktionsfehler zu erhalten. Das Klassenlabel des Testdatensatzes kann durch Rekonstruktion des tiefen Lernmodells mit der kleinsten Fehlergruppe erhalten werden. Die Ergebnisse zeigen, dass diese Methode die kürzeste Erkennungszeit und die höchste korrekte Erkennungsrate aufweist.