TY - JOUR

T1 - АНАЛИЗ ОБРАЗЦОВ ПШЕНИЦЫ,ОСНОВАННЫЙ НА ВЫЧИСЛЕНИИ МУЛЬТИФРАКТАЛЬНОГО СПЕКТРА

AU - Муренин, Иван Николаевич

AU - Ампилова, Наталья Борисовна

PY - 2021/3/18

Y1 - 2021/3/18

N2 - В настоящее время вычислительный анализ изображений пшеницы с целью идентификации сортов пшеницы и оценкой ее качества находит много примененийв сельском хозяйстве и на производстве. В данной работе предложен и реализован подход к анализу и классификации изображений образцов пшеницы, полученныхметодом кристаллизации с добавлениями. Исходные данные представляют набор изображений из 5 различных классов, 12 изображений для каждого класса, которыепредставляют результаты экспериментов для 3 вариантов концентраций и 4 временных интервалов для каждой концентрации. Все изображения имеют довольноблизкие визуальные характеристики, что не позволяет успешно использовать такие известные методы, как статистики второго порядка.В качестве признакового описания изображений использовался мультифрактальный спектр, полученный методом вычисления так называемой локальной функцииплотности. Классификация проводилась с помощью различных методов машинного обучения, таких как линейная регрессия, наивный байесовский классификатор,машина опорных векторов и случайный лес. В некоторых случаях для сокращенияразмерности признаковых характеристик использовался метод главных компонент.Результаты классификации показали, что использование мультифрактального спектра в качестве классификационного признака и метода случайного леса в комбинации с методом главных компонент позволяет идентифицировать изображения,полученные методом чувствительной кристаллизации, с наибольшей средней точностью классификации в 74%.

AB - В настоящее время вычислительный анализ изображений пшеницы с целью идентификации сортов пшеницы и оценкой ее качества находит много примененийв сельском хозяйстве и на производстве. В данной работе предложен и реализован подход к анализу и классификации изображений образцов пшеницы, полученныхметодом кристаллизации с добавлениями. Исходные данные представляют набор изображений из 5 различных классов, 12 изображений для каждого класса, которыепредставляют результаты экспериментов для 3 вариантов концентраций и 4 временных интервалов для каждой концентрации. Все изображения имеют довольноблизкие визуальные характеристики, что не позволяет успешно использовать такие известные методы, как статистики второго порядка.В качестве признакового описания изображений использовался мультифрактальный спектр, полученный методом вычисления так называемой локальной функцииплотности. Классификация проводилась с помощью различных методов машинного обучения, таких как линейная регрессия, наивный байесовский классификатор,машина опорных векторов и случайный лес. В некоторых случаях для сокращенияразмерности признаковых характеристик использовался метод главных компонент.Результаты классификации показали, что использование мультифрактального спектра в качестве классификационного признака и метода случайного леса в комбинации с методом главных компонент позволяет идентифицировать изображения,полученные методом чувствительной кристаллизации, с наибольшей средней точностью классификации в 74%.

KW - анализ изображений пшеницы

KW - мультифрактальный спектр

KW - метод чувствительной кристаллизации

KW - классификация изображений

UR - https://www.elibrary.ru/item.asp?id=47143923

M3 - статья

SP - 5

EP - 20

JO - КОМПЬЮТЕРНЫЕ ИНСТРУМЕНТЫ В ОБРАЗОВАНИИ

JF - КОМПЬЮТЕРНЫЕ ИНСТРУМЕНТЫ В ОБРАЗОВАНИИ

SN - 2071-2340

IS - 1

ER -