طبقهبندی تصاویر برگ گیاهان با پسزمینه پیچیده با استفاده از الگوریتمهای بهینهسازی کلونی مورچگان و شبکه عصبی
طبقهبندی تصاویر برگ گیاهان با پسزمینه پیچیده با استفاده از الگوریتمهای بهینهسازی کلونی مورچگان و شبکه عصبی
مهدی حسینپور1 تورج محمدپور2
1) کارشناسی ارشد مهندسی کامپیوتر- نرمافزار، واحد آیت الله آملی، دانشگاه آزاد اسلامی، آمل، ایران
2) استادیار، گروه مهندسی کامپیوتر، واحد آیت الله آملی، دانشگاه آزاد اسلامی، آمل، ایران
کد IOI مقاله
:
AAHD-ABEBDC
محل انتشار :
کنفرانس ملی فناوری اطلاعات، نانوتکنولوژی، هوش مصنوعی و آینده پژوهی فناوری (itnaf.ir)
چکیده :
طبقه¬بندی تصاویر برگ گیاهان می¬تواند بهعنوان یکی از گام¬های اساسی در جهت کشاورزی هوشمند در نظر گرفته شود. در مسئله طبقهبندی تصاویر برگ گیاهان با پسزمینه پیچیده، میباست از میان مجموعه ویژگی¬های موجود، بهترین ویژگی¬ها بهمنظور طبقه¬بندی تصاویر انتخاب شوند. مسئله انتخاب ویژگی¬های برتر از میان کل مجموعه ویژگیها، یک مسئله بهینه¬سازی بوده و میتوان از الگوریتم¬های هوشمند برای حل آن استفاده نمود. در این مقاله، یک روش ترکیبی مبتنی بر الگوریتمهای بهینهسازی کلونی مورچگان و شبکه عصبی، برای مسئله طبقه¬بندی تصاویر برگ گیاهان دارای پسزمینه پیچیده ارائه میشود. بطورکلی، برگ گیاهان را می¬توان به دو کلاس اصلی گیاهان با برگ ساده و گیاهان با برگ پیچیده تقسیمبندی نمود. روش ترکیبی پیشنهادی بر روی مجموعه داده استاندارد برگ که دارای دو کلاس گیاهان با برگ ساده و برگ پیچیده می¬باشد، پیادهسازی میشود. در این راستا، سه سناریو اجرایی مختلف در نظر گرفته شده است. سناریوهای اجرایی با معیارهای میزان خطای میانگین مربعات، دقت تشخیص و نرخ خطا مورد ارزیابی قرار گرفته و بهترین سناریو اجرایی بهعنوان سناریو نهایی انتخاب میشود. در نهایت، از طبقهبندهای درخت تصمیم، جنگل تصادفی و K-نزدیکترین همسایه برای مقایسه با روش پیشنهادی استفاده میشود. نتایج بهدست آمده از شبیهسازی نشان میدهد که ترکیب الگوریتم کلونی مورچگان و شبکه عصبی، از عملکرد بهتری در مقایسه با سایر روشها برخوردار است.
کلمات کلیدی : الگوریتم بهینهسازی کلونی مورچگان بهینهسازی شبکههای عصبی طبقهبندی تصاویر برگ گیاهان