Konwersja graficznych danych empirycznych do postaci zbiorów uczących w procesie neuronowej identyfikacji szkodników jabłoni

• Autorzy: Majewski A.

Warianty tytułu

EN

Empirical graphics data conversion to learning sets in apple-tree pests neural identification process

• Języki publikacji: PL

Abstrakty

PL

Szkodliwość oddziaływania owadów na rośliny uprawne polega przede wszystkim na ich żerowaniu. Fakt ten powoduje daleko posunięte zmiany w morfologii i fizjologii roślin, co w efekcie końcowym prowadzi do ich zamierania. Żeby prawidłowo oznaczyć szkodnika, trzeba mieć możliwość identyfikacji cech kluczowych. Cechy te umiejscowione są na rozmaitych częściach ciała. Wymaga to jednak sporej wiedzy i dobrego rozeznania w grupach. Dotychczasowe metody identyfikacji owadów opierają się na rozpoznawaniu za pomocą kluczy. Klucze używane przez badaczy są ściśle dopasowane do danego osobnika. W zależności od rodzaju czy gatunku szkodnik może być opisany za pomocą setek a nawet tysięcy kluczy, co świadczy o trudności i czasochłonności w ich oznaczaniu. Sztuczne sieci neuronowe ze względów technicznych są uproszczonym symulatorem pracy ludzkiego mózgu posiadając jego cechy. Potrafią się uczyć, są mało wrażliwe na niekompletną informację wejściową przetwarzają wprowadzone sygnały i podają na wyjściu wyniki w czasie rzeczywistym [2]. Wskazane właściwości oraz analizy podczas badań pozwalają przypuszczać, że SNN mogą wykonać zadanie identyfikacji podobnie jak człowiek. Dzięki takiemu zautomatyzowaniu procesu identyfikacji udałoby się wyeliminować współczynnik obiektywizmu.

EN

The mischievous of insects is mostly about their preying on the cultivated plants. In order to identify a pest correctly, one has to have the ability to identify its key characteristics. These are placed all over the insects corpse. A pest can be described by hundreds or even thousands of 'keys' - depending on the kind or species - what proves how difficult and time-consuming the identification is. ANN (Artificial Neural Networks) can learn, are less sensible to incomplete incoming information, they are processing entered signals and give results in actual time. The above properties and the analysis during the research allow to make a conclusion that ANN may do the identification task similarly to a human being. Thanks to such identification process automation it could be possible to eliminate the objectivism factor.

Słowa kluczowe

PL

szkodnik; identyfikacja neuronowa; sztuczna sieć neuronowa; SSN

EN

pest; neural identification process; artificial neural network; ANN

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2007
• Tom: Vol. 52, nr 1
• Strony: 37--40
• Opis fizyczny: Bibliogr. 5 poz., rys.

Twórcy

autor

Majewski A.

• Akademia Rolnicza im. Augusta Cieszkowskiego w Poznaniu, Instytut Inżynierii Rolniczej

Bibliografia

• [1] Marciniak A., Korbicz J. (1999): Diagnozowanie dynamicznych obiektów nieliniowych z wykorzystaniem statycznych sieci neuronowych. - Mat. XIII Krajowej Konferencji Automatyki.
• [2] Tadeusiewicz R., Flasiński M. (1991): Rozpoznawanie obrazów - Warszawa PWN.
• [3] Malina W., Smiatacz M.(2005): Metody cyfrowego przetwarzania obrazów - Wydawnictwo ELIT.
• [4] Ryszard S. Choraś (2005): Komputerowa wizja. Metody interpretacji i identyfikacji obiektów - Wydawnictwo EXIT.
• [5] Boniecki P., Piekarska_Boniecka H. (2004): Neuronowa identyfikacja wybranych szkodników drzew owocowych w oparciu o analizę obrazu - Journal of Research and Applications in Agricultural Engineering, Vol. 49(3), str. 25 - 30.