Neural networks type MLP in the process of identification of chosen varieties of maize

• Autorzy: Boniecki P. , Nowakowski K. , Tomczak R. J.

Warianty tytułu

PL

Sieci neuronowe typu MLP w procesie identyfikacji wybranych odmian kukurydzy

• Języki publikacji: EN

Abstrakty

EN

During the adaptation process of the weights vector that occurs in the iterative presentation of the teaching vector, the MLP type artificial neural network (Multi Layer Perception) attempts to learn the structure of the data. Such a network can learn to recognize aggregates of input data occurring in the input data set regardless of the assumed criteria of similarity and the quantity of the data explored. The MLP type neural network can be also used to detect regularities occurring in the obtained graphic empirical data. The neuronal image analysis is then a new field of digital processing of signals. It is possible to use it to identity chosen objects given in the form of bit map. If at the network input, a new unknown case appears which the network is unable to recognize, it means that it is different from all the classes known previously. The MLP type artificial neural network taught in this way can serve as a detector signaling the appearance of a widely understood novelty. Such a network can also look for similarities between the known data and the noisy data. In this way, it is able to identity fragments of images presented in photographs of e.g. maize grain. The purpose of the research was to use the MLP neural networks in the process of identification of chosen varieties of maize applying the image analysis method. The neuronal classification shapes of grains was performed with the use of the Johan Gielis super formula.

PL

Podczas iteracyjnej korekcji wektora wag, zachodzącej w trakcie procesu uczenia sieci neuronowej typu MLP (perceptron wielowarstwowy), następuje adaptacja (przez tworzony model neuronowy) wiedzy zawartej w strukturze analizowanych danych. W badaniach prowadzonych w dyscyplinie inżynieria rolnicza, istotne znaczenie ma proces pozyskiwania informacji zakodowanej w postaci graficznej, np. w formie zdjąć cyfrowych. Często zmiennymi reprezentatywnymi, które w sposób wystarczający charakteryzują zobrazowany obiekt, są wybrane współczynniki kształtu. Celem badań było wykorzystanie sieci neuronowych typu MLP w procesie identyfikacji wybranych odmian kukurydzy z wykorzystaniem metod analizy obrazu. Wykorzystana metoda klasyfikacji polegała na rozpoznawaniu różnic kształtów analizowanych obiektów. Neuronowa identyfikacja została wykonana z użyciem super formuły Johana Gielisa.

Słowa kluczowe

EN

neural networks type MLP; identification; maize; variety

PL

sieci neuronowe typu MLP; identyfikacja; odmiana; kukurydza

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Journal of Research and Applications in Agricultural Engineering
• Rocznik: 2011
• Tom: Vol. 56, nr 1
• Strony: 11--13
• Opis fizyczny: Bibliogr. 7 poz.

Twórcy

autor

Boniecki P.

autor

Nowakowski K.

autor

Tomczak R. J.

• Uniwersytet Przyrodniczy w Poznaniu, Instytut Inżynierii Rolniczej ul. Wojska Polskiego 50, 60-637 Poznań,

Bibliografia

• [1] Boniecki P., Weres J.: The utilization neural networks tech-nique to expectation of size gatherings chosen agricultural fe-tuses. Journal of Research and Applications in Agricultural Engineering, 2003, Vol. 48(4), 56-60.
• [2] Boniecki P.: Neural networks of MLP and RBF type as complementary approximate models in the triticale crop prediction process", Journal of Research and Applications in Agricultural Engineering, 2004, Vol. 49(1), 28-33.
• [3] Boniecki P., Olszewski T.: Neuronal modeling of selected agricultural objects with usage of Johan Gielis' super shape", Journal of Research and Applications in Agricultural Engineering, 2008, Vol. 53(1), 22-26.
• [4] Cieślar K.: Superformula", Paper Foton, Institute of Physics of Cracow University, Cracow, in Polish, (2004).
• [5] Nowakowski K., "Neural identification of selected mechanical damage to kernels", Ph.D. dissertation: Nowakowski K., Poznań, in Polish, 2008.
• [6] Osowski S., "Neural networks for processing information", Publishing house of Warsaw Technical University, Warsaw, in Polish, 2000.
• [7] Tadeusiewicz R., Lula P., "Statistica Neural Networks PL: Introduction to neural networks", StatSoft Poland, Cracow, in Polish, 2001.