Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: LVQ neural networks

Sortuj według:

Ogranicz wyniki do:

An image segmentation method to reveal regions of stress manifestation in stained cucurbits' leaves using LVQ neural network

Gocławski J., Sekulska-Nalewajko J.

Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

2011

T. 15, z. 3

105-118

In the paper an image segmentation method has been presented, which enables to detect cucurbits' leaves stress manifestation featured by the accumulation of reactive oxygen species (ROS) like hydrogen peroxide (H2O2) or superoxide anion radical (O2 ). After specific leaf staining the regions can be distinguished in colour space from the intact leaf parts. The proposed algorithm, developed in MATLAB environment, includes the segmentation of scanned leaf images with selected background, the exclusion of certain leaf parts and the classification of reminded leaf blade image pixels in H, S (hue, saturation) colour space. The classification is based on LVQ type neural network with several neurons in an internal layer and two neurons in an output layer, which represent image pixels of stained and unstained tissue respectively. The network learning process uses representative leaf image pixel data and binary template images of stress manifestation regions prepared manually by specialists. The classifier was 5-fold cross validated with the pixel H, S data of learned image and validated with the data of other images (with templates). The computed classification errors have been included. The experiments of stress regions detection carried out for the series of 12 images gave a few percent errors compared to manual classification.

W artykule przedstawiono metodę segmentacji obrazów, która pozwala wykrywać obszary ujawniania się stresu na liściach roślin dyniowatych charakteryzujących się akumulacją reaktywnych form tlenu (ROS), takich jak woda utleniona (H2O2) lub anionorodnik ponadtlenkowy (O2). W następstwie specyficznego wybarwiania obszary te dają się odróżnić od nietkniętych części liścia w przestrzeni koloru. Proponowany algorytm, opracowany w środowisku MATLAB, obejmuje segmentację obrazów liści zeskanowanych na wybranym tle, wyłączanie pewnych partii liścia z dalszej analizy i klasyfikację pozostałych pikseli obrazu blaszki liścia w przestrzeni H, S (odcień, nasycenie). Klasyfikacja bazuje na sieci neuronowej typu LVQ z kilkoma neuronami w warstwie wewnętrznej i dwoma neuronami warstwy wyjściowej, reprezentującymi piksele obrazu odpowiadające wybarwionej i niewybarwionej tkance liścia. Proces uczenia się sieci wykorzystuje dane pikseli reprezentatywnych obrazów i binarne wzorce klasyfikacji obszarów ujawniania stresu przygotowane manualnie przez specjalistów. Klasyfikator poddano 5-krotnej ocenie krzyżowej dla danych H, S obrazu podlegającego uczeniu się i oceniono dla danych z innych obrazów (mających wzorce). Dołączono obliczone błędy klasyfikacji. Eksperymenty wykrywania obszarów stresu przeprowadzone dla serii 12 obrazów dały kilkuprocentowe błędy w porównaniu z klasyfikacją manualną.

Weryfikacja działania sieci Kohonena przetwarzających dane ankietowe zebrane wśród studentów krakowskiej AWF

Grabska-Chrząstowska J., Fiedor M., Tucholska K.

Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

2006

T. 10, z. 3

503-511

W pracy pokazano na przykładzie danych ankietowych przydatność sieci Kohonena do analizy danych wielowymiarowych. Dzięki redukcji do trzech wymiarów z jednej strony i analizie danych przez eksperta z drugiej strony zweryfikowano użyteczność sieci bez nauczyciela do rozdzielania zbioru danych na oddzielne grupy. Ostateczną weryfikację twierdzenia o braku zależności między opiniami studentów a ich wyborami preferowanych cech u wykładowców dokonano za pomocą sieci LVQ.

On the basis of opinion survey data the paper shows the usefulness of Kohonen's networks for multidimensional data analysis. Due to a reduction to three dimensions on the one hand and the analysis of the data by an expert on the other, the usefulness of unsupervised learning networks for dividing a set of data into separate groups was verified. The final verification of the thesis that there is no correlation between students' opinions and their choices of preferred lecturers' features was carried out using an LVQ network.