Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: klasyfikatory dyskryminujące

Sortuj według:

Ogranicz wyniki do:

The application of computer image analysis based on textural features for the identification of barley kernels infected with fungi of the genus Fusarium

Ropelewska E.

Agricultural Engineering

2018

Vol. 22, No. 3

49--56

The aim of this study was to develop discrimination models based on textural features for the identification of barley kernels infected with fungi of the genus Fusarium and healthy kernels. Infected barley kernels with altered shape and discoloration and healthy barley kernels were scanned. Textures were computed using MaZda software. The kernels were classified as infected and healthy with the use of the WEKA application. In the case of RGB, Lab and XYZ color models, the classification accuracies based on 10 selected textures with the highest discriminative power ranged from 95 to 100%. The lowest result (95%) was noted in XYZ color model and Multi Class Classifier for the textures selected using the Ranker method and the OneR attribute evaluator. Selected classifiers were characterized by 100% accuracy in the case of all color models and selection methods. The highest number of 100% results was obtained for the Lab color model with Naive Bayes, LDA, IBk, Multi Class Classifier and J48 classifiers in the Best First selection method with the CFS subset evaluator.

Celem pracy było opracowanie modeli dyskryminacyjnych opartych o cechy teksturalne do identyfikacji ziarniaków jęczmienia porażonych przez grzyby z rodzaju Fusarium oraz ziarniaków zdrowych. Porażone ziarniaki jęczmienia o zmienionym kształcie i z przebarwieniami oraz zdrowe ziarniaki jęczmienia zostały zeskanowane. Tekstury zostały obliczone przy użyciu programu MaZda. Ziarniaki były klasyfikowane jako porażone i zdrowe z wykorzystaniem oprogramowania WEKA. W przypadku modeli barwnych RGB, Lab i XYZ, dokładność klasyfikacji w oparciu o 10 wyselekcjonowanych tekstur o największej mocy dyskryminacyjnej zawierała się w przedziale od 95 do 100%. Najmniejszy wynik (95%) odnotowano dla modelu barwnego XYZ i Multi Class Classifier dla tekstur wyselekcjonowanych za pomocą metody Ranker i ewaluatora atrybutów OneR. Wybrane klasyfikatory charakteryzowały się dokładnością 100% w przypadku wszystkich modeli barwnych i metod selekcji. Najwięcej wyników 100% uzyskano dla modelu barwnego Lab dla klasyfikatorów: Naive Bayes, LDA, IBk, Multi Class Classifier i J48 dla metody selekcji Best First z ewaluatorem CFS.