بخشی از مقاله
چکیده
در این مقاله تشخیص آفت گیاهان با استفاده از پردازش تصویر و همچنین خوشه بندی آفات با استفاده از الگوریتم thereshold و شبکه های عصبی پرداخته می شود.نتایج مطالعات و تحقیقات انجام شده نشان می دهد که کارایی این الگوریتم در مدت زمان اجرایی بیشتر بهتر از الگوریتم های دیگر می باشد
کلمات کلیدی : پردازش تصویر ، الگوریتم thereshold ، شبکه های عصبی
مقدمه
پردازش تصاویر امروزه بیشتر به موضوع پردازش تصویر دیجیتال گفته می شود که شاخه های از دانش رایانه است که با پردازش سیگنال دیجیتال که نماینده تصاویر گرفته شده با وربین دیجیتال یا پویش شده توسط پویشگر هستند سر و کار دارد. پردازش تصاویر دارای دو شاخه عمده بهبود تصاویر و بینایی ماشین است ؟ بهبود تصاویر در برگیرنده روش هایی چون استفاده از فیلتر محوکننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آنها در محیط مقصد ”مانند چاپگر یا نمایش گر رایانه“ است ، در حالی که بینایی ماشین به روش هایی می پردازد که به کمک آنها می توان معنی و محتوای تصاویر را درک کرد تا از آنها در کارهایی چون رباتیک و محور تصاویر استفاده شود .
در معنای خاص آن پردازش تصویر عبارت است از هر نوع پردازش سیگنال که ورودی یک تصویر است مثل عکس یا صحنه های از یک فیلم ؟ خروجی پردازشگر تصویر می تواند یک تصویر یا یک مجموعه از نشان های ویژه یا متغیرهای مربوط به تصویر باشد ؟ اغلب تکنیک های پردازش تصویر شامل برخورد با تصویر به عنوان یک سیگنال دو بعدی و به کار بستن تکنیک های×استاندارد پردازش سیگنال روی آنها می باشد ؟ پردازش تصویر اغلب به پردازش دیجیتالی تصویر اشاره می کند ولی پردازش نوری و آنالوگ تصویر هم وجود دارند؟ تمرکز اصلی در این مقاله بشتر روی کاربرد پردازش تصویر در کشاورزی،در زمینه ی تشخیص آفات و بیماری های گیاهان می باشد؟ کاربردی که نسبت به دیگر کاربردهای پردازش تصویر کمتر به آن توجه شده است.
پردازش تصویر در کشاورزی بیشتر به منظور تسهیل در کار کشاورزی و افزایش مقدار تولید با استفاده از شناسایی و از بین بردن آفات قبل از مرحله ی تکثیر و آسیب زیاد به محصول انجام می شود ؟ برای تشخیص آفات گیاهی با استفاده از پردازش تصویر از الگوریتم هایی مانند خوشه بندی - k_means - فیلتر کردن تصویر ، جمع و تفریق تصویر استفاده می شود روش مورد استفاده برای عملی کردن این کار به این صورت است که کشاورز طی دوره های مانی مشخص تصاویری از قسمت های مختلف مزرعه گرفته و آن را برای متخصص ارسال می کند متخصص تصاویر را با استفاده از روش های ارائه شده مورد برسی قرار داده ، نتیجه را به کشاورز بر می گرداند.
مقدمه ای بر خوشه بندی
خوشه بندی را میتوان به عنوان مهم ترین مسئله در یادگیری بدون نظارت در نظر گرفت . خوشه به مجموعه ای از داده ها گفته میشود که به هم شباهت داشته باشند . در خوشه بندی سعی میشود تا داده ها به خوشه هایی تقسیم شوند که شباهت بین داده های درون هر خوشه حداکثر و شباهت بین داده های درون خوشه های متفاوت حداقل شود . [2]خوشه بندی در مقابل طبقه بندی در طبقه بندی هر داده به یک طبقه ”کلاس“ از پیش مشخص شده تخصیص می یابد ولی در خوشه بندی هیچ اطلاعی ازکلاس های موجود درون داده ها وجود ندارد و به عبارتی خود خوشه ها نیز از داده ها استخراج می شوند. در شکل -1 تفاوت بین خوشه بندی و طبقه بندی بهتر نشان داده شده است.
روش های خوشه بندی
روش های خوشه بندی را می توان از چندین جنبه تقسیم بندی کرد. [3]
1 -خوشه بندی انحصاری - Exclusive or Hard Clustering - و خوشه بندی با هم پوشی - Overlapping or Soft Clustering - در روش خوشه بندی انحصاری پس از خوشه بندی هر داده دقیقأ به یک خوشه تعلق می گیرد مانند روش خوشه بندی-K Means ولی در خوشه بندی با هم پوشی پس از خوشه بندی به هر داده یک درجه تعلق ازاء هر خوشه سبت داده می شود به عبارتی یک داده می تواند با نسبت های متفاوتی به چندین خوشه تعلق داشته باشد نمونه های از آن خوشه بندی فازی است .
- 2 خوشه بندی سلسله مراتبی - Hierarchical - و خوشه بندی مسطح - Flat - در روش خوشه بندی سلسله مراتبی ، به خوشه های نهایی بر اساس میزان عمومیت آنها ساختاری سلسله مراتبی نسبت داده می شود مانند روش Single Link ولی در خوشه بندی مسطح تمامی خوشه های نهایی دارای یک میزان عمومیت هستند مانند K-Meansبه ساختار سلسله راتبی حاصل از روش های خوشه بندی سلسله مراتب یدندوگرام - Dendogram - گفته می شود .با توجه با اینکه روش های خوشه بندی سلسله مراتبی اطلاعات بیشتر و دقیق تری تولید می کنند برای تحلیل داده های با جزئیات پیشنهاد می شوند ولی از طرفی چون پیچیدگی محاسباتی بالایی دارند برای مجموعه داده های بزرگ روش های خوشه بندی مسطح پیشنهاد می شوند .در اینجا باید این نکته را یاد آورم شویم با توجه به کارایی الگوریتم k-means و شباهات تقریبی با الگوریتم thereshold .که بیشتر مطالب و مباحث به کار رفته در این مقاله با الگوریتم k-means یکسان بوده ولی در نتیجه گیری و مدت زمان اجرایی برنامه متفاوت می باشد . که مجبور به استفاده از مطالب مقاله قبلی شده ایم که به طور کامل در قسمت مراجع شرح داده شده است.
شبکه های عصبی مصنوعی
یا به زبان ساده تر شبکه های عصبی سیستم ها و روش های محاسباتی نوینی هستند برای یادگیری ماشینی،نمایش دانش،ودرانتهااعمال دانش به دست آمده در جهت پیش بینی پاسخ های خروجی از سامانه های پیچیده .ایده اصلی این گونه شبکه ها ”تا حدودی“ الهام گرفته از شیوه کارکرد سیستم عصبی زیستی ، برای پردازش داده ها ، و اطلاعات به منظور یادگیری و ایجاد دانش می باشد.عنصر کلیدی این ایده ، ایجاد ساختارهایی جدید برای سامانه پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده به هم پیوسته با نام نورون تشکیل شده که برای حل یک مسأله با هم و به صورت هماهنگ عمل می کنند و توسط سیناپس ها ”ارتباطات الکترو مغناطیسی“ اطلاعات را منتقل می کنند در این شبکه ها اگر یک سلول آسیب ببیند بقیه سلول ها می توانند نبود آن را جبران کرده ، و نیز در بازسازی آن سهیم باشند.
این شبکه ها قادر به یادگیری اند.مثلا با اعمال سوزش به سلول های عصبی لامسه ، سلول ها اد می گیرند که به طرف جسم داغ نروند و با این الگوریتم سیستم می آموزد که خطای خود را اصلاح کند. یادگیری در این سیستم ها به صورت تطبیقی صورت می گیرد ، یعنی با استفاده ازمثال ها وزن سیناپس ها به گونه های تغییر می کند که در صورت دادن ورودی های جدید ،سیستم پاسخ درستی تولید کند.این شبکه ها برای تخمین - Estimation - و تقریب - Approximation - کارایی بسیار بالایی از خود نشان داده اند گستره کاربرد این مدل های ریاضی بر گرفته از عملکرد مغز انسان ،بسیار وسیع می باشد که به عنوان چند نمونه کوچک می توان استفاده از این ابزار ریاضی در پردازش سیگنال های بیولوژیکی ، مخابراتی و الکترونیکی تا کمک در نجوم و ضا نوردی را نام برد× .[1]
