Порівняння класифікаторів рослинних об’єктів, побудованих за допомогою нейронних мереж та дискримінантного метода Фішера

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Порівняння класифікаторів рослинних об'єктів побудованих за допомогою нейронних мереж та дискримінантного метода Фішера

Є. О. Шама

В статті приводиться порівняння методів розпізнавання рослинних об'єктів за результатами дистанційного зондування. Для побудови розпізнавальної моделі був використаний множинний лінійний дискримінантний аналіз Фішера та нейромережні методи. Для побудови класифікаторів на основі нейронної мережі та на основі дискримінантного аналізу використовувалися дані, які отримані в польових умовах за допомогою спектрометра.

Ключові слова: розпізнавання, спектральні коефіцієнти яскравості, ознаки, класифікатор, нейронна мережа, перцептрон, ознаки.

In the article comparison methods of recognition of vegetable objects is given on results the remote sensing. For the construction of identification mode was used linear discriminant analysis of Fisher and neural networks methods. The construction of neural networks and classifier built by means of discriminant analysis were made on the basis of experimental data obtained in the field with the help of a spectrometer.

Keywords: recognition, spectral brightness coefficients, signs, classifier, neural network, perceptron, signs.

класифікатор рослинний нейронний мережа

Вступ

Для оцінки стану рослинних об'єктів (рівня вмісту мінеральних речовин, наявність або відсутність захворювань) та їх класифікації за видовою ознакою часто застосовують методи дистанційного зондування рослинних об'єктів. За допомогою дистанційних методів можна оцінювати динаміку розвитку і стан рослин на контрольованій площі при мінімальній участі людини або, взагалі, без неї. Тому питання автоматизації дистанційного зондування рослин і класифікація за видом рослинного об'єкту є актуальним.

Постановка проблеми Мета роботи полягає у порівнянні методів розпізнавання, які можуть бути використані при побудові класифікатора рослин. У якості параметра порівняння методів використана ймовірність вірного розпізнання рослини. Класифікація рослин проводилась на три класи: корисна культура - соняшник, бур'яни - мишій та амброзія, які на момент вимірювання коефіцієнтів відбиття складали понад 80 % рослин. Для боротьби з вищенаведеними бур'янами (амброзія - дводольний бур'ян, мишій - однодольний бур'ян), використовують різні гербіциди. Так один різновид гербіциду ефективно використовується для боротьби з однодольними бур'янами, а дводольні бур'яни знищує слабо; а інші види гербіцидів, навпаки, ефективно діють на дводольні бур'яни, а на однодольні бур'яни здійснює слабий вплив. Враховуючи те, що засміченість амброзією та мишієм півдня України (Запорізька область) є значним, то побудова класифікатора рослин з характеристиками, які наближені до оптимальних, є актуальним і затребуваним.

Літературний огляд

Розпізнавання рослинних об'єктів за допомогою нейронних мереж (НМ) [1-3] та класифікація рослинних об'єктів за допомогою інших методів [4, 5], у тому числі і за допомогою дискримінантного аналізу, розглянуто у ряді робот. Але в цих роботах класифікація рослинних об'єктів проводилися або лише на два класи (корисну культуру і бур'ян), або за допомогою двошарового перцептрона (для НМ) чи для рослин, які не характерні для півдня України. Проте на практиці доцільно проводити класифікацію рослин на корисну культуру та дводольні і однодольні бур'яни. Виявлення переваги одного з методів розпізнавання рослинних об'єктів, дасть виграш при побудові класифікатора рослинних об'єктів, а саме: скоротить час навчання, збільшить швидкість прийняття рішень, дозволить зменшити вимоги до обчислювальних ресурсів, збільшити надійність роботи, зменшить собівартість виробу.

Побудова класифікаторів за допомогою нейронної мережі та дискримінантного аналізу

Виміри спектральних коефіцієнтів відбиття проводилися на полі ТОВ "Агрофірма "Матвіївка", Вільнянського району, Запорізької області в травні 2014 р. при ясній погоді. Поле було засаджене корисною культурою - соняшником, окрім соняшника на полі були присутні наступні бур'яни: амброзія, берізка, мишій, пирій, пастуша сумка, суріпиця і інш. Серед бур'янів, для подальшого дослідження, були відібрані мишій та амброзія, так як вони складали переважну долю бур'янів на полі. Переміщення об'єктива приймача спектрометра від однієї рослини до іншої в продовж рядка проводилося рівномірно, без ривків, приблизно на однаковій відстані від поверхні землі і при постійній швидкості руху (0,51) м/с. Виміри спектральних характеристик рослин проводилися за допомогою приладу, який автоматично з періодом 1 s зберігав поточну інформацію (коефіцієнт відбиття і координати місця) і зовнішнього вигляду рослини. Пристрій для дослідження спектрів складався з: спектрометра Red Tide650 з волоконно-оптичним кабелем P200 - 2 - UV - VIS і лінзою 74 - VIS (фірма Ocean Optics); Web-камера A4Tech PK-838G для фотографування зображення рослин.

З усіх експериментальних даних, для подальшого дослідження було відібрано 2300 спектральних коефіцієнтів відбиття рослин. Критерієм відбору була можливість візуального визначення виду рослин по зображеннях і формі спектральної кривої (відсутність обмежень і надмірної зашумленності). Назва і кількість вибірок рослин, які були відібрані для подальшого дослідження, наведені в табл. 1.

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Таблиця 1

Наступним етапом була обробка отриманих даних і визначення впливу кількості ознак на якість розпізнання рослин. Спектральні коефіцієнти відбиття рослин, які були отримані спектрометром, за допомогою написаного макросу були введені в програму Excel2010, в результаті чого було отримано 3 масиви чисел: матриця коефіцієнтів відбиття для соняшника - 750^256, матриця коефіцієнтів відбиття для мишію - 700^256 і матриця коефіцієнтів відбиття для амброзії - 850x256.

Залежність нормованих коефіцієнтів відбиття, розрахованих по формулі від довжини хвилі для кукурудзи, мишію і амброзії наведені на рис. 1.

Кількість ознак 256 обумовлено тим, що з спектрометру отримуємо 2048 спектральних точок за один замір і, після усереднення 8 сусідніх значень, отримаємо 256 спектральних точок, тобто ознак.

Для оцінки класифікатора рослинних об'єктів на 3 класи (корисна культура - соняшник, однодольний бур'ян - мишій, дводольний бур'ян - амброзія), який побудований за допомогою дискримінантних методів, був використаний множинний лінійний дискримінантний аналіз Фішера. Були розраховані значення класифікаційних матриць для кожного набору ознак, для окремих наборів ознак розраховували Wilks' Lambda, оцінено отриману систему класифікаційних рівнянь і адекватність отриманої моделі. Результати дослідження оброблені із застосуванням статистичного пакету програми "STATISTICA6.1® for Windows компанії StatSoft Inc, а також "Microsoft Excel 2003". Окремі статистичні процедури і алгоритми реалізовані у вигляді спеціально написаних макросів у відповідних програмах. Для усіх видів аналізу статистично значимими вважали відмінності при р<0,05.

Класифікаційна матриця для 256 ознак наводиться на рис. 2. На рисунку прийняті наступні скорочення: а - амброзія, k - соняшник, m - мишій.

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

Ряд 1 - амброзія Ряд 2 - мишій Ряд 3 - соняшник

Рис. 1. Залежність нормованих коефіцієнтів відбиття від довжини хвилі для амброзії, мишію, соняшника

Рис. 2. Класифікаційна матриця для апостеріорної ймовірності розпізнання рослин на три класи з використанням 256 ознак

Для побудови НМ для розпізнавання рослинних об'єктів на 3 класи за експериментальними даними був використаний блок нейромережевого аналізу NNTooL програми MatLab 7.9.0.529 компанії MathWorks. При побудові НМ за допомогою програми MatLab, в якості типу НМ була обрана нейромережа прямого поширення сигналу, що навчалася за допомогою методу Левенберга- Марквардта [6]. Перевагою метода Левенберга- Марквардта є те, що він працює швидше за інші градієнтні методи, оскільки апроксимує часткові похідні другого порядку через часткові похідні першого порядку.

На входи НМ подавалися нормовані коефіцієнти відбиття рослин - матриця 2300 х 256. Вихідний (цільовий) вектор розмірністю 2300 х1 задавався в діапазоні [0;1], причому для амброзії - 0, мишію - 0,5, соняшнику - 1. При навчанні НМ крок навчання покладався рівним 0,05, максимальне число циклів навчання НМ epochs=1000. В якості цільової функції при навчанні використовувався мінімум середньоквадратичної помилки навчання мережі - MSE (Mean Square Error), заданий як 0,0001. Всі нейрони мали сигмоїдну функцію активації.

Результат (вікно програми) побудови НМ для розпізнавання рослин на три класи показаний на рис. 3.

Рис. 3. Вікно програми NNTooL(MatLab) для трьохшарової НМ

Після обробки апостеріорних значень цільових векторів були отримані наступні результати - табл. 2 демонструє показники розпізнавання для НМ з трьома внутрішніми шарами.

Таблиця 2

Класифікаційна матриця для трьохшарової НМ

З вищенаведених розрахунків, видно, що прийнятним для побудови класифікатора рослинних об'єктів, з точки зору якості розпізнавання рослинних об'єктів на три класи (соняшник, мишій, амброзія), є дискримінантний метод.

Так, ймовірність вірного розпізнання для класифікатора, побудованого за допомогою нейронних мереж складає: соняшник - 99,2 %, мишій - 97,28 %, амброзія - 95,7 %; для класифікатора, побудованого за дискримінантного метода складає: соняшник - 99,7 %, мишій - 100 %, амброзія - 100 %.

Серед обраних рослин, найкраще розпізнаванню піддається соняшник. Це може бути зумовлене геометрією листків, їх товщиною і щільністю, відносною наявністю пігментів (хлорофілу, каротинів. ксантофілів і інш).

Висновки

В результаті проведених експериментальних досліджень, було встановлено, що з точки зору ймовірності вірного розпізнання рослин, більш надійним для впевненого адекватного розпізнавання виду рослини серед трьох обраних (соняшника, амброзії, мишію) буде класифікатор, який побудований за допомогою методів дискримінантного аналізу. Але слід зазначити, що на даному етапі не проводилась процедура зменшення розмірності.

Найбільший виграш, щодо розпізнання рослини, має класифікатор, який побудований за допомогою дискримінантних методів по відношенню до амброзії і складає 4,3 %. По відношенню до корисної культури - соняшника, виграш по ймовірності вірного розтання для класифікатора, побудованого за допомогою дискримінантних методів по відношенню до класифікатора, побудованого за допомогою нейронних мереж є мінімальним і складає 0,5 %.

Література

Дубровин, В. И. Распознавание растений по результатам дистанционного зондирования на основе многослойных нейронных сетей [Текст] / В. И. Дубровин, С. В. Морщавка, Д. М. Пиза, С. А. Субботин // Математичні машини і системи. - 2000. - № 2-3. - С. 113-119.

Морщавка, С. В. Нейросетевая Классификация растений по результатам

дистанционного зондирования [Текст]/ С. В. Морщавка, С. А. Субботин, В. И. Дубровин, Д. М. Пиза // Радіоелектроніка і молодь в XXI сторіччі : 5-й Міжнародний молодіжний форум, Харків,

24-26 квітня 2001 р. : зб. наук. праць в 2-х частинах. - Харків : ХТУРЕ, 2001. - Ч. 2. - С. 324-325.

Размещено на Allbest.ru