| | SLO | ENG | Cookies and privacy

Bigger font | Smaller font

Search the digital library catalog Help

Query: search in
search in
search in
search in
* old and bologna study programme

Options:
  Reset


1 - 4 / 4
First pagePrevious page1Next pageLast page
1.
The accuracy of the germination rate of seeds based on image processing and artificial neural networks
Uroš Škrubej, Črtomir Rozman, Denis Stajnko, 2015, original scientific article

Abstract: This paper describes a computer vision system based on image processing and machine learning techniques which was implemented for automatic assessment of the tomato seed germination rate. The entire system was built using open source applications Image J, Weka and their public Java classes and linked by our specially developed code. After object detection, we applied artificial neural networks (ANN), which was able to correctly classify 95.44% of germinated seeds of tomato (Solanum lycopersicum L.).
Keywords: image processing, artificial neural networks, seeds, tomato
Published in DKUM: 14.11.2017; Views: 1588; Downloads: 480
.pdf Full text (353,43 KB)
This document has many files! More...

2.
Uporaba obdelave slik in metod strojnega učenja pri oceni kalivosti semen paradižnika (Lycopersicon lycopersicum L.)
Uroš Škrubej, 2016, doctoral dissertation

Abstract: V nalogi je predstavljen sistem računalniškega vida, ki temelji na obdelavi slike in metodah strojnega učenja, in je namenjen avtomatski oceni kalivosti semen paradižnika (Lycopersicon lycopersicum L.). Celoten sistem je bil zgrajen z uporabo odprtokodnih aplikacij ImageJ, Weke in njunih javnih javanskih razredov ter povezan s pomočjo namensko razvite programske kode. V raziskavi nismo uporabljali komercialne programske opreme. S pomočjo osmih algoritmov strojnega učenja; to so naivni Bayesov klasifikator (NBC), k-najbližjih sosedov (k-NN), odločitvena drevesa, metoda podpornih vektorjev (SVM), umetna nevronska mreža, bagging, boosting in naključni gozdovi, smo izgradili klasifikacijske modele in jih medsebojno primerjali na vzorcu 700 kalečih semen. Najboljšo povprečno klasifikacijsko točnost 95,743 % s standardnim odklonom 2,56 ob desetkrat ponovljenem desetkratnem prečnem preverjanju je dosegel model umetne nevronske mreže (večplastni perceptron). Izboljšan t-test (resampled t-test) s stopnjo zaupanja 0,05 je pokazal, da se rezultat statistično značilno razlikuje od preostalih testiranih modelov klasifikatorjev. Sledili so model SVM (94,114 % ± 2,60), bagging (94,071 % ± 2,84), naključni gozdovi (93,743 % ± 2,93), k-NN (93,714 % ± 2,42), odločitvena drevesa (93,586 % ± 2,72) in model boosting (93,443 % ± 3,01), vendar razlike med njimi niso statistično značilne. Najnižjo povprečno klasifikacijsko točnost je dosegel model NBC (87,929 % ± 4,09), katerega razlika je bila statistično značilna. Ker je model umetne nevronske mreže dosegel najboljše rezultate tudi pri preciznosti, priklicu, F-meri in ploščini pod krivuljo ROC, smo ga uporabili za izgradnjo prototipa, namenjenega klasifikaciji semen paradižnika, kalečih v petrijevkah (90 x 98 x 18mm). Prototip je pravilno klasificiral več kot 95 % kalečih semen.
Keywords: obdelava slik, strojno učenje, nevronske mreže, semena, paradižnik
Published in DKUM: 21.06.2016; Views: 3483; Downloads: 292
.pdf Full text (5,47 MB)

3.
4.
Search done in 0.12 sec.
Back to top
Logos of partners University of Maribor University of Ljubljana University of Primorska University of Nova Gorica