ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > بحث>Yemeni Plants Recognition Syst...>الوصف

Yemeni Plants Recognition System Using Deep Learning Technique

العنوان بلغة أخرى: نظام التعرف على النباتات اليمنية بواسطة تقنية التعلم العميق
المصدر: مجلة العلوم الهندسية وتكنولوجيا المعلومات
الناشر: المركز القومي للبحوث
المؤلف الرئيسي: المريش، محمد هاشم (مؤلف)
مؤلفين آخرين: باعلوي، عبدالفتاح إسماعيل (م. مشارك), سعيد، أحمد يوسف (م. مشارك)
المجلد/العدد: مج5, ع2
محكمة: نعم
الدولة: فلسطين
التاريخ الميلادي: 2021
الشهر: يونيو
الصفحات: 95 - 109
DOI: 10.26389/AJSRP.H130321
ISSN: 2522-3321
رقم MD: 1156422
نوع المحتوى: بحوث ومقالات
اللغة: الإنجليزية
قواعد المعلومات: HumanIndex
مواضيع:
الأعشاب الطبيعية | النباتات الطبية | الهندسة التقنية | الذكاء الإصطناعي
كلمات المؤلف المفتاحية:
نبات العثرب | النباتات اليمنية | تقنية التعلم العميق | غابة | أعشاب | Rumex Nervosus | Yemeni Plants | Recognition | Forest | Herbals
رابط المحتوى:
PDF (صورة)      PDF (نص)      HTML
صورة الغلاف QR قانون

عدد مرات التحميل

26

حفظ في:
المستخلص: تستخدم النباتات بشكل شائع لعلاج العديد من الاضطرابات منذ العصور الذهبية. أحد هذه النباتات هو Rumex Nervosus ويسمى (العثرب) الذي ينتمي إلى عائلة Polygonaceae، والتي تستخدم تقليديا لعلاج الأمراض المختلفة في العديد من البلدان مثل اليمن والمملكة العربية السعودية وإثيوبيا. الأنواع المختلفة من النباتات الموجودة في اليمن تجعل التعرف عليها مهمة صعبة تتطلب المعرفة والتجربة. يلعب التعرف على النباتات دورا مهما وحاسما في تصنيف النباتات والتمايز بين الأوراق. في هذا البحث تم اقتراح نظام ذكي لتصميم نموذج يصنف أربعة أنواع من النباتات (Rumex Nervosus و Agave و Green Grass و Junipers) باستخدام ثلاثة نماذج تعلم نقل مدربة مسبقا (AlexNet و GoogLeNet و VGG19) تعتمد على تقنية التعلم العمق. تتم عملية التعرف على النباتات على النحو التالي: يتم جمع صور الأنواع الأربعة من النباتات اليمنية من خلال كاميرا الهاتف الذكي، حيث بلغ العدد الإجمالي لصور النباتات 600 صورة لكل فئة 150 صورة. ثم تتم معالجة الصور مسبقا عن طريق تغيير حجم الصور وتوسيطها لتلائم مدخلات النماذج المقترحة. لتحسين عملية التعرف على الصور، تم إجراء زيادة في البيانات، حيث تم زيادة عدد الصور عن طريق إنشاء إصدارات مختلفة من المحتوى مشابه للصور من أجل الحصول على المزيد من الأمثلة التدريبية، حيث وصل عدد الصور إلى 1700 صورة نباتية، وبعد ذلك يتم إرسال الصور إلى نماذج تعلم النقل المقترحة مسبقا (AlexNet و GoogLeNet و VGG19) التي تم تدريبها على مجموعة بيانات ImageNet عن طريق ضبط صور النباتات المقترحة. تستخرج النماذج المقترحة وتصنف تلقائيا هذه الميزات، مما يساعد الشبكة على التعرف على نوع المصنع بشكل فعال. أظهرت نتائج النماذج المقترحة (AlexNet و GoogLeNet و VGG19) دقة (99.83 %، 98.38 %، 98.75 %) على التوالي. وجدنا أن نموذج AlexNet يعطي أفضل نتيجة بدقة 99.83 %. بشكل واضح، تم اختبار النظام المقترح ومقارنته بالأعمال الأخرى. أظهرت النتائج التجريبية فعالية الطريقة المقترحة. إن التعرف على هذا النوع من النباتات بدقة سيساعد العديد من السكان على التعرف الموثوق به والمعالجة السريعة. في العمل المستقبلي، نقترح تحسين طرق استخلاص الخصائص للنباتات باستخدام تقنية تجزئة الصور مع تقنية تعلم الآلة للتعرف على صور النباتات بكفاءة ودقة عالية. كما نقترح إضافة موديلات أخرى لتقنيات التعلم العميق وعمل تحسينات في بنيتها.

Plants are commonly used for treating many disorders since the golden ages. One of these plants is Rumex Nervosus that belongs to the family of Polygonaceae, which is traditionally used to treat various diseases in many countries such as, Yemen, Saudi Arabia and Ethiopia. The various types of plants that are existed in the Yemen make the recognizing of them a difficult task that requires knowledge and greet experience. The recognition of plants has a significant and crucial role in the classification of plants and differentiation between leaves. In this paper, an intelligent system is proposed to design a model that classify four types of plants (Rumex Nervosus, Agave, Green Grass, and Junipers) by using three pre- trained transfer learning models (AlexNet, GoogLeNet and VGG19) based on deep learning techniques. The process of plant recognition goes as follows: images of the four types of Yemeni plants are collected through a smartphone camera, where the total number of images of plants was 600 images for each class of 150 images. Then the images are pre- processed by resizing and center cropping images to fit the inputs of the proposed models. To improve the image recognition process, data augmentation has been performed, where the number of images is increased by creating different versions of content similar to images in order to obtain more training examples, as the number images reached 1700 plant images, and after that the images are forwarded to the proposed pre- trained transfer learning models (AlexNet, GoogLeNet and VGG19) that trained on ImageNet dataset by fine- tuning the proposed plants images. The proposed models automatically extract and classify these features, which help the network to recognize the type of plant effectively. The result of proposed models (AlexNet, GoogLeNet and VGG19) give accuracies (99.83%, 98.38% and 98.75%,) respectively. We found that AlexNet model gives the best result with accuracy 99.83%. Vividly, the proposed system was tested and compared to other works. the experimental findings show the effectiveness of the proposed method. The recognition of this type of plant accurately will help many populations to reliable recognition and fast treatment. In future work, we propose to improve methods for extracting features of plants using image segmentation techniques with machine learning techniques to recognize plant images with high efficiency and accuracy. We also suggest adding other models of deep learning techniques and making
ISSN: 2522-3321

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.