Conference PaperPDF Available

Local Receptive Fields Extreme Learning Machine for Apricot leaf recognition

Authors:

Abstract

In this paper, leaf identification is achieved with the local receptive fields based extreme learning machine(LRF-ELM). Leaf identification is an important application in image processing and machine learning areas. Successful leaf identification applications are available by using convolution neural networks (ConvNet). However, as the training period of ConvNet takes time and the possibility of solution in training process may come to a deadlock in one point, these are some of the important disadvantages of ConvNet. Extreme learning machine (ELM) is the only hidden layer feedforward ConvNet model which is proposed to resolve some of the disadvantages of backpropagation algorithm whose input weights are randomly calculated while output weights are analytically calculated. ELM has major advantages such as having quicker learning process and less process complexity. The structure of LRF- ELM in which the information of local receptive fields is integrated into the ELM is proposed as an alternative model to the convolutional neural networks. In this paper, leaf identification process is carried out with LRF-ELM. Data sets created with the images of different types of leaves of apricots are used. Conducted experimental studies indicate that LRF-ELM are successful in leaf identification.
Yerel Alıcı Alanlar Aşırı Öğrenme
Makinesi ile Kayısı Yaprağı Tanıma
Local Receptive Fields Extreme Learning Machine for Apricot leaf recognition
Berna ARI1
Doğanşehir Halk Eğitim Merkezi,
M.E.B.,
Malatya, TÜRKİYE
bernagurler.a@gmail.com
Abdulkadir ŞENGÜR2
Teknoloji Fakültesi
Elektrik - Elektronik Mühendisliği Bölümü
Fırat Üniversitesi
Elazığ, Türkiye
ksengur@firat.edu.tr
Ali ARI3
Sürgü Meslek Yüksekokulu
Bilgisayar Teknolojileri Bölümü
İnönü Üniversitesi
Malatya,Türkiye
ali.ari@inonu.edu.tr
ÖzetçeBu makalede, yerel alıcı alanlar aşırı
öğrenme makinesi (YAA-AÖM) ile yaprak tanıma
gerçekleştirilmiştir. Yaprak tanıma, görüntü işleme
ve makine öğrenmesi alanlarında önemli bir
uygulamadır. Evrişimsel sinir ağları (ESA)
kullanılarak başarılı yaprak tanıma uygulamaları
mevcuttur. Ancak ESA’nın eğitim süresinin zaman
alması ve eğitim sürecinde çözümün tek noktada
takılma ihtimali önemli dezavantajlarındandır.
Aşırı öğrenme makinesi (AÖM), geriye yayılım
algoritmasının bazı dezavantajlarını gidermek için
önerilmiş, giriş ağırlıkları rastgele çıkış ağırlıkları
ise analitik olarak hesaplanan tek gizli katmanlı ileri
beslemeli bir YSA modelidir. AÖM, öğrenme
sürecinin hızlı olması ve işlem karmaşıklığının az
olması gibi önemli avantajlara sahiptir. Yerel alıcı
alanlar (YAA) bilgisinin AÖM içine entegre
edildiği YAA-AÖM yapısı, Evrişimsel Sinir
Ağlarına alternatif bir model olarak önerilmiştir. Bu
çalışmada, YAA-AÖM ile yaprak tanıma işlemi
yapılmıştır. Farklı türdeki kayısı yapraklarının
görüntüleriyle oluşturduğumuz veri seti
kullanılmıştır. Yapılan deneysel çalışmalar, YAA-
AÖM’nin yaprak tanımada başarılı olduğunu
göstermiştir.
AbstractIn this paper, leaf identification is
achieved with the local receptive fields based
extreme learning machine(LRF-ELM). Leaf
identification is an important application in image
processing and machine learning areas. Successful
leaf identification applications are available by
using convolution neural networks (ConvNet).
However, as the training period of ConvNet takes
time and the possibility of solution in training
process may come to a deadlock in one point, these
are some of the important disadvantages of
ConvNet. Extreme learning machine (ELM) is the
only hidden layer feedforward ConvNet model
which is proposed to resolve some of the
disadvantages of backpropagation algorithm whose
input weights are randomly calculated while output
weights are analytically calculated. ELM has major
advantages such as having quicker learning process
and less process complexity. The structure of LRF-
ELM in which the information of local receptive
fields is integrated into the ELM is proposed as an
alternative model to the convolutional neural
networks. In this paper, leaf identification process
is carried out with LRF-ELM. Data sets created
with the images of different types of leaves of
apricots are used. Conducted experimental studies
indicate that LRF-ELM are successful in leaf
identification.
1. GİRİŞ
Bitkilerin insan hayatındaki önemi
büyüktür. Bitkiler besin sektörü, endüstri ve
medikal alanda kullanılmaktadır. Dünya üzerinde
çok sayıda ve çok fazla çeşitte bitki türü
bulunmaktadır. Bitki sınıflandırması uzmanlar
tarafından geleneksel metotlar ve DNA analizi gibi
yöntemler ile yapılmaktadır. Yapay zekânın
gelişimine bağlı olarak otomatik bitki tanıma
International Artificial Intelligence and Data Processing Symposium (IDAP'16)
September 17-18, 2016 Malatya/TURKEY
532
sistemleri bitkileri tanımak ve sınıflandırmak için
günümüzde yaygın bir şekilde kullanılmaya
başlanmıştır. Bitki tanıma ve sınıflandırma son
yıllarda popüler bir çalışma haline gelmiş ve birçok
çalışma yapılmıştır.
[1] nolu çalışmada fotoğraf ile ya da video
çerisinden belirlenen 6 türe ait yaprak
görüntülerinden çıkarılan 12 adet özellik K-NN
sınıflandırma algoritması kullanılarak
sınıflandırılmaya çalışılmıştır.
[2] nolu çalışmada Acer (Japon akçaağacı) bitkisine
ait görüntülerin bulunduğu veri tabanındaki 9 cinse
ait resimler kullanılmıştır. Bu resimlerinden merkez
kenar uzunlukları, geometrik öznitelikler ve
istatistiksel öznitelikler yöntemleri kullanılarak
özellik çıkarımı yapılmıştır ve bu özellikler aşırı
öğrenme makineleri ile sınıflandırılmıştır.
[3] nolu çalışmada yeşil çay yaprakları
sınıflandırmak amacıyla örtüşmeyen pencereli LBP
ve GLCM dokusal özelliklerini birleştiren yeni bir
metot önermişlerdir. Bu geliştirilen yöntem ile
sınıflandırma doğruluğu büyük ölçüde artmıştır.
[4] nolu çalışmada bitki yapraklarının doku ve şekil
özelliklerinin birleşimleri kullanılarak yaprakların
karakterize edilmesi ve tanınması için yeni bir
yöntem önerilmiştir. Yaprak dokusu Gabor filtresi
ve GLCM kullanılarak modellenmiştir. Şekil
özellikleri ise değişmez momentum ve Curvelet
transform ile çıkarılmıştır. Daha sonra bu iki özellik
çıkarım birleştirilmiştir. 31 sınıf yaprağın
sınıflandırılması için elde edilen özellikler ile Nöro
Bulanık denetleyici (NFC) ve bir ileri beslemeli
geri yayılım çok katmanlı algılayıcı (MLP)
kullanılmıştır.
[5] nolu çalışmada dijital yaprak görüntülerinden
elde edilen bir dizi istatistiksel özellik kullanılarak
bitki türlerinin tanınması için bir yöntem
önermektedir. Özellik çıkarılan görüntüler Nöro
bulanık sınıflandırıcı kullanılarak önceden
tanımlanmış 32 sınıfa sınıflandırılmıştır.
[6] nolu çalışmada 7 farklı kayısı türü imge işleme
ve derin öğrenme kullanılarak yaprak tanıma
tabanlı sınıflandırılması gerçekleştirilmiştir. Derin
öğrenme yöntemi olarak, 6 katmanlı giriş katmanı,
3 evrişim katmanı ve 2 alt örnekleme katmanı
bulunan Evrişimsel Sinir Ağları (ESA)
kullanılmıştır ve 90,41% bir doğruluk bulmuşlardır.
Evrişimsel sinir ağları mimarisi, gir
imgesi pikselleri arasındaki uzamsal bilgiyi
kullanmayı amaçlamaktadır. ESA’lar evrişim ve
toparlama olarak adlandırılan iki temel işlemi
kapsamaktadır. Bu lemler ağın ardışık
katmalarında arka planda çalışmaktadır. Evrişim ve
toparlama işlemleri sayesinde elde edilen özellikler
sınıflandırma başarısını arttırmaktadır. ESA’nın en
büyük dezavantajları, eğitim sürecinin uzun olması
ve eğitim esnasında tek bir çözüme takılabilme
problemlerinin yaşanmasıdır. Aşırı öğrenme
makinesi (AÖM), geriye yayılım algoritmasının bazı
dezavantajlarını gidermek için önerilmiş son
yıllardaki çalışmalarda sıkça kullanılan bir
sınıflandırma yöntemidir [7]. AÖM, öğrenme
sürecinin hızlı olması ve işlem karmaşıklığının az
olması gibi önemli avantajlara sahiptir. Yerel alıcı
alanlar (YAA) bilgisinin AÖM içine entegre edildiği
YAA-AÖM yapısı, ESA’ya alternatif bir model
olarak önerilmiştir [8].
Bu çalışmada AÖM-YAA yapısı kullanılarak
yaprak tanıma işlemi gerçekleştirilmiştir. Farklı
türdeki kayısıların yapraklarının görüntüleriyle
oluşturduğumuz veri seti kullanılmıştır.
Gerçekleştirilen deneysel çalışmalarda alınan
sonuçların başarılı ve umut verici olduğu
gözlemlenmektedir.
2. AŞIRI ÖĞRENME MAKİNESİ (AÖM)
Aşırı öğrenme makinesi, Huang ve arkadaşla
(2006) tarafından geliştirilmiştir. AÖM giriş
ağırlıkları rastgele çıkış ağırlıkları ise analitik olarak
hesaplanan tek gizli katmanlı ileri beslemeli bir
YSA modelidir. AÖM de gizli katmanda sigmodial,
Guassian ve hard-limitin gibi aktivasyon
fonksiyonları kullanılırken çıkış katmanda doğrusal
fonksiyon kullanılmaktadır. AÖM hızlı öğrenebilme
yeteneğinin yanında geleneksel geri yayılım
algoritması ile öğrenen ileri beslemeli ağlara göre
daha iyi genelleme başarımına sahiptir. AÖM’nin
öğrenme algoritması aşağıdaki gibi tanımlanır;
Belirli bir N girdi-çıktı ilişkisi xi ve ti
parametreleri kabul edilsin. Burada xi,
 ve ti ise
 şeklinde ifade edilir.
tane gizli sinir hücresi ve g(x) aktivasyon
fonksiyonuna sahip standart Tek Gizli Katmanlı ve
İleri Beslemeli (TGKIB) ağ modeli matematiksel
olarak aşağıdaki gibi modellenir:

 (1)
Burada , i’ninci gizli
katman sinir hücresine ve giriş sinir hücresine bağlı
olan ağırlık vektörüdür,  ise
i’ninci gizli sinir hücresine ve çıkış sinir hücrelerine
bağlı olan ağırlık vektörüdür. ise i’ninci gizli sinir
hücresinin eşik değeridir. ise ve ’nin içsel
çarpımını ifade eder.
tane gizli sinir hücresine ve g(x) aktivasyon
fonksiyonuna sahip standart TGKIB ortalama sıfır
hataya yaklaşabilir,
 , , ve
arasındaki ilişki aşağıdaki eşitlikte verilmiştir;

 (2)
Denklem 2’de verilen N tane eşitlik, Denklem
3’deki gibi kısaltılabilir:

(3)
International Artificial Intelligence and Data Processing Symposium (IDAP'16)
September 17-18, 2016 Malatya/TURKEY
533
Burada;
 
 
 


ve

(5)
Sinir ağının gizli katmandaki çıkış matrisi H diye
adlandırılır ve H’ın i’ninci sütunu
girişlerinin i’ninci gizli sinir hücrelerinin çıkış
vektörüdür.
3. YEREL ALICI ALANLAR AŞIRI ÖĞRENME
MAKİNESİ (YAA-AÖM)
YAA-AÖM yeni bir derin öğrenme kavramı olup,
temel olarak birbirinden bağımsız iki farklı yapıyı
bünyesinde barındırmaktadır [10]. Bu yapılardan
ilkini, öğrenmenin olmadığı, evrişim ve toparlama
süreçlerinin olduğu yapı oluşturmaktadır. İkinci
yapı ise en küçük kareler çözümü ile β’nin analitik
hesaplanması aşamasıdır. Birinci yapıda kullanılan
toparlama için kare/karekök işlevi kullanılmaktadır.
a) Birinci yapı: Daha öncede belirtildiği gibi
bu bölümde herhangi bir öğrenme olmamaktadır.
Diğer bir ifade ile bu bölümde ağırlık yenilenmesine
ihtiyaç duyulmamaktadır. Kullanılan K adet evrişim
filtresinin katsayıları başlangıçta rasgele seçilir.
Eğer öznitelikleri çıkarılacak giriş imgesinin boyutu
dxd ve evrişim filtresi boyutu rxr ise, evrişim
katmanı sonunda (d-r+1)x(d-r+1)xK boyutlu
öznitelik haritası elde edilir. Toparlama katmanında,
verilen bir pencere boyutunda öznitelikler toparlanır.
b) İkinci yapı: Bir önceki yapıda her bir giriş
imgesi için elde edilen öznitelikler bir matriste
birleştirilerek eğitim veri seti elde edilmişti. Bu
yapıda ise sadece AÖM’nin gizli katman ile çıkış
arasındaki ağırlık vektörü β’nin analitik olarak
hesaplanmasını gerektirir. Diğer bir ifade ile önceki
aşamada elde edilen öznitelik matrisi,
 matrisi olarak kabul edilir ve β
analitik olarak şöyle hesaplanır;


Burada T, eğitim veri seti için sınıf etiketlerini, I
birim matrisi ve C ise regülasyon katsayısı olarak
adlandırılır.
4. DENEYSEL ÇALIŞMALAR
YAA-AÖM yapısının yaprak sınıflandırma
başarımının değerlendirmesi için bilgisayar ortamında bir
dizi deneysel çalışmalar yapılmıştır. Çalışma için
Malatya ilinde bulunan Gıda Tarım ve Hayvancılık
Bakanlığına bağlı Kayısı Araştırma Enstitüsü Müdürlüğü
bahçesinde yetişen kayısı türüne ait 7 farklı genotip için
veri tabanı oluşturulmuştur. Bu türler sırası ile Apikoz
Şalak, Çataloğlu, Çekirge iz, Hacıkızı, Hırmanlı, Paviot
ve Tokatoğlu Erzincan’dır. Şekil 1’de her bir türe ait bir
resim verilmiştir. Bu genotiplere ait ağaçlardan
olgunlaşmış yapraklar ziraat mühendisi ile birlikte
toplanarak görüntüleri veri tabanına kaydedilmiştir. Her
yaprak, beyaz bir fon üzerine farklı açılarla yerleştirilmiş
ve sabit 30 cm yükseklikten görüntüleri alınarak veri
tabana kaydedilmiştir.
Şekil 1. Kullanılan kayısı yaprağı imgeleri, a)Apikoz
Şalak, b)Çataloğlu, c)Çekirge iz, ç)Hacıkızı, d)Hırmanlı,
e)Paviot ve f)Tokatoğlu Erzincan
Çalışmada 7 türe ait toplam 357 adet imge kullanılmıştır.
Bu imgelerden rasgele seçilen 210 adedi YAA-AÖM’nin
eğitiminde, geri kalan 146 adet imge ise YAA-AÖM’nin
başarım testinde kullanılmıştır. Kullanılan bütün imgeler
ilk önce gri tona çevrilmiş ve 32x32 boyutuna yeniden
boyutlandırılmıştır. YAA-AÖM’nin ayarlanabilir 4
parametresi mevcuttur. Bunlar sırası ile evrişim filtresi
boyutu r, evrişim filtresi sayısı K, toparlama boyutu ve C
regülasyon katsayısıdır. K değeri 10, evrişim filtresi
boyutu 3, toparlama filtresi boyutu 2 olarak
belirlenmiştir. Şekil 2 ve 3’de sırası ile evrişim katmanı
ve toparlama katmanı sonrasında elde edilen öznitelik
haritaları gösterilmiştir.
Şekil 2. Evrişim sonrası öznitelik haritala
International Artificial Intelligence and Data Processing Symposium (IDAP'16)
September 17-18, 2016 Malatya/TURKEY
534
Şekil 3.Toparlama sonrası öznitelik haritaları
Yapılan deneylerde en iyi regülasyon katsayısının 5 olduğu
görülmüştür. Ayrıca yığın boyutu 50 olarak seçilmiştir.
Deneysel çalışmalar Matlab ortamında gerçekleştirilmiş olup,
97,26% bir doğruluk başarımı elde edilmiştir. Her bir sınıfa
ait sınıflandırma başarımları Tablo 1’de verilmiştir.
Gerçek
Api
Çek
Hac
Hır
Pav
Tok
Tahmin Edilen
Api
19
0
0
0
0
0
Çat
0
0
0
0
0
0
Çek
0
12
0
0
0
0
Hac
0
0
22
0
0
0
Hır
0
0
0
10
0
0
Pav
0
0
0
0
23
0
Tok
0
2
0
0
1
22
Tablo 1.Sınıflandırma başarıları
5. SONUÇLAR
Bu çalışmada YAA-AÖM yapısı ile yaprak tanıma
gerçekleştirilmiştir. Yöntem, ESA ile
karşılaştırıldığında daha basit ve daha kullanışlıdır.
Eğitim süreci herhangi bir iterasyon gerektirmediği için
zaman almamaktadır. Öğrenilmesi gereken parametre
sayısı olarak da düşünüldüğünde yine önemli avantajlar
sunmaktadır. Önceki çalışmada farklı kayısı türleri,
derin öğrenme mimarilerinden ESA kullanılarak
yaprak tanıma tabanlı sınıflandırılması
gerçekleştirilmiş ve 90,41% bir doğruluk bulunmuştur.
YAA-AÖM yapısı ile yaprak tanıma aynı veri setine
uygulanmış ve 97,26% bir doğruluk elde edilmiştir.
Elde edilen sonuçlardan, YAA-AÖM yapısının nesne
tanıma uygulamalarında kullanılabilecek önemli bir
araç olduğu sonucu çıkalmıştır.
Teşekkür: Yapılan çalışma, Fırat Üniversitesi Bilimsel
Araştırma Projeleri Koordinasyon Birimi Tarafından
TEKF.16.03 nolu proje ile desteklenmiştir.
6. KAYNAKLAR
[1] Kır B., Öz C., Gülbağ A., “Leaf recognition using K-
NN classification algorithm”, 2012 20th Signal
Processing and Communications Applications
Conference (SIU), 1 4, 18-20 April 2012, Mugla.
[2] Türkoğlu M., Alçin Ö.F., Üstündağ M., Hanbay D.,
“Leaf Recognition and Classification Based On
Geometric and Statistical Features”, International
Conference on Natural Science and Engineering
(ICNASE’16), March 19-20 2016, Kilis.
[3] Tang Z., Su Y., Er M.J., Qi F., Zhang L., Zhou J., “A
local binary pattern based texture descriptors for
classification of tea leaves”, Neurocomputing 168
(2015) 10111023.
[4] Chaki J., Parekh R., Bhattacharya S., “Plant leaf
recognition using texture and shape features with
neural classifiers”, Pattern Recognition Letters 58
(2015) 6168.
[5] Chaki J., Parekh R., Bhattacharya S., “Recognition of
whole and deformed plant leaves using statistical
shape features and neuro-fuzzy classifier”, Recent
Trends in Information Systems (ReTIS), 2015
IEEE 2nd International Conference on, 189 194, 9-
11 July 2015, Kolkata.
[6] Ari, B., Sengur, A., Ari, A., Hanbay D., “Apricot
Plant Classification Based On Leaf Recognition by
Using Convolutional Neural Networks”, International
Conference on Natural Science and Engineering
(ICNASE’16), March 19-20 2016, Kilis.
[7] Huang, G.-B., Zhu, Q.-Y. ve Siew, C.-K., “Extreme
learning machine: theory and applications”,
Neurocomputing, Cilt 70, No 1, 489-501, 2006.
[8] G.-B. Huang, Z. Bai, L. L. C. Kasun, and C. M.
Vong, “Local receptive fields based extreme
learning machine,” IEEE Computational Intelligence
Magazine, vol. 10, pp. 1829, 2015.
[9] Huang, G.-B., Zhu, Q.-Y., & Siew, C.-K. (2006).
Extreme Learning Machine: Theory and
Applications. Neurocomputing, 70, 489-501.
International Artificial Intelligence and Data Processing Symposium (IDAP'16)
September 17-18, 2016 Malatya/TURKEY
535
... Bu türler sırası ile Aprikoz alak, Çatalo lu, Çekirge z, Hacıkızı, Hırmanlı, Paviot ve Tokato lu Erzincan'dır. ekil 3'te her bir türe ait bir resim verilmi tir [18]. Bu genotiplere ait a açlardan olgunla mı yapraklar ziraat mühendisi ile birlikte toplanarak görüntüler veri tabanına kaydedilmi tir. ...
... Ayrıca önceki yaptı ımız [18] ve [19] çalı maların sınıflandırma performansları ile bu çalı mada önerilen yöntemin sınıflandırma performansı kar ıla tırılmı tır. [18] 90,4 [19] 97,3 ...
... Ayrıca önceki yaptı ımız [18] ve [19] çalı maların sınıflandırma performansları ile bu çalı mada önerilen yöntemin sınıflandırma performansı kar ıla tırılmı tır. [18] 90,4 [19] 97,3 ...
Conference Paper
Full-text available
Özet-Makine öğrenmesi ve görüntü işleme tabanlı otomatik bitki türlerinin sınıflandırılması, bitki uzmanları için önem arz etmektedir. Literatüre konu ile ilgili birçok çalışma kazandırılmıtır. Günümüzde aratırmacılar derin öğrenmeyi çeşitli görüntü tabanlı nesne tanıma görevlerine uygulamıştır. Bu çalışmada Derin Evrişimsel Sinir Ağları (DESA) tabanlı otomatik kayısı türlerinin sınıflandırılması yapılmıştır. Önerilen yöntemde önceden eğitilmiş bir DESA modeli olan VGG19 modeli kullanılmıştır. Üç farklı tam bağlı katmandan elde edilen öznitelikler farklı kombinasyonlar ile birleştirilerek yedi farklı öznitelik vektörü elde edilmiştir. Bu öznitelik vektörleri Aşırı Öğrenme Makinelerinin (AÖM) girişine verilerek çalışma için oluşturulan veri setindeki yedi farklı kayısı türü sınıflandırılmıştır. En yüksek başarım oranı %98,8 ile fc8 katmanından alınırken en düşük başarım oranı ise %95,2 ile fc6 ve fc7 katmanlarının birleşiminden elde edilen öznitelik vektöründen elde edilmitir. Anahtar Kelimeler-derin evrişimsel sinir aları, derin öğrenme, sınıflandırma, aşırı öğrenme makineleri Abstract-Machine learning and image processing-based classification of automated plant species is significant for plant experts/ herbalists. Many studies on the subject have been gained to the literature. Today, researchers have applied deep learning to various image-based object recognition tasks. In this study, the classification of automatic apricot species based on Deep Convolutional Neural Networks (DCNN) has been made. The proposed method used the VGG19 model, a pre-trained DCNN model. Seven different feature vectors were obtained by combining the features obtained from three different fully connected layers in different combinations. These feature vectors were given to the input of Excessive Learning Machines and seven different apricot types were classified. The highest performance rate was obtained from the fc8 layer as 98.8%, and the lowest performance rate was obtained from the feature vector obtained from the combination of fc6 and fc7 layers as 95.2%.
Conference Paper
Full-text available
Image processing based automated cataloging plant has recently attracted considerable attention and presented many publications on the subject. In this study, 7 different types of apricot leaves were classified by using image processing and deep learning. Convolutional Neural Networks (CNN) was considered as a Deep Learning method. The considered CNN model was composed of 6 layers such as one input layer, 3 convolutional layers and 2 subsampling layers. The performance evaluation was carried out with the experimental works that were conducted on Matlab environment. The obtained results showed 90,41 % accuracy ÖZET İmge işleme tabanlı otomatik bitki kataloglama son zamanlarda bir hayli dikkat çekmiş ve konu ile ilgili birçok yayın sunulmuştur. Bu çalışmada 7 farklı kayısı türü imge işleme ve derin öğrenme kullanılarak yaprak tanıma tabanlı sınıflandırılması gerçekleştirilmiştir. Derin öğrenme yöntemi olarak, Evrişimsel Sinir Ağları (ESA) kullanılmıştır. Kullanılan ESA modeli, 6 katmanlı olup bir giriş katmanı, 3 evrişim katmanı ve 2 alt örnekleme katmanı mevcuttur. Önerilen yöntemin başarım değerlendirmesi ile ilgili deneysel çalışmalar Matlab ortamında gerçekleştirilmiştir. Elde edilen sonuçlar 90,41% bir doğruluk göstermektedir. Anahtar Kelimeler: Kayısı plant sınıflandırma; yaprak Tanıma; Derin öğrenme; Evrişimsel Sinir Ağları.
Article
Full-text available
This paper proposes a novel methodology of characterizing and recognizing plant leaves using a combination of texture and shape features. Texture of the leaf is modeled using Gabor filter and Gray Level Co-occurrence Matrix (GLCM) while shape of the leaf is captured using a set of Curvelet transform coefficients together with Invariant Moments. Since these features are in general sensitive to the orientation and scaling of the leaf image, a pre-processing stage prior to feature extraction, is applied to make corrections for varying translation, rotation and scaling factors. Efficacy of the proposed methods is studied by using two neural classifiers : a neuro-fuzzy controller (NFC) and a feed-forward back-propagation multi-layered perceptron (MLP) to discriminate between 31 classes of leaves. The features have been applied individually as well as in combination to investigate how recognition accuracies can be improved. Experimental results demonstrate that the proposed approach is effective in recognizing leaves with varying texture, shape, size and orientations to an acceptable degree. http://www.sciencedirect.com/science/article/pii/S0167865515000586
Article
It is clear that the learning speed of feedforward neural networks is in general far slower than required and it has been a major bottleneck in their applications for past decades. Two key reasons behind may be: (1) the slow gradient-based learning algorithms are extensively used to train neural networks, and (2) all the parameters of the networks are tuned iteratively by using such learning algorithms. Unlike these conventional implementations, this paper proposes a new learning algorithm called extreme learning machine (ELM) for single-hidden layer feedforward neural networks (SLFNs) which randomly chooses hidden nodes and analytically determines the output weights of SLFNs. In theory, this algorithm tends to provide good generalization performance at extremely fast learning speed. The experimental results based on a few artificial and real benchmark function approximation and classification problems including very large complex applications show that the new algorithm can produce good generalization performance in most cases and can learn thousands of times faster than conventional popular learning algorithms for feedforward neural networks.1
Article
For tea processing production lines, different fresh tea leaves require different processing parameters for the control systems of tea machines. Hence, an effective algorithm for classification of tea leaves will be important for automatic tea processing. However, most of tea classification researches were focused on gross tea, instead of fresh tea leaves. In this paper, a texture extraction method combing a non-overlap window local binary pattern (LBP) and Gray Level Co-Occurrence Matrix (GLCM) has been proposed for green tea leaves classification. By taking advantages of both LBP and GLCM for texture extraction, this method is able to effectively extract texture of tea leaves for classification at low computational cost to meet automatic tea production line requirements. The experiments have been conducted to prove the effectiveness of the proposed method.
Article
Extreme learning machine (ELM), which was originally proposed for "generalized" single-hidden layer feedforward neural networks (SLFNs), provides efficient unified learning solutions for the applications of feature learning, clustering, regression and classification. Different from the common understanding and tenet that hidden neurons of neural networks need to be iteratively adjusted during training stage, ELM theories show that hidden neurons are important but need not be iteratively tuned. In fact, all the parameters of hidden nodes can be independent of training samples and randomly generated according to any continuous probability distribution. And the obtained ELM networks satisfy universal approximation and classification capability. The fully connected ELM architecture has been extensively studied. However, ELM with local connections has not attracted much research attention yet. This paper studies the general architecture of locally connected ELM, showing that: 1) ELM theories are naturally valid for local connections, thus introducing local receptive fields to the input layer; 2) each hidden node in ELM can be a combination of several hidden nodes (a subnetwork), which is also consistent with ELM theories. ELM theories may shed a light on the research of different local receptive fields including true biological receptive fields of which the exact shapes and formula may be unknown to human beings. As a specific example of such general architectures, random convolutional nodes and a pooling structure are implemented in this paper. Experimental results on the NORB dataset, a benchmark for object recognition, show that compared with conventional deep learning solutions, the proposed local receptive fields based ELM (ELM-LRF) reduces the error rate from 6.5% to 2.7% and increases the learning speed up to 200 times.
Leaf recognition using K-NN classification algorithm
  • B Kır
  • C Öz
  • A Gülbağ
Kır B., Öz C., Gülbağ A., "Leaf recognition using K-NN classification algorithm", 2012 20th Signal Processing and Communications Applications Conference (SIU), 1 -4, 18-20 April 2012, Mugla.
Leaf Recognition and Classification Based On Geometric and Statistical Features
  • M Türkoğlu
  • Ö F Alçin
  • M Üstündağ
  • D Hanbay
Türkoğlu M., Alçin Ö.F., Üstündağ M., Hanbay D., "Leaf Recognition and Classification Based On Geometric and Statistical Features", International Conference on Natural Science and Engineering (ICNASE'16), March 19-20 2016, Kilis.