طبقه بندی تصاویر برگ گیاهان با پس زمینه پیچیده با استفاده از الگوریتم های بهینه سازی کلونی مورچگان و شبکه عصبی

طبقه بندی تصاویر برگ گیاهان می تواند به عنوان یکی از گام های اساسی در جهت کشاورزی هوشمند در نظر گرفته شود. در مسئله طبقه بندی تصاویر برگ گیاهان با پس زمینه پیچیده می بایست از میان مجموعه ویژگی های موجود، بهترین ویژگی ها به منظور طبقه بندی تصاویر انتخاب شوند. مسئله انتخاب ویژگی های برتر از میان کل مجموعه ویژگی ها یک مسئله بهینه سازی بوده و می توان از الگوریتم های هوشمند برای حل آن استفاده نمود. در این مقاله یک روش ترکیبی مبتنی بر الگوریتم های بهینه سازی کلونی مورچگان و شبکه عصبی برای مسئله طبقه بندی تصاویر برگ گیاهان دارای پس زمینه پیچیده ارائه می شود. بطور کلی برگ گیاهان را می توان به دو کلاس اصلی گیاهان با برگ ساده و گیاهان با برگ پیچیده تقسیم بندی نمود. روش ترکیبی پیشنهادی بر روی مجموعه داده استاندارد برگ که دارای دو کلاس گیاهان با برگ ساده و برگ پیچیده می باشد پیاده سازی می شود. در این راستا سه سناریو اجرایی مختلف در نظر گرفته شده است. سناریوهای اجرایی با معیارهای میزان خطای میانگین مربعات، دقت تشخیص و نرخ خطا مورد ارزیابی قرار گرفته و بهترین سناریو اجرایی به عنوان سناریو نهایی انتخاب می شود. در نهایت از طبقه بندهای درخت تصمیم جنگل تصادفی و K-نزدیکترین همسایه برای مقایسه با روش پیشنهادی استفاده می شود. نتایج به دست آمده از شبیه سازی نشان می دهد که ترکیب الگوریتم کلونی مورچگان و شبکه عصبی از عملکرد بهتری در مقایسه با سایر روش ها برخوردار است.

کلیدواژه ها:

الگوریتم بهینه سازی کلونی مورچگان ، بهینه سازی ، شبکه های عصبی ، طبقه بندی تصاویر برگ گیاهان