1. Latar Belakang
Tanaman adalah hal yang sangat penting bagi kehidupan dan perkembangan
manusia. Semua di dunia, saat ini ada sekitar 310000-420000 spesies tanaman
yang diketahui, dan banyak yang masih belum diketahui namun.
Saat ini, taksonomi tanaman biasanya mengadopsi metode klasifikasi tradisional.
Dan sejauh ini banyak klasifikasi lainnya metode, seperti anatomi morfologi,
biologi sel, biologi molekul, fitokimia, juga telah digunakan. Metode-metode ini
sangat berhubungan dengan biologi dan kimia. Meski demikian, akuisisi data
yang dibutuhkan dari tubuh atau spesimen hidup tanaman secara langsung dan
otomatis oleh komputer belum dilaksanakan.
Dengan memburuknya lingkungan, semakin banyak spesies tanaman langka
berada di ambang kepunahan. Banyak tanaman langka yang mati. Saat ini, ada
sekitar 22–47% spesies tumbuhan dari semua tanaman yang diketahui yang
terancam punah, dimana ada sekitar 100.000–15.000 tanaman yang mungkin akan
mati dalam waktu singkat. Begitu, perlu dan mendesak bagi kami untuk membuat
basis data bio-diversity dengan teknologi informasi sesegera mungkin.
Sejak beberapa dekade terakhir, pemrosesan gambar digital, analisis gambar dan
visi mesin telah dikembangkan dengan tajam, dan telah menjadi bagian yang
sangat penting dari kecerdasan buatan dan antarmuka antara manusia dan mesin
grounded theory dan teknologi terapan. Teknologi ini telah diterapkan secara luas
dalam industri dan kedokteran, tetapi jarang di dunia yang terkait dengan
pertanian.
Pekerjaan penelitian kami dalam makalah ini adalah memperkenalkan teori
pengolahan citra digital ke dalam taksonomi numerik dalam botani. Umumnya,
fitur morfologi digital paling konvensional dan banyak digunakan. Jadi ini
Metode ekstraksi fitur yang efisien diadopsi dalam makalah ini. Dengan
menghitung fitur morfologi digital dari beberapa jenis spesies tumbuhan,
tumbuhan dapat diklasifikasikan secara otomatis.
Makalah ini disusun sebagai berikut: Bagian 2 memperkenalkan metode pre
processing akuisisi gambar. Di Bagian 3, metode ekstraksi fitur morfologi digital
dijelaskan dan dibahas. Bagian 4 menyajikan prinsip dasar dari sentra pemindahan
pusat median baru (MMC) hipersfer. Eksperimen Hasilnya disajikan dalam
Bagian 5, dan Bagian 6 menyimpulkan keseluruhan makalah dan memberikan
kesimpulan terkait.
3.2. Rectangularity
The persegi panjang, mewakili rasio area ROI dan area MBR, dihitung oleh
A ROI
R = Dmax x Dmin
3,5. Kebulatan
kebulatan didefinisikan sebagai
ri
S = rc
di mana μR adalah jarak rata-rata antara pusat ROI dan semua poin yang
membatasi, dan σR adalah deviasi rata-rata kuadrat dari jarak rata-rata:
3.7. Keanehan
Eksentrisitas didefinisikan sebagai rasio panjang sumbu inersia utama dari ROI
EA dengan panjang sumbu inersia minor dari ROI EB
EA
E = EB
di mana Xij adalah elemen ke-j dari fitur vektor Xi, θjMax adalah nilai maksimum
elemen jth dari semua vektor dari kelas yang berbeda dan θjMin adalah nilai
minimum dari elemen ke-j dari semua vektor dari kelas yang berbeda.
Data biasanya mengandung suara, yang menghasilkan sampel tumpang tindih
dalam ruang pola, dan mungkin ada menghasilkan beberapa outlier dalam
kumpulan data pelatihan. Jadi kita perlu menghilangkan pencilan ini dari set data
pelatihan bahwa batas keputusan yang lebih baik dapat dengan mudah dibentuk.
Kami di sini menerapkan metode Wilson Editing untuk menghapusnya
poin yang tidak setuju dengan mayoritas tetangga terdekat mereka.
5. Hasil eksperimen
Percobaan dirancang untuk mengklasifikasikan setiap gambar tes ke dalam satu
kelas. Karena semua gambar daun diambil oleh diri kita sendiri, kelas sejati
mereka diketahui. Dalam percobaan kami, kami mengenali pabrik oleh classifier
MMC. Kami juga melakukan perbandingan kinerja dari classifier MMC dengan
tetangga terdekat (1-NN) metode dan metode k-NN.
Pertama, kami memilih sepuluh sampel sebagai sampel pelatihan, dan sisanya
digunakan sebagai sampel pengujian. Gambar. 5 menunjukkan histogram dari
radiografi hypersphere dari sampel pelatihan, dan tingkat klasifikasi yang benar
dari setiap