University of Jyväskylä | JYX Digital Repository

  • English  | Give feedback |
    • suomi
    • English
 
  • Login
JavaScript is disabled for your browser. Some features of this site may not work without it.
View Item 
  • JYX
  • Opinnäytteet
  • Pro gradu -tutkielmat
  • View Item
JYX > Opinnäytteet > Pro gradu -tutkielmat > View Item

Bayesiläiset graafiset mallit konenäössä : kukkivien kasvien lajintunnistus

Thumbnail
View/Open
3.2Mb

Downloads:  
Show download detailsHide download details  
Authors
Juuti, Tanja
Date
2018
Discipline
TietotekniikkaMathematical Information Technology
Copyright
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.

 
Suomen ympäristöhallinnossa on alettu viime vuosina kiinnostua enenevässä määrin konenäön hyödyntämisestä lajintunnistuksessa. Esimerkiksi tienvarsien haittakasvilajeja on tunnistettu varsin hyvin tuloksin. Koneellinen, lajeja tunnistava luokittelija voidaan toteuttaa esimerkiksi Bayes-verkoilla. Ne ovat todennäköisyysmalleja, joilla voidaan mallintaa muuttujien välisiä riippuvuuksia. Rakenteeltaan erilaiset Bayes-luokittelijat pystyvät eri tavoin huomioimaan piirremuuttujien välisiä riippuvuuksia. Esimerkiksi naiivi Bayes-menetelmä olettaa piirremuuttujien riippuvan ainoastaan lajiluokasta. Tutkimuksen tavoitteena olikin selvittää, millainen Bayes-verkko olisi sopiva luokittelija kukkivien kasvien lajintunnistukseen. Tunnistuskohteeksi valittiin kukat, koska ne ovat monimuotoisuutensa ja erottuvuutensa vuoksi hyviä kohteita elinympäristössään kuvattujen kasvien konenäölliseen lajintunnistukseen. Kukkien väriä kuvattiin värihistogrammien tilastollisilla tunnusluvuilla ja muotoa kuvamomenteilla sekä skaalainvarianteilla pistepiirteillä. Lisäksi kukista määritettiin terälehtien sijaintia ja kokoa kuvaavia piirteitä. Luokittelutulosten perusteella kuvista lasketut piirteet kuvasivat hyvin tutkimuksessa mukana olleiden lajien välisiä eroja. Sen sijaan piirremuuttujien riippuvuuksia huomioivat luokittelumallit eivät tuottaneet naiivia mallia parempia tuloksia. Onkin osoitettu, että tietynlaisissa riippuvuustilanteissa naiivi luokittelija on riippuvuutta huomioivien mallien veroinen. Riittävän yksinkertaisena naiivi malli on myös hyvä yleismalli. Osa tässä tutkimuksessa testatuista malleista oli liian monimutkaisia havaintojen määrään nähden. Jatkossa tulisikin kiinnittää erityishuomiota siihen, millainen piirremuuttujien diskretisointi ja mallin rakennusprosessi tuottavat riittävän yksinkertaisen mutta hyvän mallin. ...
 
In recent years Finland's environmental administration has shown growing interest in utilizing computer vision in species recognition. As an example, good results have been achieved in identifying invasive plant species growing on roadsides. One option to build a classifier to recognize plant species is to use Bayesian networks, which are probability models that are able to model variable interdependencies. Different kinds of Bayesian classifiers have varying abilities to take into account the dependencies between feature variables. For example, naive Bayesian classifier is based on the assumption that the feature variables only depend on the object class. The aim of this study was to find out what kind of Bayesian network would be ideal in identifying flowering plant species. The images of flowers were used because the diversity and distinctness of flowers make them good targets for computer vision purposes. The color of the flower was represented by statistics of the color histogram and the shape of the flower was described with image moments and local scale-invariant features. Additional variables were extracted to represent the size and position of the petals. The classification results showed that the chosen features described the differences between the studied species quite well. However, the models taking into account the interdependencies of the feature variables did not yield any better results compared to the naive Bayesian classifier. In fact, other studies have showed that under certain dependence conditions the naive classifier can have discriminative power equal to the models that take the interdependencies into account. Naive Bayes is also simple enough to function as a good general model. Some models tested in this study were too complicated considering the small number of samples in the dataset. In future, special attention should be paid to how the feature variables should be discretized and how the model should be built in order to achieve a sufficiently simple but powerful model. ...
 
Keywords
Bayes-verkko naiivi Bayes-luokittelija lajintunnistus luokittelu lajinmääritys kasvit koneoppiminen konenäkö
URI

http://urn.fi/URN:NBN:fi:jyu-201811284896

Metadata
Show full item record
Collections
  • Pro gradu -tutkielmat [23383]

Related items

Showing items with similar title or keywords.

  • Benchmark Database for Fine-Grained Image Classification of Benthic Macroinvertebrates 

    Raitoharju, Jenni; Riabchenko, Ekaterina; Ahmad, Iftikhar; Iosifidis, Alexandros; Gabbouj, Moncef; Kiranyaz, Serkan; Tirronen, Ville; Ärje, Johanna; Kärkkäinen, Salme; Meissner, Kristian (Elsevier BV, 2018)
    Managing the water quality of freshwaters is a crucial task worldwide. One of the most used methods to biomonitor water quality is to sample benthic macroinvertebrate communities, in particular to examine the presence and ...
  • Piirtämisen mahdollisuudet kasvien lajintuntemuksen opetuksessa 

    Holopainen, Venla (2015)
    Vuosina 1864–1969 Suomen koulujen oppilaiden odotettiin keräävän kouluvuosiensa aikana 70–200 kasvin kasvio. Lajintuntemustaitojen heikkenemisen vuoksi kasvien kerääminen palautettiin opetussuunnitelmaan vuonna 2004. Nykyään ...
  • Emanuele Coccia: Kasvien elämä 

    Niemi-Pynttäri, Risto (Maailmankirjat, 2020)
  • "Tärkeintä kasvin kasvamiselle on, että se kastuu" : 2., 4. ja 6. -luokkalaisten käsityksiä kasvien kasvamisesta ja ravitsemuksesta 

    Valkonen, Sanna (2002)
  • Kotiloiden luokittelu - neuroverkkojen ja multinomiaalisen logistisen regression sovellus 

    Lintilä, Atte (2014)
  • Browse materials
  • Browse materials
  • Articles
  • Conferences and seminars
  • Electronic books
  • Historical maps
  • Journals
  • Tunes and musical notes
  • Photographs
  • Presentations and posters
  • Publication series
  • Research reports
  • Research data
  • Study materials
  • Theses

Browse

All of JYXCollection listBy Issue DateAuthorsSubjectsPublished inDepartmentDiscipline

My Account

Login

Statistics

View Usage Statistics
  • How to publish in JYX?
  • Self-archiving
  • Publish Your Thesis Online
  • Publishing Your Dissertation
  • Publication services

Open Science at the JYU
 
Data Protection Description

Accessibility Statement

Unless otherwise specified, publicly available JYX metadata (excluding abstracts) may be freely reused under the CC0 waiver.
Open Science Centre