Bayesiläiset graafiset mallit konenäössä : kukkivien kasvien lajintunnistus

Abstract

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.