Application of artificial neural networks in image recognition and classification of crop and weeds
Notice bibliographique
Résumé
Yang, C.-C., Prasher, S.O., Landry, J.-A., Ramaswamy, H.S. and DiTommaso. 2000. Application of artificial neural networks in image recognition and classification of crop and weeds. Can. Agric. Eng. 42:147-152. The objective of this study was to develop a backpropagation artificial neural network (ANN) model that could distinguish young corn plants from weeds. Although only the colour indices associated with image pixels were used as inputs, it was assumed that the ANN model could develop the ability to use other information, such as shapes, implicit in these data. The 756x504 pixel images were taken in the field and were then cropped to 100x100-pixel images depicting only one plant, either a corn plant or weeds. There were 40 images of corn and 40 of weeds. The ability of the ANNs to discriminate weeds from corn was then tested on 20 other images. A total of 80 images of corn plants and weeds were used for training purposes. For some ANNs, the success rate for classifying corn plants was as high as 100%, whereas the highest success rate for weed recognition was 80%. This is considered satisfactory, given the limited amount of training data and the computer hardware limitations. Therefore, it is concluded that an ANN-based weed recognition system can potentially be used in the precision spraying of herbicides in agricultural fields.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».