3 Phương pháp đề xuất và kết quả thử nghiệm
3.7 Kết quả thử nghiệm với các khoảng hướng khác nhau
Bảng 3.1: Kết quả phân lớp trên ba tập dữ liệu của hai phương pháp đề xuất
Proposed Methods Concatenation GLBP
Trunk12 73.45% 78.39%
AFF 71.33% 72.21%
Barktex 91.33% 94.39%
Bảng 3.1 thống kê độ chính xác trên ba tập dữ liệu. Kết quả từ bảng cho thấy, phương pháp GLBP cho kết quả phân lớp rất tốt. Cụ thể tỷ lệ phân lớp tăng từ 73.45% lên 78.39% với tập dữ liệu Trunk12, từ 71.33% lên 72.21% với tập dữ liệu AFF và từ 91.33% lên 94.39% với tập dữ liệu BarTex. Cải thiện độ chính xác hơn 1% đối với tất cả các tập dữ liệu, điều này cho thấy GLBP
Bảng 3.2: So sánh với một số nghiên cứu hiện tại
Datasets/Method Fiel et al., 2011 [8] Boudra et al., 2017[16] GLBP
Trunk12 - 62.80% 78.39%
AFF 69.70% 60.50% 72.21%
Barktex - 84.60% 94.39%
rất phù hợp cho việc mã hóa thông tin vân cục bộ của ảnh vỏ cây.
Đồng thời, đề tài cũng thực hiện so sánh kết quả với một số nghiên cứu gần đây như trong bảng 3.2. Từ bảng so sánh cho thấy phương pháp đề xuất đã khai thác thông tin gồm giá trị điểm ảnh và gradient một cách hiệu quả để mô tả cho ảnh vân vỏ cây.
Kết luận
Trong đề tài này, chúng tôi đã đề xuất hai phương pháp để trích xuất và mã hóa đặc trưng vân của ảnh vỏ cây nhằm nâng cao chất lượng phân lớp trong bài toán nhận dạng loại cây một cách tự động từ các ảnh vỏ cây. Phương pháp thứ nhất (kết hợp trực tiếp các lược đồ của giá trị điểm ảnh và lược đồ gradient) tuy dễ cài đặt nhưng chiều dài của lược đồ kết quả sẽ dài hơn và chi phí tính toán sẽ cao hơn. Vấn đề này được giải quyết trong đề xuất thứ hai GLBP. Trong đề xuất này, vân ảnh cục bộ được mã hóa một cách hiệu quả bởi sự kết hợp độ lớn điểm ảnh và thông tin gradient. Kết quả thử nghiệm cho thấy, GLBP mang lại độ chính xác cao hơn so với phương pháp kết hợp trực tiếp cũng như một vài nghiên cứu trước đó.
Bên cạnh đó, chúng ta cũng thấy rằng độ chính xác phân lớp hiện nay chưa đạt đến tỷ lệ tuyệt đối do nhiều nguyên nhân như ảnh vỏ cây sẽ thay đổi theo từng độ tuổi, màu sắc ảnh vỏ cây có thể bị ảnh hưởng bởi môi trường xung quanh, đặc biệt tuy cùng một loại cây nhưng ảnh vỏ cây cũng vô cùng phong phú. Trong các nghiên cứu tương lai, chúng tôi sẽ tiếp tục nghiên cứu và xây dựng mô hình học tổng quát hơn để có thể cải thiện độ chính xác của hệ thống phân lớp.
Tài liệu tham khảo
[1] Phan Thị Thu Hồng và các tác giả, Ứng dụng phân lớp ảnh chụp lá cây bằng phương pháp máy vector hỗ trợ, tạp chí Khoa học và Phát triển, 2013. [2] N. S. Altman,An introduction to kernel and nearest-neighbor nonparamet-
ric regression, The American Statistician, 46(3), 175-185, 1992).
[3] C. Cortes, V. Vapnik,Support-vector networks, Machine learning , 273-97, 1995.
[4] R. Lakmann, Statistische Modellierung von Farbtexturen, F¨olbach,s 1998. [5] A. Oliva and A. Torralba, Modeling the Shape of the Scene: A Holistic
Representation of the Spatial Envelope, IJCV 42, 2001.
[6] T. Ojala and M. P. inen, Multiresolution Gray-Scale and Rotation Invari- ant Texture Classification with Local Binary Patterns, IEEE TRANSAC- TIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, vol. 24, no. 7, p. 17, 2002.
[7] M. Douze, H. Jégou, H. Sandhawalia, L. Amsaleg, and C. Schmid, Evalu- ation of GIST descriptors for web-scale image search, International Con- ference on Image and Video Retrieval - CIVR ’09, 2009.
[8] S. Fiel, R. Sablatnig,Automated identification of tree species from images of the bark, leaves or needles, na, 2010.
[9] H. Go¨eau, P. Bonnet., A. Joly, N. Boujemaa, D. Barthélémy, J. F. Molino, ... M. Picard, The ImageCLEF 2011 plant images classi cation task, In ImageCLEF, 2011.
Báo cáo tổng kết . . . .Mã số: T2018.07.02
[10] N. Kumar et al., Leafsnap: A Computer Vision System for Automatic Plant Species Identification, Computer Vision – ECCV 2012, 2012.
[11] M. ˇSvab. Computer-vision-based tree trunk recognition, 2014.
[12] S. Boudra, I. Yahiaoui, and A. Behloul,A Comparison of Multi-scale Lo- cal Binary Pattern Variants for Bark Image Retrieval, in Advanced Con- cepts for Intelligent Vision Systems, vol. 9386, S. Battiato, J. Blanc-Talon, G. Gallo, W. Philips, D. Popescu, and P. Scheunders, Eds. Cham: Springer International Publishing, pp. 764–775, 2015.
[13] L. J. Blaanco, C. M. Travieso, J. M. Quinteiro, P. V. Hernandez, M. K. Dutta, and A. Singh, A bark recognition algorithm for plant classification using a least square support vector machine, in 2016 Ninth International Conference on Contemporary Computing (IC3), Noida, India, 2016. [14] C. H. Arun and D. Christopher Durairaj, Identifying Medicinal Plant
Leaves using Textures and Optimal Colour Spaces Channel, Jurnal Ilmu Komputer dan Informasi, vol. 10, no. 1, p. 19, Feb. 2017.
[15] S. Bertrand, G. Cerutti, and L. Tougne, Bark Recognition to Im- prove Leaf-based Classification in Didactic Tree Species Identification, pp. 435–442, 2017.
[16] S. Boudra, I. Yahiaoui, and A. Behloul,Statistical Radial Binary Patterns (SRBP) for Bark Texture Identification, in Advanced Concepts for Intel- ligent Vision Systems, vol. 10617, J. Blanc-Talon, R. Penne, W. Philips, D. Popescu, and P. Scheunders, Eds. Cham: Springer International Pub- lishing, pp. 101–113, 2017.
[17] S. H. Lee, C. S. Chan, S. J. Mayo, and P. Remagnino, How deep learning extracts and learns leaf features for plant classification, Pattern Recogni- tion, vol. 71, pp. 1–13, Nov. 2017.
[18] S. Bertrand, R. Ben Ameur, G. Cerutti, D. Coquin, L. Valet, and L. Tougne, Bark and leaf fusion systems to improve automatic tree species recognition, Ecological Informatics, vol. 46, pp. 57–73, Jul. 2018.