Leaf Recognition System

ਵੇਰਵਾ

ਪੌਦੇ ਹਰ ਜਗ੍ਹਾ ਮੌਜੂਦ ਹੁੰਦੇ ਹਨ ਜਿੱਥੇ ਅਸੀਂ ਰਹਿੰਦੇ ਹਾਂ, ਅਤੇ ਨਾਲ ਹੀ ਸਾਡੇ ਬਿਨਾਂ ਸਥਾਨ ਵੀ। ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ ਬਹੁਤ ਸਾਰੇ ਮਨੁੱਖੀ ਸਮਾਜ ਦੇ ਵਿਕਾਸ ਲਈ ਮਹੱਤਵਪੂਰਨ ਜਾਣਕਾਰੀ ਰੱਖਦੇ ਹਨ। ਜ਼ਰੂਰੀ ਸਥਿਤੀ ਇਹ ਹੈ ਕਿ ਬਹੁਤ ਸਾਰੇ ਪੌਦੇ ਅਲੋਪ ਹੋਣ ਦੇ ਖ਼ਤਰੇ ਵਿੱਚ ਹਨ। ਇਸ ਲਈ ਪੌਦਿਆਂ ਦੀ ਸੁਰੱਖਿਆ ਲਈ ਡਾਟਾਬੇਸ ਸਥਾਪਤ ਕਰਨਾ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ। ਸਾਡਾ ਮੰਨਣਾ ਹੈ ਕਿ ਪਹਿਲਾ ਕਦਮ ਕੰਪਿਊਟਰ ਨੂੰ ਸਿਖਾਉਣਾ ਹੈ ਕਿ ਪੌਦਿਆਂ ਦਾ ਵਰਗੀਕਰਨ ਕਿਵੇਂ ਕਰਨਾ ਹੈ। ਹੋਰ ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ ਵਿੱਚ, ਜਿਵੇਂ ਕਿ ਸੈੱਲ ਅਤੇ ਅਣੂ ਜੀਵ ਵਿਗਿਆਨ ਵਿਧੀਆਂ, ਪੱਤੇ ਦੇ ਚਿੱਤਰ ਦੇ ਅਧਾਰ ਤੇ ਵਰਗੀਕਰਨ ਪੱਤਾ ਪੌਦੇ ਦੇ ਵਰਗੀਕਰਨ ਲਈ ਪਹਿਲੀ ਪਸੰਦ ਹੈ। ਪੱਤਿਆਂ ਦਾ ਨਮੂਨਾ ਲੈਣਾ ਅਤੇ ਉਹਨਾਂ ਦੀ ਫੋਟੋ ਖਿੱਚਣਾ ਘੱਟ ਲਾਗਤ ਵਾਲੇ ਅਤੇ ਸੁਵਿਧਾਜਨਕ ਹਨ। ਕੋਈ ਵੀ ਆਸਾਨੀ ਨਾਲ ਪੱਤੇ ਦੇ ਚਿੱਤਰ ਨੂੰ ਕੰਪਿਊਟਰ ਵਿੱਚ ਟ੍ਰਾਂਸਫਰ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਇੱਕ ਕੰਪਿਊਟਰ ਚਿੱਤਰ ਪ੍ਰੋਸੈਸਿੰਗ ਤਕਨੀਕਾਂ ਵਿੱਚ ਆਪਣੇ ਆਪ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਐਕਸਟਰੈਕਟ ਕਰ ਸਕਦਾ ਹੈ। ਕੁਝ ਪ੍ਰਣਾਲੀਆਂ ਬਨਸਪਤੀ ਵਿਗਿਆਨੀਆਂ ਦੁਆਰਾ ਵਰਤੇ ਗਏ ਵਰਣਨਾਂ ਨੂੰ ਲਾਗੂ ਕਰਦੀਆਂ ਹਨ। ਪਰ ਉਹਨਾਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਕੰਪਿਊਟਰ ਵਿੱਚ ਐਕਸਟਰੈਕਟ ਕਰਨਾ ਅਤੇ ਟ੍ਰਾਂਸਫਰ ਕਰਨਾ ਆਸਾਨ ਨਹੀਂ ਹੈ।

ਅਸੀਂ ਪੱਤਾ ਵਰਗੀਕਰਣ ਲਈ ਇੱਕ ਕੁਸ਼ਲ ਐਲਗੋਰਿਦਮ ਵਿਕਸਿਤ ਕੀਤਾ ਹੈ ਜੋ ਚਿੱਤਰ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਉੱਚ-ਕ੍ਰਮ ਦੇ ਅੰਕੜਿਆਂ ਨੂੰ ਆਕਾਰ ਦੀ ਜਾਣਕਾਰੀ ਅਤੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਨੂੰ ਗੈਰ-ਰੇਖਿਕ ਵਰਗੀਕਰਣ ਵਜੋਂ ਜੋੜਦਾ ਹੈ। ਕੋਡ ਦੀ ਜਾਂਚ FLAVIA ਡੇਟਾਬੇਸ ਦੁਆਰਾ 92.09% ਦੀ ਇੱਕ ਸ਼ਾਨਦਾਰ ਮਾਨਤਾ ਦਰ (32 ਕਲਾਸਾਂ, 40 ਸਿਖਲਾਈ ਚਿੱਤਰ ਅਤੇ ਬਾਕੀ ਬਚੀਆਂ ਤਸਵੀਰਾਂ ਹਰੇਕ ਕਲਾਸ ਲਈ ਟੈਸਟਿੰਗ ਲਈ ਵਰਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਨਾਲ ਟੈਸਟ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ, ਇਸਲਈ ਕੁੱਲ ਮਿਲਾ ਕੇ ਚੁਣੇ ਗਏ 1280 ਸਿਖਲਾਈ ਚਿੱਤਰ ਅਤੇ 627 ਟੈਸਟ ਚਿੱਤਰ ਹਨ ਅਤੇ ਕੋਈ ਨਹੀਂ। ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਚਿੱਤਰਾਂ ਵਿਚਕਾਰ ਓਵਰਲੈਪ ਮੌਜੂਦ ਹੈ)।

ਸਾਡੀ ਪਹੁੰਚ FLAVIA ਐਲਗੋਰਿਦਮ ਨੂੰ ਪਛਾੜਦੀ ਹੈ ਅਤੇ ਇਸ ਤੋਂ ਇਲਾਵਾ ਇਸ ਨੂੰ ਕਿਸੇ ਮਨੁੱਖੀ ਦਖਲਅੰਦਾਜ਼ੀ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ। FLAVIA ਐਲਗੋਰਿਦਮ ਵਿੱਚ ਅਸਲ ਵਿੱਚ ਤੁਹਾਨੂੰ ਮਾਊਸ ਕਲਿੱਕ ਰਾਹੀਂ ਪੱਤੇ ਦੀ ਮੁੱਖ ਨਾੜੀ ਦੇ ਦੋ ਟਰਮੀਨਲਾਂ ਨੂੰ ਮਾਰਕ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਦੋ ਟਰਮੀਨਲਾਂ ਵਿਚਕਾਰ ਦੂਰੀ ਨੂੰ ਸਰੀਰਕ ਲੰਬਾਈ ਵਜੋਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।