Mesterséges intelligencia alapú növényfelismerő alkalmazások hatékonyságának összehasonlítása
Kulcsszavak:
gépi látás, mesterséges intelligencia, növényfelismerés, mobil alkalmazásAbsztrakt
A technológia fejlődésével egyre több mesterséges intelligenciát használó növényfelismerő szoftverrel találkozhatunk, amelyek megkönnyíthetik a környezetünkben élő növények meghatározását. Munkánk során különböző növényfelismerő szoftverek hatékonyságának összehasonlítása volt a cél. A vizsgálatok helyszíneként a 2024-es évben Kis-Balaton I. ütem (Hídvégi-tó) területén található Kísérleti-tavat, valamint annak közvetlen környezetét választottuk. A gépi látáshoz kapcsolódóan jelen esetben az eszköz feladata az volt, hogy érzékelje az elé helyezett növényt, azt elkülönítse a hátteret jelentő növényektől, és az egyes jellemvonásai alapján döntést hozzon arról, hogy pontosan milyen növényről is van szó. A kutatás során hat különböző növényfelismerő alkalmazást vetettünk össze 15, a területre jellemző növényfajról készített kép elemzése által. A növények egyszerű eszközként jelentek meg a kísérletben, melyek segítségével az applikációk összehasonlítása megvalósulhatott. Kiválasztásuk fő szempontja azt volt, hogy a bemeneti adathalmaz tartalmazzon egyszerű, a háttérrel közel azonos színű, valamint egyedi, színes virágzattal rendelkező növényeket is. Figyelembe vettük a szűkebb és tágabb értelemben vett pontosságot, a kapott eredményeket pedig összevetettük a szoftver fejlesztői által feltüntetett értékekkel. Az eredmények tükrében megállapítottuk, hogy melyik alkalmazás javasolt a növények pontos felismerésére ebben a régióban.
Hivatkozások
Badeka, E., Kalabokas, T., Tziridis, K., Nicolaou, A., Vrochidou, E., Mavridou, E., Papakostas, G.A., Pachidis, T. 2019. Grapes Visual Segmentation for Harvesting Robots Using Local Texture Descriptors. International Conference on Computer Vision Systems. Springer: Thessaloniki, Greece, 98–109. https://doi.org/10.1007/978-3-030-34995-0_9
Chassignol, M., Khoroshavin, A., Klimova, A., Bilyatdinova, A. 2018. Artificial Intelligence trends ineducation: A narrative overview. Procedia Computer Science, 136, 16–24. https://doi.org/10.1016/j.procs.2018.08.233
Dietterich, T.G. 1997. Machine-Learning Research. AI Magazine, 18 (4), 97. https://doi.org/10.1609/AIMAG.V18I4.1324
Doris, L., Potter, K. (2024): The Role of Deep Learning in Computer Vision. Machine Learning.
Han, B.-G., Lee, J. T., Lim, K.-T., Choi, D.-H. 2020. License Plate Image Generation using Generative Adversarial Networks for End-To-End License Plate Character Recognition from a Small Set of Real Images. Applied Sciences 10, 2780. https://doi.org/10.3390/app10082780
Kakani, V., Nguyen, V. H., Kumar, B. P., Kim, H., Pasupuleti, V. R. 2020. A critical review oncomputer vision and artificial intelligence in food industry. Journal of Agriculture and Food Research, 2, 100033. https://doi.org/10.1016/j.jafr.2020.100033
Kozma-Bognár, K., Szeglet, P., Berke, J., Kozma-Bognár, V. 2021. Térinformatikai adatbázis fejlesztésének lehetőségei a Kis-Balaton mintaterületén. XXVII. Multimédia az oktatásban online nemzetközi konferencia kiadvány. 181–185.
Kozma-Bognár, V., Magyary, V., Berke, J. 2016. Ultranagy felbontású légifelvételek multitemporális elemzése. Debreceni Egyetem Térinformatikai Konferencia és Szakkiállítás. 7, 271–277. https://doi.org/10.13140/RG.2.1.3711.7044
Lehoczky, M., Siki, Z. 2020. Fotogrammetriai feldolgozószoftverek. Geodézia és Kartográfia. 72 (2), 23–27. http://doi.org./10.30921/GK.72.2020.2.4
Li K., Hopkins A. K., Bau D., Viégas F., Pfister H., Wattenberg M. 2022. Emergent world representations: exploring a sequence model trained on asynthetic task. https://doi.org/10.48550/arXiv.2210.13382
Tian, H., Wang, T., Liu, Y., Qiao, X., Li, Y. 2020. Computer vision technology in agricultural automation—A review. Information Processing in Agriculture 7, 1–19. https://doi.org/10.1016/j.inpa.2019.09.006
Minsky, M. 1961. Steps Toward Artificial Intelligence. Proceedings of the IRE, 49 (1), 8–30. https://doi.org/10.1109/JRPROC.1961.287775
Prasad G.A., Kumar, A. V. S., Sharma, P., Irawati, I. D., Chandrashekar D. V., Musirin, I. B., Abdullah, H. M .A., Rao, L. M. 2023. Artificial Intelligence in Computer Science: An Overview of Current Trends and Future Directions. In S. Rajest, B. Singh, A. Obaid, R. Regin, & K. Chinnusamy (Eds.), Advances in Artificial and Human Intelligence in the Modern Era, IGI Global, 43–60. https://doi.org/10.4018/979-8-3693-1301-5.ch002
Sabzi, S., Abbaspour-Gilandeh, Y., Javadikia, H. 2017. Machine vision system for the automatic segmentation of plants under different lighting conditions. Biosystems Engineering 161, 157–173. https://doi.org/10.1016/j.biosystemseng.2017.06.021
Zhang, H., Cisse, M., Dauphin, Y. N., Lopez-Paz, D. 2018. mixup: Beyond Empirical Risk Minimization. International Conference on Learning Representations, Vancouver, BC, Canada, 1–13. https://doi.org/10.48550/arXiv.1710.09412
Zhang, W., Liu, D., Wang, C., Liu, R., Wang, D., Yu, L., Wen, S. 2022. An Improved Python-Based Image Processing Algorithm for Flotation Foam Analysis. Minerals 12, 1126. https://doi.org/10.3390/min12091126
Letöltések
Megjelent
Folyóirat szám
Rovat
License
Copyright (c) 2024 Kristóf Kozma-Bognár, József Berke, Angéla Anda, Veronika Kozma-Bognár
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
The articel is under the Creative Commons 4.0 standard licenc: CC-BY-NC-ND-4.0. Under the following terms: You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use. You may not use the material for commercial purposes. If you remix, transform, or build upon the material, you may not distribute the modified material. You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Georgikon for Agriculture