CLASSIFICATION OF PLANTS HEALTH VIA TEXTURE WAVELET ANALYSIS AND MACHINE LEARNING
https://doi.org/10.35266/1999-7604-2024-1-3
Abstract
The article demonstrates a method that combines the wavelet transform and machine learning methods to classify plants health using colored digital images. The input data for classifi cation is comprised of a built vector of Haralick texture features. The software was developed via the Python programming language to classify digital images with the multilevel discrete Daubechies wavelet transform and methods of classifi cation for machine learning, particularly classic logistic regression and perceptron. The effi ciency of this method for solving the problem of multiclass image classifi cation is demonstrated. The study concludes and assesses the prospects of the method.
About the Authors
V. V. Brykin
Surgut State University, Surgut
Russian Federation
Russian Federation
Postgraduate
M. Ya. Braginsky
Surgut State University, Surgut
Russian Federation
Russian Federation
Candidate of Sciences (Engineering), Docent
D. V. Tarakanov
Surgut State University, Surgut
Russian Federation
Russian Federation
Candidate of Sciences (Engineering), Docent
I. O. Tarakanova
Surgut State University, Surgut
Russian Federation
Russian Federation
Postgraduate, Assistant Professor
References
1. Vyas A., Paik J. Review of the application of wavelet theory to image processing. IEIE Transactions on Smart Processing & Computing. 2016;5(6):403‒417.
2. Балаганский А. Ю., Гребеньков А. А. Вейвлет-преобразование для обработки изображений системы управления отоплением с применением методов машинного обучения // Информация и образование: границы коммуникаций. 2022. № 14. С. 147–150.
3. Мельникова Ю. С. Анализ и обработка медицинских изображений с помощью метода вейвлетана лиза в ветеринарии // Фундаментальные и прикладные исследования в информатике и цифровизации : материалы симпозиума XVIII (L) Междунар. науч. конф. студентов, аспирантов и молодых ученых, приуроченной к 50-летию КемГУ, 26 апреля 2023 г., г. Кемерово. Кемерово : Кемеровский государственный университет, 2023. С. 138–141.
4. Alekseev V. V., Kaliakin I. V. The role of sampling rate in wavelet transform decomposition. In: Proceedings of the XIX IEEE International Conference on Soft Computing and Measurements SCM 2016, May 25‒27, 2016, Saint Petersburg. St. Petersburg; 2016. p. 392–394.
5. Ковалева И. Л. Текстурные признаки изображений. Минск : Белорусский национальный технический университет, 2010. 26 с.
6. Предварительная обработка данных. URL: https://scikit-learn.ru/6-3-preprocessing-data/ (дата обращения: 25.12.2023).
7. Как писать преобразователи данных в Sklearn. URL: https://habr.com/ru/companies/skillfactory/articles/675876/ (дата обращения: 25.12.2023).
8. Kumar A. PCA Explained Variance Concepts with Python Example. 2023. URL: https://vitalfl ux.com/pca-explained-variance-concept-python-example/ (дата обращения: 27.12.2023).
Review
For citations:
Brykin V.V., Braginsky M.Ya., Tarakanov D.V., Tarakanova I.O. CLASSIFICATION OF PLANTS HEALTH VIA TEXTURE WAVELET ANALYSIS AND MACHINE LEARNING. Proceedings in Cybernetics. 2024;23(1):23-30. (In Russ.) https://doi.org/10.35266/1999-7604-2024-1-3
Views:
314
Email this article 