Bulanık Mantığı Kullanarak Bitki Tanıma Sistemi

Transkript

1 Akademik Bilişim 2013 Akdeniz Üniversitesi Bitki Tanıma Seyyed Hossein CHAVOSHI (Say) Mir Mohammad Reza ALAVI MILANI Karadeniz Teknik Üniversitesi Karadeniz Teknik Üniversitesi

2 Giriş Bitki Tanıma Bitkiler dünyadaki canlılığın devamını ve doğal dengesini sağlayan yeryüzündeki yaşamın temel bir parçasıdır. Bitkilerden yararlanmak ve iyi kullanmak için onları tanımamız gerekiyor. Bitkiler alemi geniş ve çeşitli olduğu için bu tanım kolay olmayıp ve zaman alıcı olacaktır.

3 Bitki Tanıma Bitki tanımada, bitkilerin özellikleri, benzer ve ayırdedici karakterleri önemlidir ve botanikçilere bitkileri tanıma ve sınıflandırmada yardımcı olur.

4 Bitki tanımada Kullanılan yöntemler: Bitki Tanıma Teşhis Anahtarları Kullanılarak Pratik Yöntemleri Herbaryum: Bitki koleksiyonu Teknoloji Ve Bilgisayar Destekli Sistemler Ve Yöntemleri Yaprağın şekil özellikleri ve sınıfları kullanılarak bitki tanıması (Jyotismita Chaki, Ranjan Parekh ) Fraktal boyutları ile bitki sınıflandırılması (Antony Jobin, Madhu S. Nair, Rao Tatavarti ) Otomatik görüntüsü ile ağaç taksonomisi yapılması (Eric J.Pauwels, PaulM.deZeeuwa, ElenaB.Ranguelova ) Morfometrik ve görüntü işleme yöntemlerinden yararlanılarak bitkilerin bitki tanınması (James S. Copea, David Corneyb, Jonathan Y. Clarkb, Paolo Remagninoa, Paul Wilkinc 2011 and D. E. Guyer, G. E. Miles, M. M. Schreiber, O. R. Mitchell, V. C. Vanderbilt 1986) Fourier, SVM-BDT ve PNN teknikleri ile yaprak şekillerinin sınıflandırılması (Krishna Singh, Indra Gupta, Sangeeta Gupta )

5 Tabi ki pratik yöntemlerle özellikleri farketmek zaman Bitki Tanıma alıcı olmakla birlikte yetenek sahibi olunmasını da gerektirir. Daha hızlı bitki tanımak ve botanikçilerin farklı yeteneğe sahib olmaları problemine yardımcı olabilmek için bilgisayardan yararlanabiliriz.

6 Bu çalışmada teknoloji ve bilgisayar destekli sistemler Bitki Tanıma ve yöntemleri kullanılmıştır ve bitki tanıma sistemi oluşturmak için Bulanık Mantığından yararlanarak Türkiye de doğal olan Meşe türlerinin yaprakları üzerinde deneme yapılmıştır.

7 Meşeler Bitki Tanıma Meşeler, Fagaceae familyası içinde en önde gelen cinslerden olup, çoğunlukla ağaç ve çalı halinde odunsu bitkilerdir. Alem Bitkiler Bölüm Spermatophyta Alt bölüm Sınıf Takım Familya Angiospermae Magnoliopsida Fagales Fagaceae Meşeler, bitki sistimatiğinde Cins Quercus L.

8 Bitki Tanıma Neden Meşe? 1) Meşe işlenebilirliği açısından en kıymetli ağaçlardandır. 2) Özellikle orman sektöründe, ilaç sektöründe, mobilya ve parke sektöründe geniş bir kullanım alanı vardır. 3) Türkiye ormanlarının yaklaşık ¼ ünü meşeler oluşturmaktadır. 4) Meşe cinsi uzun zamandır tam ve tatmin edici bir sistematiği yapılmamış cinslerden birisidir.

9 Odunları ve yaprakları göze alınarak yapılan Bitki Tanıma sınıflandırmada meşeler bugün 3 büyük gruba ayrılır: Ak Meşeler Kırmızı Meşeler Herdem Yeşil Meşeler Yaprakları dikensiz ve lobludur. Yaprakları çoğunlukla dar, uzun ve en geniş yeri ortasıdır. Eliptik ya da ters yumurta biçimleri de görülebilir. Yaprakları deri gibi sert ve tam kenarlı ya da dişli ve bazen sert dikenlidir.

10 Aşağıda belirlenen doğal türleri tanımada, meşe Bitki Tanıma yapraklarının anlatılan benzerlik ve farklılıkları bilgisayar destekli sistemlerde önemli etmen olarak kullanıldı. Quercus robur (subsp. robur, subsp. pedunculiflora) Quercus petraea (subsp. petraea, subsp. iberica, subsp. pinnatiloba) Quercus hartwissiana Quercus frainetto (Q. conferta) Quercus vulcanica Quercus pontica Doğal Ak Meşe Türleri Saplı Meşe Sapsız Meşe Istranca Meşesi Macar Meşesi Kasnak Meşesi Doğu Karadeniz Meşesi Doğal Kırmızı Meşe Türleri Quercus libani Lübnan Meşesi Quercus trojana Makadonya Meşesi Quercus cerris Saçlı Meşe, Türkiye Meşesi Quercus brantii İran Palamut Meşesi Quercus ithaburensis subsp. Palamut Meşesi Macrolepis (Quercus aegilpos) Quercus infectoria (subsp. infectoria, subsp. boissieri) Mazı Meşesi Doğal Herdem Yeşil Meşe Türleri Quercus pubescens Tüylü Meşe Quercus coccifera Kermes Meşesi Quercus macranthera subsp. syspirensis İspir Meşesi Quercus ilex Pırnal Meşesi Quercus virgiliana Yalancı Tüylü Meşe Quercus aucheri Boz Pırnal

11 Bulanık Sistemleri Bitki Tanıma 1965 yılında Prof. Lotfi Zadeh ile bulanık kümeler teorisi tanıtılmıştır. Bu teori belirsiz ve kararsız verilerin hesaplamalarına yöntem gösterir ve bazı kuralları belirlir. Bu kurallara göre kümelerin her üyesinin ilişkisi sıfır ve bir aralarında olabilmektedir. Son yıllarda bulanık sistemleri kullanımı ve uygulaması daha fazla olmuştur ki bunlardan birisi görüntü işleme olabilmektedir.

12 Bulanık sistemleri ile kullanılan yöntemler aşağıda Bitki Tanıma gelen dört ana bölümden ulaşmaktadır: Bulanıklaştırma Bu aşamada üyelik fonksiyonları yararlanarak, girilenler ve değişkenler arası ilişkiler belirlenmektedir. Bilgi veritabanı Durulaştırma Bulanıklaştırma aşamasının tam tersi olarak, kesin bir çıktı elde edebilmektedir. Sonuç çıkarma motoru Bu bölüm bulanık sistemlerin karar verme merkezi sayılabilmektedir.

13 Bitki Tanıma Önerilen Yöntem

14 Bitki Tanıma Önerilen yöntemde, tanıma sistemi üç bölümde yapılır: Ön işleme aşaması Çerçeve kullanılarak özelliklerin çıkartılması Bulanık Mantığı kullanarak tanıma sistemi

15 Ön İşlemler Bitki Tanıma Ön işlemler üç adımdan oluşur: 1) Eğriliklerin Düzeltilmesi 2) Normalizasyon 3) İnceltme

16 Eğriliklerin Düzeltilmesi Bitki Tanıma Çekilen resimlerdeki yapraklar çeşitli yönlerde olabilir ki öncelikle onların eğriliklerinin düzeltilmesi gerekir. Yaprağın eğriliklerinin düzeltilmesi

17 Normalizasyon - 1 Bitki Tanıma Bu aşamada istediğimiz resim ikili görüntüye çevrilir.

18 Normalizasyon - 2 Bitki Tanıma İkili resmin dört taraftan fazlalıkları kaldırılıp ve bir çerçeveye alınır.

19 480 piksel Normalizasyon - 3 Bitki Tanıma Elde edilen resmin yüksekliği 480 piksel yapılır (Zoom Yaparak).

20 480 piksel Normalizasyon - 4 Bitki Tanıma Sonuç olarak, resmin genişliği 440 piksel yapılır (Zoom yapmadan). 440 piksel 480 piksel

21 İnceltme Bitki Tanıma Bu aşamada, elde edilen resime kenar çıkarma yöntemi uygulanır.

22 480 piksel Çerçeveleme Bitki Tanıma Bu aşamada, resmin alanı 24 eş kutuya bölünerek her resim için 24 özellik kutusu elde edilir. 480 piksel 110 piksel 80 piksel 440 piksel

23 Bitki Tanıma Bulanık Yöntemi İle Şekil Tanıma

24 Bulanık Yöntemi İle Şekil Tanıma Bitki Tanıma Bu sistemde Bulanık yöntemin geliştirmek için iki aşama yapılmaktadır: 1. Veri Tabanı Oluşturmak 2. Tanıma

25 Veri Tabanı Oluşturmak - 1 Bitki Tanıma Burada her kutu için iki özellik hesaplanır: 1) Kutuların 1 değerlerinin ortalaması m ri = 1 N i r N i r j=1 f ij 2) Kutuların 1 değerlerinin varyansı 2 = 1 N i r (f ij m rj ) δ ri N i r j=1

26 Veri Tabanı Oluşturmak - 2 Bitki Tanıma Böylece her kutu için iki özellik hesaplanır. Dolaysıyla, bir resim için 2*24 = 48 özellik hesaplanır. Her grup için tüm örnek resimlere bu özellikler hesaplanır ve bu işlem tüm gruplar için yapılır.

27 Veri Tabanı Oluşturmak - 3 Bitki Tanıma Aşağıdaki tablo, elde edilen sonuçlarla bu sistemin veri tabanı olarak oluşturulur. Kutu No Küme No 1 x δ x δ x δ x δ x δ x δ x δ x δ

28 Tanıma - 1 Bitki Tanıma Bu aşamada, her hangi bir bilinmeyen resimi elde ederek aşağıdaki işlemler yapılır: 1) Bahs edilen tüm ön işlemleri ve çerçeveleme 2) Bilinmeyen resim için 48 özelliğin hesaplanması (24 kutu ve her kutu için 2 özellik x i ve δ i 2 )

29 Tanıma - 2 Bitki Tanıma Daha sonra, her grup için bilinmeyen resmin tüm kutularına aşağıdaki denklemi kullanarak üyelik değeri hesaplanır. x i m ri 2 μ ri (x i ) = e δ i μ ri (x i ) = e (x i m ri ) 2.δ i 2 for δ i 2 > 1 for δ i 2 < 1 Burada μ ri (x i ) bilinmeyen resimin i.özelliğinin üyelik derecesidir.

30 Tanıma - 3 Bitki Tanıma i X r. Grup x i δ i 2 x i m ri 2 μ ri (x i ) = e δ i for δ i 2 > 1 μ ri (x i ) = e (x i m ri ) 2.δ i 2 for δ i 2 < 1 μ ri (x i ) m ri μ r (x) = i=1 μ ri (x i ) r. Grubun Üyelik Değeri

31 Tanıma - 4 Bitki Tanıma Tüm grublar için üyelik değeri hesaplanır. Hangi grubun değeri yüksekse bilinmeyen resim o gruba aittir.

32 Kaynaklar Bitki Tanıma [1] Jyotismita Chaki, Ranjan Parekh, "Plant Leaf Recognition using Shape based Features and Neural Network classifiers", International Journal of Advanced Computer Science and Applications (IJACSA),Vol. 2, No. 10 (2011). [2] Antony Jobin, Madhu S. Nair, Rao Tatavarti, "Plant Identification Based on Fractal Refinement Technique (FRT)". 2nd International Conference on Communication, Computing & Security [ICCCS], 6: (2012). [3] Eric J.Pauwels, PaulM.deZeeuwa, ElenaB.Ranguelova, "Computer-assisted tree taxonomy by automated image recognition" Engineering Applications Of Artificial Intelligence, 22:26-31 (2009). [4] James S. Copea, David Corneyb, Jonathan Y. Clarkb, Paolo Remagninoa, Paul Wilkinc, "Plant Species Identication Using Digital Morphometrics: a Review", Preprint submitted to Elsevier, March, (2011). [5] D. E. Guyer, G. E. Miles, M. M. Schreiber, O. R. Mitchell, V. C. Vanderbilt, "Machine Vision And Image Processing For Plant Identification", Transaction Of The ASAE, November-December, 29(6), (1986). [6] Krishna Singh, Indra Gupta, Sangeeta Gupta, "SVM-BDT PNN and Fourier Moment Technique for Classification of Leaf Shape", International Journal of Signal Processing, Image Processing and Pattern Recognition, December, Vol.3, No.4, (2010). [7] Prof. Dr. Rahim ANŞİN, Prof. Dr. Zafer Cemal ÖZKAN, "Tohumlu Bitkiler (Spermatophytha) Odunsu Taksonlar", Karadeniz Teknik Üniversitesi Basımevi, Trabzon, (2006). [8] Yrd. Doç. Dr. Kerim GÜNEY, "Bitkiler ve Bitki Birlikleri, Flora ve Vejetasyon Bilgisi, Bitki Toplama, Kurutma Ve Saklama (Herbaryum) Teknikleri", Korunan Alanlarda Ekoloji Temelli Doğa Eğitimi (Küre-Ilgaz), Kastamonu, (2007). [9] Vincenzo Viscosi, Andrea Cardini, "Leaf Morphology, Taxonomy and Geometric Morphometrics: A Simplified Protocol for Beginners". PLoS ONE, October, 6(10):e25630.doi: /journal.pone (2011). [10] M.Hanmandlu, at el., "Unconstrained Hand Written Character Recognition Based On Fuzzy Logic, Pattern Recognition", Pattern Recognition, vol 36, pp 60, (2003).

33 TEŞEKKÜRLER