Evrişimli sinir ağları ile ağaç kabuğu görüntülerinden ağaç türlerinin transfer öğrenme yöntemiyle tanımlanması

Year 2021, Volume: 36 Issue: 3, 1253 - 1270, 24.05.2021

Bahadır Elmas

https://doi.org/10.17341/gazimmfd.689038

Cited By: 5

Abstract

Derin Öğrenme yöntemiyle ağaç kabuğu görüntülerinden ağaçların tanımlanması, ağaçların geleceğe taşınmasında, yaşamsal açısından önemli ağaçların koruma altına alınmasında, orman kaynaklarının sürdürülebilir yönetim planlarının yapılmasında, botanik konusunda deneyimi olmayan kişilerin doğayı araştırmasında, meyvecilik sektöründe farklı ya da aynı sınıfın alt türlerinin belirlenmesinde, kereste/mobilya/kâğıt vb. sektörlerdeki ağaç kesim operasyonları ile ağaçların işlenme süreçlerinde, ağaçların doğru ve verimli kullanılmasında yararlı olabilecek bir problem çözümüdür. Fakat Derin Öğrenmedeki son gelişmeler etkileyici sonuçlar ortaya koymasına rağmen, veri kümesi eksikliği veya yetersizliği ağaç kabuğu türlerinin tanımlanmasında Derin Öğrenmenin kullanımını kısıtlamıştır. Bu alandaki çalışmalara katkı sağlamak ve ağaç kabuğu görüntülerinden ağaçların tanımlanmasının mümkün olduğunu göstermek amacıyla 59 ağaç türünün 24.686 ağaç kabuğu görüntüsü Türkiye’deki çeşitli bölgelerden bir yıllık süreçte toplanarak bir veri seti oluşturulmuştur. Bu veri setiyle yedi adet önceden eğitilmiş evrişimsel sinir ağı, AlexNet, DenseNet201, ResNet18, ResNet50, ResNet101, VGG16, VGG19 transfer öğrenme yöntemi kullanılarak ağaç kabuğu görüntülerinden ağaç türü tanımlamasının mümkün olduğu gösterilmiştir. Bunu yanı sıra transfer öğrenme yönteminin bu tür problemlere hızlı ve başarılı çözümler getireceği gösterilmiş ve ağların derinlik, katman, parametre sayısının ve parti büyüklüğünün (Batch Size) çözüme etkisi incelenmiştir. Çalışmada kullanılan tüm ağların, görüntü sayısı ve eğitim verisi oranına bağlı olarak başarı ortalamaları %93,21 ile %95,89 arasındayken, en başarılı iki ağın başarı ortalaması ise %99,46’dır.

Keywords

Ağaç Türü Tanımlama, Ağaç Kabuğu Görüntüleri, Önceden Eğitilmiş Ağlar, Transfer Öğrenme

References

• Fiel S., Sablatnig R., Automated Identification of Tree Species from Images of the Bark, Leaves and Needles, Proceedings of the 16th Computer Vision Winter Workshop, pp. 67–74, 2011.
• Hellstrom T., Larkeryd P., Nordfjell T., Ringdahl O., Autonomous forest vehicles: Historic, envisioned, and state-of-the-art, International Journal of Forest Engineering, vol. 20, no. 1, 2009.
• He K., Zhang X., Ren S., Sun J., Delving deep into rectifiers: Surpassing human-level performance on imagenet classification, in Proceedings of the IEEE International Conference on Computer Vision, vol. 11-18, pp. 1026–1034, December 2016
• Botanic Gardens Conservation International (BGCI), https://www.bgci.org/, Erişim tarihi Kasım 21, 2019.
• Carpentier M., Giguère P., Gaudreault J., Tree Species Identification from Bark Images Using Convolutional Neural Networks, 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), DOI: 10.1109/IROS.2018.8593514, October 2018.
• Goeau H., Bonnet P., Joly A., Bakic V., Barthélémy D., Boujemaa N., Molino J.F., The imageclef 2013 plant identification task. In CLEF, 2013.
• Goeau H., Joly A., Bonnet P., Selmi S., Molino J.F., Barthélémy D., Boujemaa N., Lifeclef plant identification task 2014. In CLEF2014 Working Notes. Working Notes for CLEF 2014 Conference, Sheffield, UK, September 15-18, 2014, pages 598–615. CEUR-WS, 2014.
• Lowe D. G., Object recognition from local scale-invariant features. In Computer vision, 1999. The proceedings of the seventh IEEE international conference on, volume 2, pages 1150–1157. IEEE, 1999.
• Bay H., Tuytelaars T., Van Gool L., Surf: Speeded up robust features. In Computer vision–ECCV 2006, pages 404–417. Springer, 2006.
• Ojala T., Pietikainen M., Harwood D., A comparative study of texture measures with classification based on featured distributions. Pattern recognition, 29(1):51–59, 1996.
• Goeau H., Bonnet P., Joly A., Lifeclef plant identification task 2015. CEUR-WS, 2015.
• Šulc M., Mishkin D., Matas J., Very deep residual networks with maxout for plant identification in the wild, Working notes of CLEF, 2016.
• Sunderhauf N., McCool C., Upcroft B., Tristan P., Fine-grained plant classification using convolutional neural networks for feature extraction, Working notes of CLEF 2014 conference, pp. 756–762, 2014.
• Champ J., Lorieul T., Servajean M., Joly A., A comparative study of fine-grained classification methods in the context of the LifeCLEF plant identification challenge 2015, in CEUR Workshop Proceedings, vol. 1391.
• Goëau H., Bonnet P., Joly A., Plant identification based on noisy web data: the amazing performance of deep learning (LifeCLEF 2017), CLEF working notes, vol. 2017.
• Huang Z.K., Huang D.S., Du J.X., Quan Z.H., Gua S.B., Bark Classification Based on Contourlet Filter Features, In Intelligent Computing, pp. 1121–1126, 2006.
• Fiel S., Sablatnig R., Automated Identification of Tree Species from Images of the Bark, Leaves and Needles, Proceedings of the 16th Computer Vision Winter Workshop, pp. 67–74, 2011.
• Sulc M., Matas J., Kernel-mapped histograms of multi-scale LBPs for tree bark recognition, in Image and Vision Computing New Zealand (IVCNZ), 28th International Conference of. IEEE, 2013, pp. 82–87, 2013.
• Boudra S., Yahiaoui I., Behloul A., A comparison of multi-scale local binary pattern variants for bark image retrieval, in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 9386, pp. 764–775, 2015.
• Bressane A., Roveda J. A. F., Martins A. C. G., Statistical analysis of texture in trunk images for biometric identification of tree species, Environmental Monitoring and Assessment, vol. 187, no. 4, 2015.
• Othmani, Jiang C., Lomenie N., Favreau J. M., Piboule A., Voon L. F. C. L. Y., A novel Computer-Aided Tree Species Identification method based on Burst Wind Segmentation of 3D bark textures, Machine Vision and Applications, vol. 27, no. 5, pp. 751–766, 2016.
• Mizoguchi T., Ishii A., Nakamura H., Inoue T., Takamatsu H., Lidar-based individual tree species classification using convolutional neural network, Proc.SPIE, vol. 10332, pp. 10 332 – 10 332 – 7, 2017.
• Carpentier M., Giguère P., Gaudreault J., Tree Species Identification from Bark Images Using Convolutional Neural Networks, https://www.researchgate.net/publication/323550122, Yayın tarihi, 2018, Erişim tarihi Ekim 20, 2019.
• https://www.mathworks.com/help/deeplearning/ug/introduction-to-convolutional-neural-networks.html, Yayın tarihi, 2019. Erişim tarihi Kasım 26, 2019.
• Zhou Y., Nejati H., Do T. T., et al, Image-based Vehicle Analysis using Deep Neural Network: A Systematic Study, 2016.
• https://machinelearningmastery.com/transfer-learning-for-deep-learning/, Erişim tarihi Ekim 12, 2019
• Chi Z., Houqiang L., Chao W., Plant species recognition based on bark patterns using novel Gabor filter banks, in International Conference on Neural Networks and Signal Processing, 2003. Proceedings of the 2003, vol. 2, pp. 1035–1038 Vol.2, December 2003.
• Huang Z.K., Huang D.S., Du J.X., Quan Z.H., Gua S.B., Bark Classification Based on Contourlet Filter Features, In Intelligent Computing, pp. 1121–1126, 2006.
• Svab M., Computer-vision-based tree trunk recognition, 2014.
• Bressane A., Roveda J. A. F., Martins A. C. G., Statistical analysis of texture in trunk images for biometric identification of tree species, Environmental Monitoring and Assessment, vol. 187, no. 4, 2015.
• Blaanco L. J., Travieso C. M., Quinteiro J. M., Hernandez P. V., Dutta M. K., Singh A., A bark recognition algorithm for plant classification using a least square support vector machine, in 2016 Ninth International Conference on Contemporary Computing (IC3), pp. 1–5, August 2016.
• https://github.com/ulaval-damas/tree-bark-classification. Yayın tarihi, 2018. Erişim tarihi Kasım 25, 2019.