Mạng nơ ron và xử lý hình ảnh để bắn sâu bướm bằng máy bay số

Question

Tôi là một người nông dân nghiệp dư và tôi có một cây cà chua anh đào quý hiếm trồng trong chậu. Gần đây, với sự thất vọng của tôi, tôi đã khám phá ra rằng cây quý giá của tôi đã là nạn nhân của một kế hoạch gây ra bởi Manduca Quinquemaculata tà ác - còn được gọi là Sừng cà chua (http://insects.tamu.edu/images/insects/common/images/cd-43-c-txt/cimg308.html).

Trong khi đập vào con sâu cuối cùng tôi thấy, tôi tự nghĩ, nếu tôi sử dụng webcam kết nối với máy tính của mình bằng chương trình đang chạy, có thể sử dụng một ứng dụng nào đó để giám sát nhà máy quý giá của tôi không? Những loài gây hại này được ngụy trang vô cùng và rất khó cho đôi mắt ngây thơ của tôi để phát hiện.

Tôi đã xem nghiên cứu sử dụng mạng nơron nhân tạo (ANN) cho tất cả mọi thứ như nhận diện khuôn mặt của mọi người, v.v. và có thể xác định được dịch hại bằng ANN.

Tôi có một số câu hỏi mặc dù tôi vẫn muốn một số đề xuất.

1) Có xếp hạng ANN khác nhau về mức độ phân loại của chúng không? Các perceptron đa lớp được biết là tốt hơn Hopfield? Hay đây là câu hỏi mà câu trả lời chưa được biết?

2) Tại sao có một số hàm kích hoạt khác nhau có thể được sử dụng trong ANN? Sigmoids, tang hyperbol, chức năng bước, vv Làm sao người ta biết được chức năng nào để chọn?

3) Nếu tôi có hình ảnh của một cây trồng/một con sâu trên một nhánh, tôi nghĩ rằng tôi có thể đào tạo mạng thần kinh để tìm cành mỏng, béo trong một thời gian ngắn, và sau đó lại gầy đi. Tôi có một vấn đề mặc dù với các chi nhánh vượt qua tất cả các nơi. Có một bước tiền xử lý có thể được áp dụng trên một hình ảnh để phân biệt giữa các yếu tố nền trước và nền? Tôi muốn tách riêng các nhánh riêng lẻ để chạy qua từng mạng một. Có một số loại thuật toán chuyển đổi tốt đẹp?

Bất kỳ gợi ý nào về nhận dạng mẫu và xử lý hình ảnh như sách hoặc bài viết cũng sẽ được đánh giá cao.

Trân trọng, mj

Tomato Hornworms đã bị hại trong các văn bản của email này.

Answer 1

Những con vật nhỏ bé này có di chuyển thường xuyên không? Nếu vậy, và nếu nhà máy khá tĩnh (nghĩa là không có gió hoặc các lực khác làm cho nó di chuyển), thì một bộ lọc đơn giản để tìm chuyển động có thể là đủ. Điều đó sẽ vượt qua sự cần thiết của bất kỳ thuật toán học tập, mà thường khá khó khăn để đào tạo và thực hiện.

Answer 2

Nguyên tắc chung cho việc học máy là: các tính năng tốt hơn đánh bại các thuật toán tốt hơn. I.e nếu bạn cung cấp các pixel hình ảnh thô trực tiếp vào trình phân loại của bạn, kết quả sẽ kém, bất kể bạn sử dụng thuật toán học nào. Nếu bạn xử lý trước hình ảnh và trích xuất các tính năng tương quan chặt chẽ với "sự hiện diện của sâu bướm", thì hầu hết các thuật toán sẽ thực hiện một công việc tốt.

Vì vậy, đừng tập trung vào cấu trúc liên kết mạng, hãy bắt đầu với nhiệm vụ về tầm nhìn của máy tính.