Priya Dhir, Jasmeen Gill
Die Klassifizierung von Pflanzenblättern ist eine zwingende Aufgabe, wenn ihre Verwendung in der realen Welt entweder für medizinische Zwecke oder im Agrarsektor in Betracht gezogen wird. Die genaue Identifizierung von Pflanzen ist daher sehr wichtig, da es zahlreiche giftige Pflanzen gibt, die, wenn sie versehentlich von Menschen verzehrt oder verwendet werden, tödlich für deren Leben sein können. Darüber hinaus kann sich in der Landwirtschaft die Erkennung bestimmter Unkrautarten als sehr wichtig erweisen, um Ernten vor solchen unerwünschten Pflanzen zu bewahren. Im Allgemeinen sind künstliche neuronale Netze (KNN) ein geeigneter Kandidat für die Klassifizierung von Bildern, wenn kleine Datensätze verfügbar sind. Diese leiden jedoch unter lokalen Minima-Problemen, die mithilfe einiger globaler Optimierungstechniken effektiv gelöst werden können. In Anbetracht dieses Problems stellt die vorliegende Forschungsarbeit ein automatisiertes Pflanzenblattklassifizierungssystem unter Verwendung optimierter Soft-Computing-Modelle vor, in denen KNN mithilfe des Grasshopper-Optimierungsalgorithmus (GOA) optimiert werden. Darüber hinaus übertraf das vorgeschlagene Modell die modernsten Techniken im Vergleich zu einfachen KNN und auf Partikelschwarmoptimierung basierenden KNN. Die Ergebnisse zeigen, dass das vorgeschlagene GOA-KNN-basierte Pflanzenblattklassifizierungssystem eine vielversprechende Technik für kleine Bilddatensätze ist.