Оптимизация распознавания изображений пыльцевых зерен на основе параметрической идентификации
Боковая панель статьи
Основное содержимое статьи
Аннотация
В статье рассматривается разработка методов оптимизации идентификации пыльцевых зерен с использованием статистических, динамических, текстурных и специфических характеристик изображений. Исследованы и предложены механизмы точечной, нелинейная проверки соответствия контуров вводимого и эталонного объектов - пыльцевых зерен, а также регулирования параметров растровых изображений. Реализованы механизмы редукции нулевых точек контура, уменьшения размерности растров, масштабирования, порогового и уровневого контроля, кодировании и размещения изображений микрообъектов на основе пирамидальной модели, отбора опорных точек контура, когнитивного анализа, поиска точек с отжигом, запретом, на основе стохастического моделирования по усеченной цепи Маркова. Реализован комплекс программ идентификации, распознавания, классификации и систематизации пыльцевых зерен на языке С++ в среде параллельных вычислений «CUDA».
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Agrawal P Girshick R., Malik J. Analyzing the Performance of Myltilayer Neural Net-works for Object Recognition // Lecture Notes in Computer Science. – 2014. – Vol. 8695. – PP. 329-344.
Chica M., Campoy P. Discernment of bee pollen loads using computer vision and oneclass classification techniques // Journal of Food Engineering 112. P. 50–59.
Chica M. Standard methods for inexpensive pollen loads authentication by means of computer vision and machine learning. URL: http://www.arxiv.org/ftp/arxiv/papers /1511/1511.04320.pdf (дата обращения: 20.05.2017).
Jumanov, I.I., Djumanov, O.I., Safarov, R.A. Mechanisms for optimizing the error control of micro-object images based on hybrid neural network models // AIP Conference Proceedings, 2021, 2402, 030018. https://doi.org/10.1063/5.0074019
Форсайт Д., Понс Ж. Компьютерное зрение. Современный подход М.: Вильямс, 2004. 928 с.
Ханжина Н.Е., Замятина Е.Б. Автоматизированное распознавание пыльцевых зерен с использованием нейронных сетей Хэмминга // Методы компьютерной диагностики в биологии и медицине: матер. Всерос. школы-семинара. Саратов: Изд-во Саратовский источник, 2014. С. 137–140.
Черных А.С., Замятина Е.Б. Исследование возможности применения ряда классических методов для распознавания пыльцевых зерен. Пермь: Изд-во Перм. гос. нац. исслед. ун-та, 2012.
I.I. Jumanov, O.I. Djumanov, R.A. Safarov. Recognition of micro-objects with adaptive models of image processing in a parallel computing environment // XIV Internation-al Scientific and Technical Conference "Ap-plied Mechanics and Systems Dynamics" (AMSD) // Journal of Physics: Conference Series, Vol. 1791. Nov. 2020, Omsk, Russia. doi:10.1088/1742-6596/1791/1/012099
Джуманов О.И., Холмонов С.М. Оптимизация обучения нейросетевой системы обработки информации при распознавании и прогнозировании нестационарных объектов// 4-th Interna-tional Conference on Application of Infor-mation and Communication Technologies, Tashkent, 12-14 october 2010, Section 5. IEEE. – Tashkent, 2010. – p.17-21.
Ibragimovich, J.I., Isroilovich, D.O., Abdul-layevich, S.R. Optimization of identification of micro-objects based on the use of char-acteristics of images and properties of mod-els // 2020 International Conference on In-formation Science and Communications Technologies, ICISCT 2020, 2020, 9351483. DOI: 10.1109/ICISCT50599.2020.9351483.
Дюдин М.В., Поваляев А.Д., Подвальный Е.С., Томакова Р.А. Методы и алгоритмы контурного анализа для задач классификации сложно структурируемых изображений// Вестник Воронежского государственного технического университета. 2014. Т.10, –№ 3-1, –Стр. 54-59.
Ibragimovich, J.I., Isroilovich, D.O., Abdul-layevich, S.R. recognition and classification of pollen grains based on the use of statisti-cal, dynamic image characteristics, and unique properties of neural networks // Ad-vances in Intelligent Systems and Compu-ting, 2021, 1323 AISC, pp. 170–179. https://doi.org/10.1007/978-3-030-68004-6_22
Блохинов Ю.Б., Горбачев В.А. Привязка наземных объектов на аэрофотоснимках на основе анализа контуров // Известия РАН. Теория и системы управления. -2011. - №5 - Стр.83-94.
Корчевская Е. А., Мироненко В. М.. Интеллектуальная система распознавания изображений микроскопических биологических нано- и микрообъектов на основе статистических методов и нейросетевого моделирования// Информационные системы и технологии: Материалы международного конгресса по информатике, Минск, 2013 г., Стр. 465-467.
I. I. Jumanov, O. I. Djumanov, R. A. Safarov “Optimization of image processing using characteristics and peculiarities of pollen grains” Chemical Technology, Control and Management Tashkent, 2019, №5 pp. 71-78.
O. I. Djumanov, R. A. Safarov “Algorithms for recognition and clusterization of features of useful minerals in the composition of mountain mass” Scientific discussion: issues of technical sciences, Internauka, 2016 pp. 23-27.
Liu D., Wang S., Huang D., Deng G., Zeng F., Chen H. Medical image classification us-ing spatial adjacent histogram based on adaptive local binary patterns // Computers in Biology and Medicine. 2016. Vol.72. рр. 185-200.
Jumanov, I.I., Safarov, R.A., Djumanov, O.I. Detection of Distorted Points on Images of Micro-Objects Based on The Properties and Peculiarities of the Wavelet - Transfor-mation // International Russian Automation Conference, RusAutoCon 2022, 2022, pp. 794–799. DOI: 10.1109/RusAutoCon54946.2022.9896243
Banarse D., France I., Duller A.W.G. Analy-sis of a self-organising image recognition neural network. L.: Advances in engineering software, 2000. 944 p.
Boucher A., P. Hidalgo, M. Thonnat, J. Bel-monte and C. Galán. 3-D pollen image recognition based on palynological knowledge // In 2nd European Symposium on Aerobiology, Vienna (Austria). 2000. p. 3.