Leaf Recognition System

ဖော်ပြချက်

အပင်များသည် ကျွန်ုပ်တို့နေထိုင်ရာနေရာတိုင်းနှင့် ကျွန်ုပ်တို့မရှိသောနေရာတိုင်းတွင် ရှိနေပါသည်။ ၎င်းတို့ထဲမှ အများစုသည် လူ့အသိုင်းအဝိုင်း ဖွံ့ဖြိုးတိုးတက်မှုအတွက် သိသာထင်ရှားသော အချက်အလက်များကို သယ်ဆောင်ကြသည်။ အရေးတကြီးအခြေအနေမှာ အပင်အများအပြား မျိုးသုဉ်းရန် အန္တရာယ်ရှိနေသည်။ ထို့ကြောင့် အပင်ကာကွယ်ရေးအတွက် ဒေတာဘေ့စ်တစ်ခု တည်ဆောက်ရန် အလွန်လိုအပ်ပါသည်။ ပထမအဆင့်အနေနဲ့ အပင်တွေကို အမျိုးအစားခွဲနည်း ကွန်ပျူတာကို သင်ပေးဖို့ ဖြစ်တယ်လို့ ယုံကြည်ပါတယ်။ ဆဲလ်နှင့် မော်လီကျူး ဇီဝဗေဒနည်းလမ်းများကဲ့သို့ အခြားသောနည်းလမ်းများနှင့် နှိုင်းယှဉ်ပါက အရွက်ပုံသဏ္ဍာန်ကို အခြေခံ၍ အမျိုးအစားခွဲခြင်းသည် အရွက်အမျိုးအစားခွဲခြားခြင်းအတွက် ပထမဆုံးရွေးချယ်မှုဖြစ်သည်။ အရွက်များကို နမူနာယူပြီး ဓာတ်ပုံရိုက်ခြင်းသည် ကုန်ကျစရိတ်သက်သာပြီး အဆင်ပြေပါသည်။ အရွက်ပုံကို ကွန်ပျူတာသို့ အလွယ်တကူ လွှဲပြောင်းနိုင်ပြီး ကွန်ပျူတာသည် ရုပ်ပုံလုပ်ဆောင်ခြင်းနည်းပညာများတွင် အင်္ဂါရပ်များကို အလိုအလျောက် ထုတ်ယူနိုင်သည်။ အချို့သောစနစ်များသည် ရုက္ခဗေဒပညာရှင်များအသုံးပြုသော ဖော်ပြချက်များကို အသုံးပြုကြသည်။ သို့သော် ထိုအင်္ဂါရပ်များကို ကွန်ပြူတာသို့ အလိုအလျောက် ထုတ်ယူပြီး လွှဲပြောင်းရန် မလွယ်ကူပါ။

ပုံသဏ္ဍာန်အချက်အလက်နှင့် အာရုံကြောကွန်ရက်တို့နှင့်အတူ ပုံသဏ္ဍာန်အချက်အလက်များနှင့် မျဥ်းစည်းမဟုတ်သော အမျိုးအစားခွဲခြားမှုအဖြစ် အရွက်အမျိုးအစားခွဲခြင်းအတွက် ထိရောက်သော အယ်လဂိုရီသမ်တစ်ခုကို တီထွင်ထားပါသည်။ ကုဒ်ကို FLAVIA ဒေတာဘေ့စ်ဖြင့် စမ်းသပ်ပြီး 92.09% (အတန်း 32 ခု၊ လေ့ကျင့်ရေးပုံ 40 ပုံနှင့် အတန်းတစ်ခုစီအတွက် စမ်းသပ်ရန်အတွက် အသုံးပြုထားသည့် ကျန်ပုံများဖြစ်သောကြောင့် လေ့ကျင့်ရေးပုံ 1280 ပုံနှင့် စမ်းသပ်မှုပုံ 627 ပုံ စုစုပေါင်း 627 ပုံတို့ကို ကျပန်းရွေးချယ်ထားပြီး မရှိပါ။ လေ့ကျင့်ရေး နှင့် စမ်းသပ်ပုံများကြား ထပ်နေပါသည်။)

ကျွန်ုပ်တို့၏ချဉ်းကပ်မှုသည် FLAVIA algorithm ထက်သာလွန်ကောင်းမွန်ပြီး ၎င်းသည် မည်သည့်လူသားမှ ဝင်ရောက်စွက်ဖက်မှုမလိုအပ်ပါ။ တကယ်တော့ FLAVIA algorithm တွင် သင်သည် mouse click ဖြင့် အရွက်၏ ပင်မသွေးပြန်ကြော၏ terminal နှစ်ခုကို အမှတ်အသားပြုရန် လိုအပ်သည်။ terminals နှစ်ခုကြား အကွာအဝေးကို ဇီဝကမ္မဆိုင်ရာ အရှည်အဖြစ် သတ်မှတ်သည်။