Bayesiläiset graafiset mallit konenäössä kukkivien kasvien lajintunnistus

Suomen ympäristöhallinnossa on alettu viime vuosina kiinnostua enenevässä määrin konenäön hyödyntämisestä lajintunnistuksessa. Esimerkiksi tienvarsien haittakasvilajeja on tunnistettu varsin hyvin tuloksin. Koneellinen, lajeja tunnistava luokittelija voidaan toteuttaa esimerkiksi Bayes-verkoilla. Ne...

Täydet tiedot

Bibliografiset tiedot
Päätekijä: Juuti, Tanja
Muut tekijät: Informaatioteknologian tiedekunta, Faculty of Information Technology, Informaatioteknologia, Information Technology, Jyväskylän yliopisto, University of Jyväskylä
Aineistotyyppi: Pro gradu
Kieli:fin
Julkaistu: 2018
Aiheet:
Linkit: https://jyx.jyu.fi/handle/123456789/60354
_version_ 1826225754778632192
author Juuti, Tanja
author2 Informaatioteknologian tiedekunta Faculty of Information Technology Informaatioteknologia Information Technology Jyväskylän yliopisto University of Jyväskylä
author_facet Juuti, Tanja Informaatioteknologian tiedekunta Faculty of Information Technology Informaatioteknologia Information Technology Jyväskylän yliopisto University of Jyväskylä Juuti, Tanja Informaatioteknologian tiedekunta Faculty of Information Technology Informaatioteknologia Information Technology Jyväskylän yliopisto University of Jyväskylä
author_sort Juuti, Tanja
datasource_str_mv jyx
description Suomen ympäristöhallinnossa on alettu viime vuosina kiinnostua enenevässä määrin konenäön hyödyntämisestä lajintunnistuksessa. Esimerkiksi tienvarsien haittakasvilajeja on tunnistettu varsin hyvin tuloksin. Koneellinen, lajeja tunnistava luokittelija voidaan toteuttaa esimerkiksi Bayes-verkoilla. Ne ovat todennäköisyysmalleja, joilla voidaan mallintaa muuttujien välisiä riippuvuuksia. Rakenteeltaan erilaiset Bayes-luokittelijat pystyvät eri tavoin huomioimaan piirremuuttujien välisiä riippuvuuksia. Esimerkiksi naiivi Bayes-menetelmä olettaa piirremuuttujien riippuvan ainoastaan lajiluokasta. Tutkimuksen tavoitteena olikin selvittää, millainen Bayes-verkko olisi sopiva luokittelija kukkivien kasvien lajintunnistukseen. Tunnistuskohteeksi valittiin kukat, koska ne ovat monimuotoisuutensa ja erottuvuutensa vuoksi hyviä kohteita elinympäristössään kuvattujen kasvien konenäölliseen lajintunnistukseen. Kukkien väriä kuvattiin värihistogrammien tilastollisilla tunnusluvuilla ja muotoa kuvamomenteilla sekä skaalainvarianteilla pistepiirteillä. Lisäksi kukista määritettiin terälehtien sijaintia ja kokoa kuvaavia piirteitä. Luokittelutulosten perusteella kuvista lasketut piirteet kuvasivat hyvin tutkimuksessa mukana olleiden lajien välisiä eroja. Sen sijaan piirremuuttujien riippuvuuksia huomioivat luokittelumallit eivät tuottaneet naiivia mallia parempia tuloksia. Onkin osoitettu, että tietynlaisissa riippuvuustilanteissa naiivi luokittelija on riippuvuutta huomioivien mallien veroinen. Riittävän yksinkertaisena naiivi malli on myös hyvä yleismalli. Osa tässä tutkimuksessa testatuista malleista oli liian monimutkaisia havaintojen määrään nähden. Jatkossa tulisikin kiinnittää erityishuomiota siihen, millainen piirremuuttujien diskretisointi ja mallin rakennusprosessi tuottavat riittävän yksinkertaisen mutta hyvän mallin. In recent years Finland's environmental administration has shown growing interest in utilizing computer vision in species recognition. As an example, good results have been achieved in identifying invasive plant species growing on roadsides. One option to build a classifier to recognize plant species is to use Bayesian networks, which are probability models that are able to model variable interdependencies. Different kinds of Bayesian classifiers have varying abilities to take into account the dependencies between feature variables. For example, naive Bayesian classifier is based on the assumption that the feature variables only depend on the object class. The aim of this study was to find out what kind of Bayesian network would be ideal in identifying flowering plant species. The images of flowers were used because the diversity and distinctness of flowers make them good targets for computer vision purposes. The color of the flower was represented by statistics of the color histogram and the shape of the flower was described with image moments and local scale-invariant features. Additional variables were extracted to represent the size and position of the petals. The classification results showed that the chosen features described the differences between the studied species quite well. However, the models taking into account the interdependencies of the feature variables did not yield any better results compared to the naive Bayesian classifier. In fact, other studies have showed that under certain dependence conditions the naive classifier can have discriminative power equal to the models that take the interdependencies into account. Naive Bayes is also simple enough to function as a good general model. Some models tested in this study were too complicated considering the small number of samples in the dataset. In future, special attention should be paid to how the feature variables should be discretized and how the model should be built in order to achieve a sufficiently simple but powerful model.
first_indexed 2019-09-20T09:14:36Z
format Pro gradu
free_online_boolean 1
fullrecord [{"key": "dc.contributor.advisor", "value": "Matti, Eskelinen", "language": "", "element": "contributor", "qualifier": "advisor", "schema": "dc"}, {"key": "dc.contributor.advisor", "value": "Paavo, Nieminen", "language": "", "element": "contributor", "qualifier": "advisor", "schema": "dc"}, {"key": "dc.contributor.author", "value": "Juuti, Tanja", "language": "", "element": "contributor", "qualifier": "author", "schema": "dc"}, {"key": "dc.date.accessioned", "value": "2018-11-28T06:28:37Z", "language": null, "element": "date", "qualifier": "accessioned", "schema": "dc"}, {"key": "dc.date.available", "value": "2018-11-28T06:28:37Z", "language": null, "element": "date", "qualifier": "available", "schema": "dc"}, {"key": "dc.date.issued", "value": "2018", "language": "", "element": "date", "qualifier": "issued", "schema": "dc"}, {"key": "dc.identifier.uri", "value": "https://jyx.jyu.fi/handle/123456789/60354", "language": null, "element": "identifier", "qualifier": "uri", "schema": "dc"}, {"key": "dc.description.abstract", "value": "Suomen ymp\u00e4rist\u00f6hallinnossa on alettu viime vuosina kiinnostua enenev\u00e4ss\u00e4 m\u00e4\u00e4rin konen\u00e4\u00f6n hy\u00f6dynt\u00e4misest\u00e4 lajintunnistuksessa. Esimerkiksi tienvarsien haittakasvilajeja on tunnistettu varsin hyvin tuloksin. Koneellinen, lajeja tunnistava luokittelija voidaan toteuttaa esimerkiksi Bayes-verkoilla. Ne ovat todenn\u00e4k\u00f6isyysmalleja, joilla voidaan mallintaa muuttujien v\u00e4lisi\u00e4 riippuvuuksia. Rakenteeltaan erilaiset Bayes-luokittelijat pystyv\u00e4t eri tavoin huomioimaan piirremuuttujien v\u00e4lisi\u00e4 riippuvuuksia. Esimerkiksi naiivi Bayes-menetelm\u00e4 olettaa piirremuuttujien riippuvan ainoastaan lajiluokasta. Tutkimuksen tavoitteena olikin selvitt\u00e4\u00e4, millainen Bayes-verkko olisi sopiva luokittelija kukkivien kasvien lajintunnistukseen. Tunnistuskohteeksi valittiin kukat, koska ne ovat monimuotoisuutensa ja erottuvuutensa vuoksi hyvi\u00e4 kohteita elinymp\u00e4rist\u00f6ss\u00e4\u00e4n kuvattujen kasvien konen\u00e4\u00f6lliseen lajintunnistukseen. Kukkien v\u00e4ri\u00e4 kuvattiin v\u00e4rihistogrammien tilastollisilla tunnusluvuilla ja muotoa kuvamomenteilla sek\u00e4 skaalainvarianteilla pistepiirteill\u00e4. Lis\u00e4ksi kukista m\u00e4\u00e4ritettiin ter\u00e4lehtien sijaintia ja kokoa kuvaavia piirteit\u00e4. Luokittelutulosten perusteella kuvista lasketut piirteet kuvasivat hyvin tutkimuksessa mukana olleiden lajien v\u00e4lisi\u00e4 eroja. Sen sijaan piirremuuttujien riippuvuuksia huomioivat luokittelumallit eiv\u00e4t tuottaneet naiivia mallia parempia tuloksia. Onkin osoitettu, ett\u00e4 tietynlaisissa riippuvuustilanteissa naiivi luokittelija on riippuvuutta huomioivien mallien veroinen. Riitt\u00e4v\u00e4n yksinkertaisena naiivi malli on my\u00f6s hyv\u00e4 yleismalli. Osa t\u00e4ss\u00e4 tutkimuksessa testatuista malleista oli liian monimutkaisia havaintojen m\u00e4\u00e4r\u00e4\u00e4n n\u00e4hden. Jatkossa tulisikin kiinnitt\u00e4\u00e4 erityishuomiota siihen, millainen piirremuuttujien diskretisointi ja mallin rakennusprosessi tuottavat riitt\u00e4v\u00e4n yksinkertaisen mutta hyv\u00e4n mallin.", "language": "fi", "element": "description", "qualifier": "abstract", "schema": "dc"}, {"key": "dc.description.abstract", "value": "In recent years Finland's environmental administration has shown growing interest in utilizing computer vision in species recognition. As an example, good results have been achieved in identifying invasive plant species growing on roadsides. One option to build a classifier to recognize plant species is to use Bayesian networks, which are probability models that are able to model variable interdependencies. Different kinds of Bayesian classifiers have varying abilities to take into account the dependencies between feature variables. For example, naive Bayesian classifier is based on the assumption that the feature variables only depend on the object class. The aim of this study was to find out what kind of Bayesian network would be ideal in identifying flowering plant species. The images of flowers were used because the diversity and distinctness of flowers make them good targets for computer vision purposes. The color of the flower was represented by statistics of the color histogram and the shape of the flower was described with image moments and local scale-invariant features. Additional variables were extracted to represent the size and position of the petals. The classification results showed that the chosen features described the differences between the studied species quite well. However, the models taking into account the interdependencies of the feature variables did not yield any better results compared to the naive Bayesian classifier. In fact, other studies have showed that under certain dependence conditions the naive classifier can have discriminative power equal to the models that take the interdependencies into account. Naive Bayes is also simple enough to function as a good general model. Some models tested in this study were too complicated considering the small number of samples in the dataset. In future, special attention should be paid to how the feature variables should be discretized and how the model should be built in order to achieve a sufficiently simple but powerful model.", "language": "en", "element": "description", "qualifier": "abstract", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Submitted by Paivi Vuorio (paelvuor@jyu.fi) on 2018-11-28T06:28:37Z\nNo. of bitstreams: 0", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.description.provenance", "value": "Made available in DSpace on 2018-11-28T06:28:37Z (GMT). No. of bitstreams: 0\n Previous issue date: 2018", "language": "en", "element": "description", "qualifier": "provenance", "schema": "dc"}, {"key": "dc.format.extent", "value": "120", "language": "", "element": "format", "qualifier": "extent", "schema": "dc"}, {"key": "dc.format.mimetype", "value": "application/pdf", "language": null, "element": "format", "qualifier": "mimetype", "schema": "dc"}, {"key": "dc.language.iso", "value": "fin", "language": null, "element": "language", "qualifier": "iso", "schema": "dc"}, {"key": "dc.rights", "value": "In Copyright", "language": "en", "element": "rights", "qualifier": null, "schema": "dc"}, {"key": "dc.subject.other", "value": "Bayes-verkko", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "naiivi Bayes-luokittelija", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "lajintunnistus", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.subject.other", "value": "luokittelu", "language": "", "element": "subject", "qualifier": "other", "schema": "dc"}, {"key": "dc.title", "value": "Bayesil\u00e4iset graa\ufb01set mallit konen\u00e4\u00f6ss\u00e4 : kukkivien kasvien lajintunnistus", "language": "", "element": "title", "qualifier": null, "schema": "dc"}, {"key": "dc.type", "value": "master thesis", "language": null, "element": "type", "qualifier": null, "schema": "dc"}, {"key": "dc.identifier.urn", "value": "URN:NBN:fi:jyu-201811284896", "language": "", "element": "identifier", "qualifier": "urn", "schema": "dc"}, {"key": "dc.type.ontasot", "value": "Pro gradu -tutkielma", "language": "fi", "element": "type", "qualifier": "ontasot", "schema": "dc"}, {"key": "dc.type.ontasot", "value": "Master\u2019s thesis", "language": "en", "element": "type", "qualifier": "ontasot", "schema": "dc"}, {"key": "dc.contributor.faculty", "value": "Informaatioteknologian tiedekunta", "language": "fi", "element": "contributor", "qualifier": "faculty", "schema": "dc"}, {"key": "dc.contributor.faculty", "value": "Faculty of Information Technology", "language": "en", "element": "contributor", "qualifier": "faculty", "schema": "dc"}, {"key": "dc.contributor.department", "value": "Informaatioteknologia", "language": "fi", "element": "contributor", "qualifier": "department", "schema": "dc"}, {"key": "dc.contributor.department", "value": "Information Technology", "language": "en", "element": "contributor", "qualifier": "department", "schema": "dc"}, {"key": "dc.contributor.organization", "value": "Jyv\u00e4skyl\u00e4n yliopisto", "language": "fi", "element": "contributor", "qualifier": "organization", "schema": "dc"}, {"key": "dc.contributor.organization", "value": "University of Jyv\u00e4skyl\u00e4", "language": "en", "element": "contributor", "qualifier": "organization", "schema": "dc"}, {"key": "dc.subject.discipline", "value": "Tietotekniikka", "language": "fi", "element": "subject", "qualifier": "discipline", "schema": "dc"}, {"key": "dc.subject.discipline", "value": "Mathematical Information Technology", "language": "en", "element": "subject", "qualifier": "discipline", "schema": "dc"}, {"key": "yvv.contractresearch.funding", "value": "0", "language": "", "element": "contractresearch", "qualifier": "funding", "schema": "yvv"}, {"key": "dc.type.coar", "value": "http://purl.org/coar/resource_type/c_bdcc", "language": null, "element": "type", "qualifier": "coar", "schema": "dc"}, {"key": "dc.rights.accesslevel", "value": "openAccess", "language": null, "element": "rights", "qualifier": "accesslevel", "schema": "dc"}, {"key": "dc.type.publication", "value": "masterThesis", "language": null, "element": "type", "qualifier": "publication", "schema": "dc"}, {"key": "dc.subject.oppiainekoodi", "value": "602", "language": "", "element": "subject", "qualifier": "oppiainekoodi", "schema": "dc"}, {"key": "dc.subject.yso", "value": "lajinm\u00e4\u00e4ritys", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "kasvit", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "koneoppiminen", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.subject.yso", "value": "konen\u00e4k\u00f6", "language": null, "element": "subject", "qualifier": "yso", "schema": "dc"}, {"key": "dc.format.content", "value": "fulltext", "language": null, "element": "format", "qualifier": "content", "schema": "dc"}, {"key": "dc.rights.url", "value": "https://rightsstatements.org/page/InC/1.0/", "language": null, "element": "rights", "qualifier": "url", "schema": "dc"}, {"key": "dc.type.okm", "value": "G2", "language": null, "element": "type", "qualifier": "okm", "schema": "dc"}]
id jyx.123456789_60354
language fin
last_indexed 2025-02-18T10:55:49Z
main_date 2018-01-01T00:00:00Z
main_date_str 2018
online_boolean 1
online_urls_str_mv {"url":"https:\/\/jyx.jyu.fi\/bitstreams\/de1a522d-b161-4d53-a71c-952af5390cf5\/download","text":"URN:NBN:fi:jyu-201811284896.pdf","source":"jyx","mediaType":"application\/pdf"}
publishDate 2018
record_format qdc
source_str_mv jyx
spellingShingle Juuti, Tanja Bayesiläiset graafiset mallit konenäössä : kukkivien kasvien lajintunnistus Bayes-verkko naiivi Bayes-luokittelija lajintunnistus luokittelu Tietotekniikka Mathematical Information Technology 602 lajinmääritys kasvit koneoppiminen konenäkö
title Bayesiläiset graafiset mallit konenäössä : kukkivien kasvien lajintunnistus
title_full Bayesiläiset graafiset mallit konenäössä : kukkivien kasvien lajintunnistus
title_fullStr Bayesiläiset graafiset mallit konenäössä : kukkivien kasvien lajintunnistus Bayesiläiset graafiset mallit konenäössä : kukkivien kasvien lajintunnistus
title_full_unstemmed Bayesiläiset graafiset mallit konenäössä : kukkivien kasvien lajintunnistus Bayesiläiset graafiset mallit konenäössä : kukkivien kasvien lajintunnistus
title_short Bayesiläiset graafiset mallit konenäössä
title_sort bayesiläiset graafiset mallit konenäössä kukkivien kasvien lajintunnistus
title_sub kukkivien kasvien lajintunnistus
title_txtP Bayesiläiset graafiset mallit konenäössä : kukkivien kasvien lajintunnistus
topic Bayes-verkko naiivi Bayes-luokittelija lajintunnistus luokittelu Tietotekniikka Mathematical Information Technology 602 lajinmääritys kasvit koneoppiminen konenäkö
topic_facet 602 Bayes-verkko Mathematical Information Technology Tietotekniikka kasvit konenäkö koneoppiminen lajinmääritys lajintunnistus luokittelu naiivi Bayes-luokittelija
url https://jyx.jyu.fi/handle/123456789/60354 http://www.urn.fi/URN:NBN:fi:jyu-201811284896
work_keys_str_mv AT juutitanja bayesiläisetgraafisetmallitkonenäössäkukkivienkasvienlajintunnistus