ارائه يك روش نوين در طبقه‌بندي انواع گونه‌هاي پروانه با استفاده از پردازش تصوير

A New Method to Increase the Classification Accuracy of the Butterfly Types Using Image Processing

درزمينۀ تشخيص و طبقه‌بندي جانوران همواره مشكلات بسياري وجود دارد كه مانع از به وجود آمدن پيشرفت‌هاي سريع و مؤثر در اين حوزه هستند. در سال‌هاي اخير روش‌هاي جديدي كه بر شبكه‌هاي عصبي مصنوعي و پردازش تصوير مبتني هستند، پيشنهاد شده‌اند كه مي‌توانند به تشخيص و بازشناسي گونه‌هاي پروانه‌ها بپردازند. در اين مقاله به‌طور خاص، تشخيص گونه‌هاي پروانه را با استفاده از پردازش تصوير و روش‌هاي طبقه‌بندي هوشمند بررسي خواهيم نمود و به دنبال بهبود عملكرد از طريق به‌كارگيري ويژگي‌هاي بافت بال پروانه‌ها هستيم. در اين راستا از روش استخراج ويژگي كوانتيزه‌سازي فاز محلي استفاده‌شده است كه در مقابل محوي موجود در تصاوير پروانه مقاومت نشان مي‌دهد. براي طبقه‌بندي نيز از دو نوع شبكه عصبي MLP و موجكي استفاده گرديد كه در بين اين دو، شبكه عصبي موجكي موفق به رسيدن به صحت 100% در طبقه‌بندي 14 گونه پروانه شد.

In the field of diagnosis and classification of animals there are always many problems which prevents the development of rapid and effective progress in this area. In recent years, the new approaches have been proposed that are based on artificial neural networks and image processing that can detect and recognize the butterfly types. In this article, specifically, we'll scrutiny the butterfly species detecting by using image processing and smart classification methods, also we are looking for the performance improvement by employing texture of butterfly wings features. In this context, the quantization feature extraction method of the local phase is used that resist against the blur in the butterfly pictures. As well as, in order to classification, the MLP and wavelet neural network is used that the result demonstrates, the wavelet neural network achieve 100% classification accuracy in 14 butterfly species.