روش مبتنی بر موجک برای طبقه‌بندی علف هرز و ذرت با استفاده از ویژگی‌های آماری و شبکه عصبی مصنوعی

در این تحقیق، یک رویکرد مبتنی بر تبدیل موجک برای طبقه‌بندی علف هرز و ذرت ارایه شده است. بر این اساس، یک پایگاه داده متشکل از 500 تصویر در شرایط عادی مزرعه تهیه شد. در ابتدا تبدیل موجک دو بعدی سه مرحله‌ای برای تمام تصاویر اعمال گردید. سپس، ویژگی‌های آماری ضرایب موجک (میانگین، واریانس، چولگی، درجه اوج، انرژی و آنتروپی) محاسبه شد. در نهایت یک شبکه عصبی مصنوعی چند لایه پرسپترون برای طبقه‌‌بندی تصاویر علف هرز و محصول ذرت از طریق ویژگی‌های استخراج شده، مورد استفاده قرار گرفت. سه نوع تابع موجک شامل موجک‌های هار، دبوچی 4 و دبوچی 25 برای یافتن بهترین تابع مورد بررسی قرار گرفتند. برای یافتن بهترین بردار ویژگی، ترکیب‌های گوناگونی از ویژگی‌های استخراج شده از مراحل مختلف موجک مورد بررسی قرار گرفتند. نتایج نشان داد که الگوریتم مبتنی بر موجک هار برای طبقه‌بندی از دقت 5/89 درصد برخوردار بوده و همچنین از نظر بازده محاسباتی قادر است در زمان 22/0 ثانیه هر تصویر را پردازش کند و از این جهت عملکرد بهتری نسبت به دو تابع موجک دیگر داشت.