Identification of butterfly species i

Identification of butterfly species is essential because they are directly associated with crop plants used for
human and animal consumption. However, the widely used reliable methods for butterfly identification are
not efficient due to complicated butterfly shapes. We previously developed a novel shape recognition method
that uses branch length similarity (BLS) entropy, which is a simple branching network consisting of a single
node and branches. The method has been successfully applied to recognize battle tanks and characterize
human faces with different emotions. In the present study, we used the BLS entropy profile (an assemble of
BLS entropies) as an input feature in a feed-forward back-propagation artificial neural network to identify
butterfly species according to their shapes when viewed from different angles (for vertically adjustable angle,
θ = ±10°, ±20°, …, ±60° and for horizontally adjustable angle, φ = ±10°, ±20°, …, ±60°). In the field,
butterfly images are generally captured obliquely by camera due to butterfly alignment and viewer positioning,
which generates various shapes for a given specimen. To generate different shapes of a butterfly when viewed
from different angles, we projected the shapes captured from top-view to a plane rotated through angles θ and
φ. Projected shapes with differing θ and φ values were used as training data for the neural network and other
shapes were used as test data. Experimental results showed that our method successfully identified various
butterfly shapes. In addition, we briefly discuss extension of the method to identify more complicated images
of different butterfly species.

ผลลัพธ์ (ไทย) 1:

Identification butterfly พันธุ์เป็นสิ่งจำเป็นเนื่องจากจะเกี่ยวข้องโดยตรงกับพืชพืชใช้สำหรับการใช้มนุษย์ และสัตว์ อย่างไรก็ตาม เป็นวิธีที่เชื่อถือได้ใช้กันอย่างแพร่หลายสำหรับ butterfly identificationefficient ไม่เนื่องจากรูปร่างที่ซับซ้อน butterfly ก่อนหน้านี้เราพัฒนาวิธีการรู้จำรูปร่างนวนิยายใช้สาขายาวคล้าย (BLS) เอนโทรปี ซึ่งเป็นเครือข่ายโยงหัวข้ออย่างเดียวประกอบด้วยโหนดและสาขา วิธีการได้ถูกนำไปใช้ให้รู้จักต่อสู้รถถัง และลักษณะใบหน้ามนุษย์ มีอารมณ์แตกต่างกัน ในการศึกษาปัจจุบัน เราใช้ profile เอนโทรปีของ BLS (การ assemble ของBLS entropies) เป็นคุณลักษณะการป้อนข้อมูลในเครือข่ายประสาท artificial ไปดึงกลับมาเผยแพร่เพื่อระบุพันธุ์ butterfly ตามรูปทรงเมื่อดูจากมุมที่แตกต่าง (ในแนวตั้งปรับมุมΘ =〜° ±20 องศา,..., ±60 องศา และแนวนอนปรับ มุม φ =〜° ±20 องศา,..., ±60 องศา) ใน fieldภาพ butterfly โดยทั่วไปจับภาพ obliquely โดยกล้องตำแหน่ง butterfly และแสดงตำแหน่งการสร้างรูปทรงต่าง ๆ สำหรับตัวอย่างที่กำหนด การสร้างรูปร่างต่าง ๆ ของ butterfly เมื่อดูสำรวจ เราคาดว่ารูปร่างที่จับภาพจากด้านบนให้เครื่องบินหมุนผ่านมุมθ และรูปร่างของφคาดการณ์ มีค่าθและφแตกต่างถูกใช้เป็นข้อมูลการฝึกอบรมสำหรับโครงข่ายประสาทและอื่น ๆรูปทรงถูกใช้เป็นข้อมูลการทดสอบ ผลการทดลองพบว่าวิธีการของเราสำเร็จ identified ต่าง ๆbutterfly รูปร่าง นอกจากนี้ เรา briefly หารือขยายวิธีการระบุภาพที่ซับซ้อนมากขึ้นbutterfly แตกต่างพันธุ์กัน

ผลลัพธ์ (ไทย) 2:

ไอออนบวก Fi Identi ของเนยชั้นและสายพันธุ์ที่มีความสำคัญเพราะพวกเขามีความเกี่ยวข้องโดยตรงกับการปลูกพืชที่ใช้สำหรับ
การบริโภคของมนุษย์และสัตว์ แต่วิธีการที่เชื่อถือได้ใช้กันอย่างแพร่หลายสำหรับเนยชั้นและไอออนบวกการระบุสายมี
ไม่เพียงพอไฟ EF เนื่องจากชั้นเนยที่มีความซับซ้อนและรูปทรง ก่อนหน้านี้เราพัฒนาวิธีการรับรู้รูปร่างนวนิยาย
ที่ใช้ระยะเวลาในสาขาความคล้ายคลึงกัน (BLS) เอนโทรปีซึ่งเป็นเครือข่ายแขนงง่ายประกอบด้วยเดียว
โหนดและสาขา วิธีการได้รับการใช้ประสบความสำเร็จในการรับรู้การต่อสู้รถถังและลักษณะ
ใบหน้าของมนุษย์ที่มีอารมณ์ความรู้สึกที่แตกต่างกัน ในการศึกษาปัจจุบันเราใช้ BLS เอนโทรปีโปรไฟ le (ประกอบของ
BLS entropies) เป็นคุณสมบัติการป้อนข้อมูลในฟีดไปข้างหน้าหลังการขยายพันธุ์ Arti Fi เครือข่ายประสาททางการเพื่อระบุ
เนยชั้นและสายพันธุ์ตามรูปร่างของพวกเขาเมื่อมองจากมุมที่แตกต่างกัน (ปรับตรง มุม
θ = ± 10 °, ± 20 °, ... , ± 60 °และมุมปรับแนวนอนφ = ± 10 °, ± 20 °, ... , ± 60 °) ในไฟไหม้ Fi,
เนยภาพและชั้นถูกจับโดยทั่วไปอ้อมโดยกล้องเนื่องจากการจัดตำแหน่งและเนยชั้นและการวางตำแหน่งของผู้ชม
ซึ่งจะสร้างรูปทรงต่างๆสำหรับตัวอย่างที่กำหนด เพื่อสร้างรูปทรงที่แตกต่างกันของชั้นเนยและเมื่อมอง
จากมุมที่แตกต่างกันเราคาดรูปร่างที่ยึดมาได้จากมุมมองด้านบนเครื่องบินหมุนผ่านมุมθและ
φ รูปทรงที่แตกต่างกันด้วยประมาณการค่าθและφถูกนำมาใช้เป็นข้อมูลสำหรับการฝึกอบรมเครือข่ายประสาทและอื่น ๆ
รูปทรงถูกนำมาใช้เป็นข้อมูลการทดสอบ ผลการทดลองแสดงให้เห็นว่าวิธีการของเราประสบความสำเร็จในการระบุสาย ed ต่างๆ
เนยชั้นรูปทรงและ นอกจากนี้เรา Brie ชั้นและหารือเกี่ยวกับการขยายตัวของวิธีการที่จะระบุภาพที่ซับซ้อนมากขึ้น
ของเนยชั้นที่แตกต่างกันและสายพันธุ์

ผลลัพธ์ (ไทย) 3:

identi จึงบวกเนยfl Y ชนิดเป็นสิ่งสำคัญเพราะพวกเขาโดยตรงเกี่ยวข้องกับพืชที่ใช้บริโภค
มนุษย์และสัตว์ อย่างไรก็ตาม การใช้อย่างกว้างขวางที่เชื่อถือได้วิธีการเนยfl Y identi ไอออนบวกจึงเป็นจึง cient เนื่องจาก EF
ไม่ซับซ้อนเนยfl Y รูปร่าง เราเคยพัฒนาใหม่การรับรู้รูปร่างวิธีที่ใช้ความยาว
สาขาความเหมือน ( BLS ) เอนโทรปีซึ่งเป็นแบบแยกเครือข่ายประกอบด้วยโหนดเดียว
และสาขา วิธีถูกใช้เรียบร้อยแล้วเพื่อรับรู้การต่อสู้รถถังและลักษณะ
ใบหน้ามนุษย์ ด้วยอารมณ์ที่แตกต่างกัน ในการศึกษาครั้งนี้เราใช้ BLS เอนโทรปี Pro จึงเลอ ( การรวบรวมของ
BLS entropies ) เป็นข้อมูลคุณสมบัติใน feed-forward กิจึง back-propagation ่โครงข่ายประสาทเทียมเพื่อระบุ
เนยfl Y ชนิดตามรูปร่างของพวกเขาเมื่อมองจากมุมที่แตกต่างกัน ( สำหรับแนวตั้ง ปรับมุม
θ = ± 10 องศา 20 องศา± , , . . . , ± 60 องศา และแนวนอน สามารถปรับมุม φ = ± 10 องศา 20 องศา± , , . . . , ± 60 องศา ) ในการถ่ายทอดละมั่ง
เนย , fl Y ภาพโดยทั่วไปจะถูกบิดเบือนโดยกล้องเนื่องจากเนยfl Y จัดตำแหน่งมุม
ซึ่งสร้างรูปทรงต่าง ๆ เพื่อให้ชิ้นงานเพื่อสร้างรูปร่างที่แตกต่างกันของเนยfl
Y เมื่อมองจากมุมที่แตกต่างกัน เราคาดการณ์รูปร่างที่จับจากด้านบนมุมมองเครื่องบินหมุนผ่านมุมθและ
φ . คาดรูปทรงต่างกัน และφθค่าถูกใช้เป็นข้อมูลการฝึกอบรมสำหรับโครงข่ายประสาทเทียมและรูปร่างอื่น ๆ
ถูกใช้เป็นข้อมูลทดสอบ จากผลการทดลองพบว่าวิธีการของเราเรียบร้อยแล้ว identi จึงเอ็ดต่างๆ
เนยfl Y รูปร่าง นอกจากนี้ เราflบรี Y หารือขยายวิธีการระบุที่ซับซ้อนมากขึ้นภาพที่แตกต่างกันfl Y
เนยชนิด