CSgI: A Deep Learning based approach for Marijuana Leaves Strain Classification

Rajora, Shantanu; Vishwakarma, Dinesh Kumar; Singh, Kulbir; Prasad, Mukesh

doi:10.1109/iemcon.2018.8615011

Cited by 6 publications

(2 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In recent years, deep learning has been introduced for different tasks of computer vision and machine learning like recognition tasks [48]. It is demonstrated that these approaches have breakthrough performance in handwriting text recognition [47].…”

Section: Deep Learning Methodsmentioning

confidence: 99%

Two streams deep neural network for handwriting word recognition

Sulaiman

Omar

Nasrudin

2020

Multimed Tools Appl

View full text Add to dashboard Cite

Handwritten word recognition is one of the hot topics in automatic handwritten text recognition that received a lot of attention in recent years. Unlike character recognition, word recognition deals with considerable variations in word shape and written style. This paper proposes a novel deep model for language-independent handwritten word recognition. The proposed deep structure has two parallel stages for jointly learning character and wordlevel information. In the character-level stage, a weakly character segmentation method is performed and then applies a series of Long short-term memory (LSTM) layers for character-level representation. The word-level stage employs a series of convolutional layers for the shape and structure representation of the word. These representations are then concatenated and followed by a series of fully connected layers for jointly learning the words and the character-level information. Since the character segmentation is language independent and error-prone, the proposed deep structure only applies weakly separation scheme and does not rely on any character segmentation algorithm. Thus, it effectively utilizes character level representation without bounding on any language model. In the proposed methodology, we use two new data augmentation strategies based on a psychological assumption to increase the model generalization performance. Experimental results on five public datasets including Arabic, English and German languages demonstrate that the proposed deep model has a superior performance to the state-of-the-art methods. Keywords Handwritten word recognition IntroductionDuring recent years, the handwriting word recognition(HWR) has become one of the most challenging and also, captivating research areas in the field of computer vision and pattern recognition. The HWR is used to describe the ability of the computers to translate a human

show abstract

Section: Deep Learning Methodsmentioning

confidence: 99%

Two streams deep neural network for handwriting word recognition

Sulaiman

Omar

Nasrudin

2020

Multimed Tools Appl

View full text Add to dashboard Cite

show abstract

“…Bu işlem tarım alanında narenciye üretiminin sürdürülebilirliğini sağlayabilmek için kritik öneme sahiptir. Son yıllarda narenciye ürünü dışındaki farklı bitkilere ait hastalıkların tanınmasına ve sınıflandırmasına yönelik kapsamlı görüntü tanıma uygulamaları geliştirilmiştir [22], [32], [33]. CNN tabanlı derin öğrenme yaklaşımlarında klasik makine öğrenme ve yapay zekâ yaklaşımlarındaki gibi öznitelik çıkarma adımına gerek yoktur.…”

Section: Introductionunclassified

Classification of Citrus Diseases with Convolutional Neural Network Based Deep Learning Model

ÇETİNER

Çetiner

2022

Bitlis Eren Üniversitesi Fen Bilimleri Dergisi

View full text Add to dashboard Cite

ÖzTarımsal üretimde mahsul verimi için bitki hastalıkları hayati öneme sahiptir. Bitkilerde bulunan renk, şekil, doku gibi özelliklerin birbirine benzemesinden dolayı bitkilerdeki hastalıkların erken aşamada tespiti zor ve yorucu olmaktadır. Bitkilerdeki hastalıkların erken aşamada tespit edilerek önlem alınması mahsule gelen zararın engellemesi için gerekli bir adımdır. Bu nedenle, narenciye ihracatını etkileyerek üreticileri maddi olarak büyük zararlara uğratan yaprak hastalıklarını sınıflandırmak için yapılan çalışma kapsamında derin öğrenme tabanlı bir model geliştirilmiştir. Buna ek olarak DenseNet121, MobileNetV2 ve ResNet50 modellerini temel alan üç ayrı model ile de yaprak hastalıkları sınıflandırılmıştır. Bu modellerin oluşturulmasında ince ayarlı transfer öğrenme tekniği kullanılmıştır. Yapılan çalışma kapsamında önerilen 15 katmanlı CNN modeli ile Adamax optimizasyon yöntemi ile %99, RMSProp optimizasyon yöntemi ile de %97 doğruluk oranlarına ulaşılmıştır. En sık karşılaşılan narenciye yaprak hastalıklarından olan Blackspot (narenciye siyah nokta (CBS)), canker (narenciye bakteriyel kanseri (CBC)), greening (huanglongbing (HLB)) ile Health (sağlıklı (Health)) sınıflarında ise sırasıyla %100, %100, %98 ve %100 başarı oranlarına erişilmiştir.

show abstract