Нейронные сети и обработка изображений для съемки гусениц с лазерами

Question

Я фермер-любитель, и у меня в горшке растет драгоценное растение томат черри. В последнее время, к моему огорчению, я обнаружил, что мое драгоценное растение стало жертвой схемы, совершенной злой мандукой Quinquemaculata - также известной как томатный червь (http://insects.tamu.edu/images/insects/common/images/cd-43-c-txt/cimg308.html).

)

Разбивая последнего червя, которого я видел, я подумал: если бы я использовал веб-камеру, подключенную к моему компьютеру с запущенной программой, можно ли было бы использовать какое-то приложение для мониторинга моего драгоценного растения? Эти вредители в высшей степени замаскированы, и мои наивные глаза очень трудно их обнаружить.

Я видел исследование, использующее искусственные нейронные сети (ANN) для всех видов вещей, таких как распознавание лиц людей и т. Д., И поэтому, возможно, было бы возможно определить местонахождение вредителя с помощью ANN.

У меня есть несколько вопросов, хотя я хотел бы получить некоторые предложения.

1) Существует ли ранжирование различных ИНС с точки зрения их эффективности в классификации? Известно, что многослойные персептроны лучше, чем Хопфилдс? Или это вопрос, на который ответ неизвестен?

2) Почему существует несколько различных функций активации, которые могут использоваться в ANN? Сигмоиды, гиперболические касательные, ступенчатые функции и т. Д. Как узнать, какую функцию выбрать?

3) Если бы у меня было изображение растения с червем на одной из ветвей, я думаю, что я мог бы научить нейронную сеть искать тонкие ветви, толстеть в течение короткого периода времени, а затем получать снова худой У меня есть проблема, хотя с ветвями, пересекающими повсеместно. Есть ли этап предварительной обработки, который можно применить к изображению, чтобы различить элементы переднего плана и фона? Я хотел бы изолировать отдельные ветви для запуска по сети по одному. Есть ли какой-нибудь хороший алгоритм преобразования?

Буду очень признателен за любые полезные советы по распознаванию образов и обработке изображений, такие как книги или статьи.

С уважением, MJ

Во время написания этого письма были повреждены томатные черви.

Answer 1

Хорошее практическое правило для машинного обучения: лучшие функции превосходят лучшие алгоритмы. Т.е. если вы подадите необработанные пиксели изображения непосредственно в свой классификатор, результаты будут плохими, независимо от того, какой алгоритм обучения вы используете. Если вы предварительно обработаете изображение и извлечете функции, которые сильно коррелируют с «присутствием гусеницы», то большинство алгоритмов выполнят достойную работу.

Так что не сосредотачивайтесь на топологии сети, начните с задачи компьютерного зрения.

Answer 2

Эти маленькие присоски регулярно передвигаются? Если это так, и если растение довольно статично (то есть нет ветра или других сил, которые заставляют его двигаться), тогда может быть достаточно простого фильтра для обнаружения движения. Это позволило бы обойтись без какого-либо алгоритма обучения, который зачастую довольно сложно обучить и реализовать.