Open Access Open Access  Restricted Access Subscription Access

Program for automatic clustering of numerous (over 1000) images of pollen grains obtained using an optical microscope in Python, for learning the LeNet convolutional neural network

Kamalova Y.B.

Abstract


A method of images classification of pollen grains at the preprocessing sampling stage for learning of the LeNet convolutional neural network is considered. The Python program was developed for cropping an image of pollen obtained using an optical microscope, ImageSplitter by which an image of polyfluoric honey was framed at 1131 images 128 pixels * 128 pixels in size with a sliding window step of 32 pixels. The primary Python classification program was developed which allows sorting out empty images from non-empty ones through the task conditions and intervals of the degree of fullness in black. A study on the possibility of sorting non-empty images into three classes according to the percentage of fullness in black was conducted. The proportion of black points among all Perimeter total (i.e., the criterion of the area occupied by a grain of a frame) is calculated; the criterion of the frame's perimeter grain is Perimeter black and in percentage the Perimeter percentage. The inverted threshold binarization was performed to select objects. The following results were obtained: in the interval from 0 to 30, the program did not display any images, i.e., the folder output_result_0-30 was empty; in the interval from 31-60, the program has classified 4 images, i.e., there were 4 images in the folder output_result_31-60; between 61-99, the program has classified 130 images.

Keywords


image preprocessing, pollen grain images, LeNet neural network, Python, opencv library in Python, polyflory honey

Full Text

Galleys

PDF (Русский)
References References

Камалова Ю. Б. Вычисление статистических параметров в распознавании изображений зерен пыльцы, полученных с помощью растрового электронного микроскопа // Интеллектуальные системы в производстве. 2014. № 1 (23). С. 120–123.

Коробейников А. В., Камалова Ю. Б. Применение сверточной нейронной сети LeNet для классификации изображений зерен пыльцы // Приборостроение в XXI веке – 2017. Интеграция науки, образования и производства [Электронный ресурс]: сб. материалов XIII Междунар. науч.-техн. конф. (Ижевск, 22–24 нояб. 2017 г.). Ижевск : Изд-во ИжГТУ имени М. Т. Калашникова, 2018. С. 228–233. 25,9 Мб (PDF). Систем. требования: Acrobat Reader 6.0 и выше.

Аппроксимация цветных изображений на основе кластеризации цветовой палитры и сглаживания границ сплайнами и дугами / А. В. Кучуганов, В. Н. Кучуганов, П. П. Осколков, Д. Р. Касимов // Программирование. 2018. № 5. С. 3–11.

Кучуганов М. В., Кучуганов А. В. Дескрипционная логика на графах изображений // Вестник удмуртского университета. Математика. Механика. Компьютерные науки. 2018. Т. 28, № 4. С. 582–594.

Полное руководство параллельного программирования на Python. Куан Нгуен. Глава 8. Параллельная обработка изображений Python в качестве инструмента обработки изображения [Onreader]. URL: http://onreader.mdl.ru/MasteringConcurrencyInPython/con¬tent/Ch08.html#0201 (дата обращения: 11.03.2019).

Простой классификатор изображений на Python с помощью библиотеки TensorFlow: пошаговое руководство [TPRoger]. URL: https://tproger.ru/translations/image-classifier-tensorflow/ (дата обращения: 12.03.2019).

Python: распознавание объектов в реальном времени [ProgLib]. URL: https://proglib.io/p/real-time-object-detection/ (дата обращения: 24.03.2019)

Полное руководство параллельного программирования на Python. Куан Нгуен, Packt Publishing, ноябрь 2018. URL: http://onreader.mdl.ru/MasteringCon-currencyInPython/content/index.html (дата обращения: 25.03.2019).

Рябов П. И., Вологдин С. В., Максимова В. В. Алгоритм распознавания изображений с приборов учета электроэнергии // Интеллектуальные системы в производстве. 2017. Т. 15, № 4. С. 42–48.

Рябов П. И., Вологдин С. В., Максимова В. В. Алгоритм распознавания изображений с приборов учета электроэнергии (Image Recognition Algorithm from the Electricity Metering Devices) // Интеллектуальные системы в производстве. 2017. Т. 15, № 4. С. 42–48.

Алгоритм позиционирования БПЛА по последовательности кадров видеопотока / И. О. Архипов, М. А. Мишенков, А. А. Шутов, М. О. Еланцев // Интеллектуальные системы в производстве. 2017. Т. 16, № 3. С. 66–69.

Файлы. Работа с файлами [Python 3 для начинающих]. URL: https://pythonworld.ru/tipy-dannyx-v-python/fajly-rabota-s-fajlami.html (дата обращения: 25.04.2019).

Модуль os [Python 3 для начинающих]. URL: https://pythonworld.ru/moduli/modulos.html (дата обращения: 25.04.2019).

Интуит. Национальный открытый университет. Академия Intel: Введение в разработку мультимедийных приложений с использованием библиотек OpenCV и IPP. Лекция 1: Основные цветовые модели, представление изображения, базовые операции над изображениями. URL: https://www.intuit.ru/ studies/courses/10621/1105/lecture/17979 (дата обращения: 25.04.2019).

Библиотека OpenCV [OpenCV]. URL: https://opencv.org/ (дата обращения: 25.04.2019).

Модуль cv2 при использовании OpenCV [QaruSite]. URL: http://qaru.site/questions/52086/opencv-cannot-find-module-cv2 (дата обращения: 25.04.2019).

Описание и установка pip [Pypi.org]. URL: https://pypi.org/project/opencv-contrib-python/ (дата обращения: 25.04.2019).

Модуль os [Python 3 для начинающих]. URL: https://pythonworld.ru/moduli/modul-os.html (дата обращения: 25.04.2019).




DOI: http://dx.doi.org/10.22213/2410-9304-2019-3-4-67-74

Article Metrics

Metrics Loading ...

Metrics powered by PLOS ALM

Refbacks

  • There are currently no refbacks.


Copyright (c) 2019 Камалова Ю.Б.

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

ISSN 1813-7911