Sistem Pengenalan Benih Padi menggunakan Metode Light Convolutional Neural Network pada Raspberry PI 4 B

2021 ◽  
Vol 7 (2) ◽  
pp. 120-126
Author(s):  
Indra Hermawan ◽  
Defiana Arnaldy ◽  
Maria Agustin ◽  
M. Farishanif Widyono ◽  
David Nathanael ◽  
...  
Keyword(s):  
Neural Network ◽  
Convolutional Neural Network ◽  
Personal Computer ◽  
Convolution Neural Network ◽  
Raspberry Pi

Baru-baru ini, metode pembelajaran mendalam dengan Convolution Neural Network (CNN) telah banyak digunakan untuk tugas klasifikasi gambar. CNN memiliki keunggulan yang tak tertandingi dalam mengekstraksi fitur gambar diskriminatif. Namun, banyak metode berbasis CNN yang ada dirancang untuk lebih dalam dan lebih besar dengan lapisan yang lebih kompleks. Sehingga membuatnya sulit untuk diterapkan pada perangkat seluler atau pada perangkat waktu nyata yang menggunakan mikrokontroler seperti raspberry pi, Arduino, dan lain sebagainya. Hal tersebut diatasi dengan menggunakan Light Convolution Neural Network (LCNN), maka perlu dilakukan percobaan untuk menguji seberapa besar perbedaan kinerja LCNN pada Personal Computer (PC) dan pada mikrokontroler raspberry pi 4 dengan sistem operasi Raspbian. Eksperimen dilakukan dengan menggunakan beberapa parameter kinerja yaitu accuracy, F-1 Score, recall, precision, dan waktu dari pengujian klasifikasi untuk mendapatkan hasil performa dari pembelajaran mendalam. Oleh karena itu, hasil dan arsitektur model akan mengkonfirmasi perbedaan kinerja di masing-masing perangkat dan menunjukkan bagaimana performa model pada perangkat yang dibatasi sumber daya atau berjalan secara waktu nyata. Pengujian menunjukkan bahwa kinerja pada raspberry pi yang merupakan alat dengan sumber daya terbatas tidak mempengaruhi kualitas pengenalan gambar, tetapi mempengaruhi waktu pemrosesan pengenalan, dikarenakan raspberry pi membutuhkan waktu proses yang lebih lama untuk melakukan satu proses pengenalan data atau foto. Hal tersebut akan mengakumulasi waktu yang dibutuhkan untuk pemrosesan data yang banyak, sehingga dapat disimpulkan bahwa raspberry pi dan alat dengan sumber daya terbatas sangat tidak efektif untuk melakukan pelatihan pengenalan dan melakukan proses pengenalan yang berisi banyak data atau foto dalam sekali prosesnya.

Application of convolution neural network in medical image processing

2020 ◽  
pp. 1-11
Author(s):  
Jie Liu ◽  
Hongbo Zhao
Keyword(s):  
Neural Network ◽  
Convolutional Neural Network ◽  
Network Structure ◽  
Medical Image ◽  
Sampling Methods ◽  
Medical Image Processing ◽  
Convolution Neural Network ◽  
Data Set ◽  
Convolution Kernels ◽  
Neural Network Structure

BACKGROUND: Convolution neural network is often superior to other similar algorithms in image classification. Convolution layer and sub-sampling layer have the function of extracting sample features, and the feature of sharing weights greatly reduces the training parameters of the network. OBJECTIVE: This paper describes the improved convolution neural network structure, including convolution layer, sub-sampling layer and full connection layer. This paper also introduces five kinds of diseases and normal eye images reflected by the blood filament of the eyeball “yan.mat” data set, convenient to use MATLAB software for calculation. METHODSL: In this paper, we improve the structure of the classical LeNet-5 convolutional neural network, and design a network structure with different convolution kernels, different sub-sampling methods and different classifiers, and use this structure to solve the problem of ocular bloodstream disease recognition. RESULTS: The experimental results show that the improved convolutional neural network structure is ideal for the recognition of eye blood silk data set, which shows that the convolution neural network has the characteristics of strong classification and strong robustness. The improved structure can classify the diseases reflected by eyeball bloodstain well.

scholarly journals Algorithm of Strawberry Disease Recognition Based on Deep Convolutional Neural Network

Complexity ◽  
2021 ◽  
Vol 2021 ◽  
pp. 1-10
Author(s):  
Li Ma ◽  
Xueliang Guo ◽  
Shuke Zhao ◽  
Doudou Yin ◽  
Yiyi Fu ◽  
...  
Keyword(s):  
Neural Network ◽  
Convolutional Neural Network ◽  
Abiotic Factors ◽  
Convolution Neural Network ◽  
Image Feature ◽  
Identification Methods ◽  
Yield And Quality ◽  
Disease Identification ◽  
Deep Convolution Neural Network ◽  
And Control

The growth of strawberry will be stressed by biological or abiotic factors, which will cause a great threat to the yield and quality of strawberry, in which various strawberry diseased. However, the traditional identification methods have high misjudgment rate and poor real-time performance. In today's era of increasing demand for strawberry yield and quality, it is obvious that the traditional strawberry disease identification methods mainly rely on personal experience and naked eye observation and cannot meet the needs of people for strawberry disease identification and control. Therefore, it is necessary to find a more effective method to identify strawberry diseases efficiently and provide corresponding disease description and control methods. In this paper, based on the deep convolution neural network technology, the recognition of strawberry common diseases was studied, as well as a new method based on deep convolution neural network (DCNN) strawberry disease recognition algorithm, through the normal training of strawberry image feature representation in different scenes, and then through the application of transfer learning method, the strawberry disease image features are added to the training set, and finally the features are classified and recognized to achieve the goal of disease recognition. Moreover, attention mechanism and central damage function are introduced into the classical convolutional neural network to solve the problem that the information loss of key feature areas in the existing classification methods of convolutional neural network affects the classification effect, and further improves the accuracy of convolutional neural network in image classification.

scholarly journals Implementation of Machine Learning Using the Convolution Neural Network Method for Aglaonema Interest Classification

2021 ◽  
Vol 5 (1) ◽  
pp. 21-30
Author(s):  
Rachmat Rasyid ◽  
Abdul Ibrahim
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Ornamental Plants ◽  
Convolution Neural Network ◽  
Neural Network Method ◽  
Study Results ◽  
Network Method ◽  
The Many

One of the wealth of the Indonesian nation is the many types of ornamental plants. Ornamental plants, for example, the Aglaonema flower, which is much favored by hobbyists of ornamental plants, from homemakers, is a problem to distinguish between types of aglaonema ornamental plants with other ornamental plants. So the authors try to research with the latest technology using a deep learning convolutional neural network method. It is for calcifying aglaonema interest. This research is based on having fascinating leaves and colors. With the study results using the CNN method, the products of aglaonema flowers of Adelia, Legacy, Widuri, RedKochin, Tiara with moderate accuracy value are 56%. In contrast, the aglaonema type Sumatra, RedRuby, has the most accuracy a high of 61%.

scholarly journals Penerapan Liveness Sebagai Anti-Spoofing Citra Digital Pada Sistem Keamanan Akses Kontrol Ruang Server Berbasis Raspberry Pi

2021 ◽  
Vol 16 (2) ◽  
pp. 31
Author(s):  
Galih Rizkya Safri ◽  
Denny Irawan ◽  
Rini Puji Astutik
Keyword(s):  
Neural Network ◽  
Face Recognition ◽  
Local Binary Pattern ◽  
Convolution Neural Network ◽  
Raspberry Pi

Ruang server merupakan ruang yang menyimpan aset-aset dan data-data penting dari suatu perusahaan sehingga keamanan untuk akses keluar masuk ruang server perlu diperhatikan agar menghindari kejadian yang tidak diinginkan. Pada saat ini sudah banyak dikembangkan sistem keamanan hingga kunci konvensional, RFID, serta sistem keamanan menggunakan teknologi biometrik seperti sidik jari, iris, dan juga wajah yang memiliki karakteristik berbeda setiap wajahnya sehingga diharapkan bisa menjadi sistem keamanan yang handal. Seiring berkembangnya teknologi membuat seseorang semakin mudah mengakses internet untuk mendapatkan data-data biometrik seperti wajah yang dapat di gunakan untuk pemalsuan atau spoofing untuk mendapatkan akses ilegal ke suatu ruangan. Penelitian sistem keamanan ini menggunakan pegenalan wajah (face recognition) dan liveness sebagai anti- spoofing dan metode Local Binary Pattern dan Convolution Neural Network untuk meningkatkan sistem keamanan agar terhindar dari pemalsuan wajah. Hasil penelitian ini mendapatkan keakuratan pendeteksian wajah asli atau palsu sebesar 90% dan akurasi sistem dalam mengenali wajah sebesar 93.3%. Kesalahan proses pengenalan wajah terjadi 5 kali dan kesalahan saat proses pengenalan wajah dan 2 kali saat pengenalan wajah asli, dari 4 skenario dengan 40 kali uji coba. Sistem keamanan pada penelitian ini 95% bekerja dengan baik dan sesuai dengan perencanaan

scholarly journals SBC-Based Cataract Detection System using Deep Convolutional Neural Network with Transfer Learning Algorithm

2019 ◽  
Vol 8 (2) ◽  
pp. 4605-4613
Keyword(s):  
Neural Network ◽  
Convolutional Neural Network ◽  
Transfer Learning ◽  
Learning Algorithm ◽  
Detection System ◽  
System Development ◽  
Deep Convolutional Neural Network ◽  
Raspberry Pi ◽  
Significant Difference ◽  
Cataract Patients

This Raspberry Pi Single Board Computer-Based Cataract Detection System using Deep Convolutional Neural Network through GoogLeNet Transfer Learning and MATLAB digital image processing paradigm based on Lens Opacities Classification System III with Python application, which would capture the image of the eyes of cataract patients to detect the type of cataract without using dilating drops. Additionally, the system could also determine the severity, grade, color or area, and hardness of cataract. It would also display, save, search and print the partial diagnosis that can be done to the patients. Descriptive quantitative research, Waterfall System Development Life Cycle and Evolutionary Prototyping Models was used as the methodologies of this study. Cataract patients and ophthalmologists of one of the eye clinics in City of Biñan, Laguna, as well as engineers and information technology professionals tested the system and also served as respondents to the conducted survey. Obtained results indicated that the detection of cataract and its characteristics using the system were accurate and reliable, which has a significant difference from the current eye examination for cataract. Generally, this would be a modern cataract detection system for all Cataract patients

scholarly journals Autentikasi Daun Herbal Menggunakan Convolutional Neural Network dan Raspberry Pi

2020 ◽  
Vol 9 (3) ◽  
pp. 278-286
Author(s):  
Haryono ◽  
Khairul Anam ◽  
Azmi Saleh
Keyword(s):  
Neural Network ◽  
Feature Extraction ◽  
Convolutional Neural Network ◽  
Raspberry Pi ◽  
Testing Data

Saat ini, metode autentikasi daun banyak digunakan dalam proses klasifikasi tanaman herbal. Pada dasarnya, metode autentikasi daun merupakan perbandingan antara gambar yang akan diidentifikasi dengan gambar referensi yang dibuat dalam dataset. Tujuan makalah ini adalah mengidentifikasi daun tanaman herbal menggunakan metode kecerdasan buatan, yaitu Convolutional Neural Network (CNN) yang ditanam pada Raspberry Pi. CNN memiliki keunggulan yaitu tidak memerlukan feature extraction karena di dalam CNN sudah terdapat feature extraction otomatis. Makalah ini menggunakan tujuh jenis daun dari tanaman herbal yang berbeda. Gambar daun diambil menggunakan kamera dan diproses oleh Raspberry Pi yang diintegrasikan dengan CNN. Identifikasi dilakukan pada tujuh jenis tanaman obat yang dibagi menjadi dua pertiga data training dan sepertiga data testing. Hasil dari proses identifikasi divalidasi dengan data lain yang tidak termasuk dalam data training dan data testing, serta data daun selain dari tujuh jenis daun yang diidentifikasi. Metode CNN menunjukkan hasil yang bagus dalam proses autentikasi dengan tingkat akurasi 93,62% untuk testing data secara offline dan 91,04 % untuk testing data secara online.

scholarly journals Core looseness fault identification model based on Mel spectrogram-CNN

2021 ◽  
Vol 2137 (1) ◽  
pp. 012060
Author(s):  
Ping He ◽  
Yong Li ◽  
Shoulong Chen ◽  
Hoghua Xu ◽  
Lei Zhu ◽  
...  
Keyword(s):  
Neural Network ◽  
Convolutional Neural Network ◽  
Convolution Neural Network ◽  
Data Sets ◽  
Data Set ◽  
Recognition Model ◽  
Model Based ◽  
Fault Recognition ◽  
Transformer Core ◽  
Identification Model

Abstract In order to realize transformer voiceprint recognition, a transformer voiceprint recognition model based on Mel spectrum convolution neural network is proposed. Firstly, the transformer core looseness fault is simulated by setting different preloads, and the sound signals under different preloads are collected; Secondly, the sound signal is converted into a spectrogram that can be trained by convolutional neural network, and then the dimension is reduced by Mel filter bank to draw Mel spectrogram, which can generate spectrogram data sets under different preloads in batch; Finally, the data set is introduced into convolutional neural network for training, and the transformer voiceprint fault recognition model is obtained. The results show that the training accuracy of the proposed Mel spectrum convolution neural network transformer identification model is 99.91%, which can well identify the core loosening faults.

scholarly journals KLASIFIKASI KAIN KHAS BATIK DAN KAIN KHAS SASIRANGAN DENGAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK

2021 ◽  
Vol 6 (1) ◽  
pp. 25-30
Author(s):  
Ihdalhubbi Maulida Ihdal
Keyword(s):  
Neural Network ◽  
Deep Learning ◽  
Convolutional Neural Network ◽  
Convolution Neural Network ◽  
Gpu Acceleration

Di Indonesia terdapat 33 macam jenis kain khas, diantaranya adalah kain batik dan sasirangan. Kain batik dibuat dengan cara mempola, melukis menggunakan lilin yang sudah dicairkan, pewarnaan, membatik Kembali dan mencucinya untuk menghilangkan lapisan lilinya, sedangkan kain sasirangan yaitu dengan dijelujur dengan pola dan dicelupkan ke pewarna kain. Banyak jenis dari kain batik dan kain sasirangan sehingga tidak mudah membedakan yang mana kain sasirangan atau kain batik. Selain itu banyak bentuk pola batik yang hampir mirip dengan motif sasirangan. Pada kasus ini perlu dilakukan penelitian yang dapat mengklasifikasikan antara kain batik dan kain sasirangan agar masyarakat tidak menyamakan pola batik dengan pola sasirangan. Metode yang dipergunakan untuk melakukan klasifikasi ini yatu dengan model deep learning pada metode Convolution Neural Network (CNN). Deep Learning memiliki kemampuan sangat baik dalam melakukan klas-ifikasi objek pada sebuah citra dalam perkembangan teknologi GPU acceleration. Kemampuan klasifikasi yang dilakukan deep learning menerapkan metode CNN dengan dua tahap yaitu melakukan feedforward pada klasifikasi citra dan melakukan tahap pembelajaran menggunakan metode backpropagation. Sebelum melakukan dua tahap dari metode CNN tersebut perlu melakukan praproses yaitu dengan menerapkan metode wrapping dan cropping agar objek yang diklasifikasi dapat lebih terfokus dan selanjutnya metode feedforward dan backpropagation melakukan training. Setelah melakukan training maka dilakukan testing dengan metode feedforward dimana bobot dan bias diperbaharui sehingga menghasilkan akurasi sebesar 91,84% dengan melakukan iterasi sebanyak 20 pada data training dan hasil akurasi pada saat melakukan testing sebesar 99,73%.

An E-nose and Convolution Neural Network based Recognition Method for Processed Products of Crataegi Fructus

2020 ◽  
Vol 23 ◽  
Author(s):  
Tianshu Wang ◽  
Yanpin Chao ◽  
Fangzhou Yin ◽  
Xichen Yang ◽  
Chenjun Hu ◽  
...  
Keyword(s):  
Neural Network ◽  
Machine Learning ◽  
Feature Extraction ◽  
Convolutional Neural Network ◽  
Electronic Nose ◽  
Experimental Results ◽  
Convolution Neural Network ◽  
New Method ◽  
Recognition Method ◽  
Processed Products

Background: The identification of Fructus Crataegi processed products manually is inefficient and unreliable. Therefore, how to identify the Fructus Crataegis processed products efficiently is important. Objective: In order to efficiently identify Fructus Grataegis processed products with different odor characteristics, a new method based on an electronic nose and convolutional neural network is proposed. Methods: First, the original smell of Fructus Grataegis processed products is obtained by using the electronic nose and then preprocessed. Next, feature extraction is carried out on the preprocessed data through convolution pooling layer Results: The experimental results show that the proposed method has higher accuracy for the identification of Fructus Grataegis processed products, and is competitive with other machine learning based methods. Conclusion: The method proposed in this paper is effective for the identification of Fructus Grataegi processed products.

Sign in / Sign up

Export Citation Format

Share Document