GR1009346B - Μεθοδος και φορητο συστημα κατηγοριοποιησης φωτογραφιων - Google Patents

Abstract

Η εφεύρεση βασίζεται στην επεξεργασία ηλεκτρονικής φωτογραφίας, που απεικονίζει θέμα (όπως μέλος σώματος ή τμήμα φυτού) το οποίο εμπίπτει σε κάποια κατηγορία (όπως δερματική πάθηση, ασθένεια φυτού, κλπ) στην οποία η φωτογραφία πρέπει να καταταγεί. Η προτεινόμενη μέθοδος μπορεί να υλοποιηθεί σε φορητές υπολογιστικές διατάξεις όπως έξυπνα κινητά τηλέφωνα. Στην φωτογραφία διαχωρίζονται περιοχές όπως η φυσιολογική, η ιδιαίτερη περιοχή με διαφορετικά χρωματικά χαρακτηριστικά από την φυσιολογική, άλως γύρω από την ιδιαίτερη περιοχή και φόντο. Με βάση τα χαρακτηριστικά (χρωματικά κ.ά.) των περιοχών αυτών καθώς και συμπληρωματικές πληροφορίες που παρέχονται από αισθητήρες ή τον χρήστη, το σύστημα υπολογίζει τις τιμές ενός αριθμού χαρακτηριστικών παραμέτρων οι οποίες συγκρίνονται με όρια που ορίζονται σε ταυτότητες κατηγοριών ώστε να βαθμολογηθεί η κάθε κατηγορία. Η φωτογραφία εντάσσεται στην κατηγορία με τη μεγαλύτερη βαθμολογία. Πλεονεκτήματα της μεθόδου είναι η επεκτασιμότητα και η απλότητα που την κάνει κατάλληλη για υλοποίηση σε φορητά συστήματα.

Description

Μέθοδος και Φορητό Σύστημα Κατηγοριοποίησης Φωτογραφιών

Τεχνικό πεδίο

Η παρούσα εφεύρεση αφορά την επεξεργασία φωτογραφιών που μπορεί να λαμβάνονται από φορητά υπολογιστικά συστήματα και έξυπνα κινητά τηλέφωνα τα οποία διαθέτουν επεξεργαστή, κάμερα, μνήμη, οθόνη, πληκτρολόγιο και μέσο επικοινωνίας. Τέτοιες φωτογραφίες μπορεί να απεικονίζουν δερματικές παθήσεις ανθρώπων ή ζώων, μέρος φυτού προσβεβλημένου από κάποια ασθένεια ή ακόμα και γενικότερα θέματα όπως έναν πίνακα ζωγραφικής. Πραγματοποιείται επεξεργασία της φωτογραφίας για την κατάταξη της στην κατηγορία της δερματικής πάθησης, της ασθένειας του φυτού, ή μιας τεχνοτροπίας ζωγραφικής, στις αντίστοιχες περιπτώσεις. Η προτεινόμενη μέθοδος βασίζεται στην αναγνώριση ξεχωριστών περιοχών της εικόνας που διαχωρίζονται με βάση χρωματικά χαρακτηριστικά. Εξάγεται ένα σύνολο χαρακτηριστικών παραμέτρων κάθε περιοχής το οποίο συγκρίνεται με προκαθορισμένα όρια και εξάγεται μια βαθμολογία για κάθε κατηγορία ανάλογα με το πόσες χαρακτηριστικές παράμετροι βρίσκονται εντός ορίων. Η φωτογραφία κατατάσσεται στην κατηγορία που θα συγκεντρώσει τη μεγαλύτερη βαθμολογία. Τα σημαντικότερα χαρακτηριστικά της προτεινόμενης εφεύρεσης είναι η απλότητα που την καθιστά κατάλληλη για υλοποίηση σε φορητές συσκευές, η ικανοποιητική ακρίβεια και κυρίως η ευκολία επέκτασής της από τον τελικό χρήστη για την υποστήριξη νέων κατηγοριών.

Η μέθοδος που προτείνεται εμπίπτει στο τεχνικό πεδίο της Αναγνώρισης Προτύπων. Η Αναγνώριση Προτύπων χρησιμοποιείται ευρέως στην Μηχανική Μάθηση και μπορεί να επιτευχθεί με ταξινομητές, δέντρα και λίστες αποφάσεων, εύρεση κοντινότερου γείτονα, νευρωνικά δίκτυα κλπ. Οι εφαρμογές στις οποίες μπορεί να χρησιμοποιηθεί η μέθοδος που προτείνεται στην παρούσα εφεύρεση συνήθως στηρίζονται στη χρήση νευρωνικών δικτύων τα οποία για να εκπαιδευτούν απαιτούν την αναγνώριση εκατοντάδων φωτογραφιών. Από τη στιγμή που θα έχουν εκπαιδευτεί ικανοποιητικά μπορούν να αναγνωρίσουν πρότυπα με μεγάλη ακρίβεια. Είναι όμως φανερό ότι για την επέκτασή τους σε νέα πρότυπα απαιτείται επανεκπαίδευση που δεν είναι δυνατό να πραγματοποιηθεί από τον τελικό χρήστη. Επιπλέον το λογισμικό αναγνώρισης προτύπων σε αυτές τις εφαρμογές μπορεί να μην είναι δυνατό ή επιθυμητό να εγκατασταθεί σε μια φορητή συσκευή όπως ένα έξυπνο κινητό τηλέφωνο. Για το λόγο αυτό, συχνά οι αντίστοιχες εφαρμογές απαιτούν σύνδεση στο διαδίκτυο και η επεξεργασία εικόνας γίνεται απομακρυσμένα με τη βοήθεια ίσως και μιας απομακρυσμένης βάσης δεδομένων ή υπολογιστικού νέφους όπου αποθηκεύονται εκτενείς πληροφορίες για μεγαλύτερη ακρίβεια στην αναγνώριση της κατηγορίας στην οποία ανήκει η φωτογραφία.

Η παρούσα εφεύρεση θα μπορούσε λόγω της απλότητας της να υλοποιηθεί ως αυτόνομη εφαρμογή σε ένα κινητό τηλέφωνο ή φυσικά σε οποιοδήποτε μεγαλύτερο σύστημα («τάμπλετ», φορητός ή σταθερός υπολογιστής). Επίσης για λόγους οικονομικής εκμετάλλευσης θα μπορούσε η ανάλυση της εικόνας ή η εξαγωγή συμπερασμάτων να γίνεται απομακρυσμένα προσφερόμενη ως υπηρεσία.

Στάθμη της προηγούμενης τεχνικής

Το προτεινόμενο σύστημα κατηγοριοποίησης φωτογραφιών θα μπορούσε να χρησιμοποιηθεί στη γεωργία για την παρακολούθηση μικρών και μεγάλων καλλιεργειών. Η επεξεργασία εικόνας είναι ιδιαίτερα διαδεδομένη μέθοδος για τη διάγνωση ασθενειών φυτών [1]. Η αξιοποίηση της εικόνας ενός άρρωστου τμήματος φυτού μπορεί να γίνει με διάφορους τρόπους όπως: μετασχηματισμοί wavelet [2], στερεό μικροσκοπικές μέθοδοι [3], μορφολογικά χαρακτηριστικά φύλλων [4], κλπ.

Έχουν προταθεί επίσης ευρεσιτεχνίες για συστήματα διάγνωσης ασθενειών φυτών που στηρίζονται γενικά σε τρία μέρη [5]: (α) κάμερα για λήψη εικόνας, (β) βάση δεδομένων για ασθένειες φυτών (πχ, αποθηκευμένες εικόνες με τμήματα φυτών που έχουν προσβληθεί από συγκεκριμένη ασθένεια) και (γ) τμήμα επεξεργασίας εικόνας το οποίο συνδυάζει τα (α) και (β) ώστε να εντοπίσει οπτικά ποια ασθένεια ή ιός έχει κατά πάσα πιθανότητα προσβάλει ένα φυτό.

Τεχνικές επεξεργασίας εικόνας έχουν συνδυαστεί με νευρωνικά δίκτυα για το διαχωρισμό ώριμων φρούτων [6] με ακρίβεια μεγαλύτερη του 60% ανάλογα με τις συνθήκες. Η παρακολούθηση καλλιεργειών και παραγωγής είναι άλλο ένα πεδίο εφαρμογής τεχνικών επεξεργασίας εικόνας [7]. Περισσότερο σχετικές με την παρούσα εφεύρεση είναι οι τεχνικές επεξεργασίας εικόνας για διάγνωση ασθενειών, εισβολής εντόμων κλπ [8] [9]. Μη επανδρωμένα μέσα εφοδιασμένα με κάμερες (Unmanned Aerial Vehicles (UAVs)) έχουν επίσης χρησιμοποιηθεί για την παρακολούθηση μεγάλων αγροτικών εκτάσεων αναλύοντας εναέριες φωτογραφίας. Η επεξεργασία εικόνας μπορεί να γίνει στο ορατό ή στο υπέρυθρο φως, όπως περιγράφεται στο [10].

Μια ιδιαίτερα διαδεδομένη μέθοδος είναι η κατάτμηση εικόνας στην χρωματική κλίμακα CIE L*a*b. Για παράδειγμα στο [11] χρησιμοποιείται μια τέτοια απεικόνιση ως είσοδος σε ένα νευρωνικό δίκτυο που αναγνωρίζει ασθένειες φυτών με ακρίβεια 91%. Το σχήμα, η υφή, οι διαστάσεις φράκταλ, η κενότητα, η διασπορά, η σκοτεινότητα είναι μερικά μόνο από τα χαρακτηριστικά που έχουν χρησιμοποιηθεί στην αναγνώριση ασθενειών φυτών [12]. Ελάχιστες τέτοιες μέθοδοι έχουν υλοποιηθεί ειδικά για φορητές συσκευές όπως κινητά τηλέφωνα και συχνά αυτές στηρίζονται σε ερωτηματολόγια που απαντά ο χρήστης δίνοντας σχετικές πληροφορίες. Σε πολλές τέτοιες εφαρμογές ο ρόλος του τηλεφώνου είναι απλά για τη λήψη της φωτογραφίας που στέλνεται σε κεντρική υπηρεσία μέσω δικτύου για ανάλυση. Όσες εφαρμογές μπορούν να λειτουργήσουν αυτόνομα σε ένα κινητό τηλέφωνο βασίζονται σε νευρωνικά δίκτυα και η επέκτασή τους για την υποστήριξη περισσοτέρων ασθενειών μπορεί να γίνει μόνο από τον πάροχο της εφαρμογής [13].

Παρόμοιες προσεγγίσεις μπορούν να βρεθούν στη βιβλιογραφία για τη διάγνωση δερματικών παθήσεων όπως μελανώματος. Για παράδειγμα, στο [14], παρουσιάζεται ένα σύστημα που λαμβάνει εικόνες από ένα τάμπλετ και τις οποίες ανεβάζει σε μια απομακρυσμένη βάση δεδομένων ή νέφος για ανάλυση και διάγνωση δερματικών παθήσεων από απομακρυσμένο ειδικευμένο ιατρικό προσωπικό. Δεκάδες εφαρμογές για έξυπνα κινητά τηλέφωνα διατίθενται δωρεάν για την παρακολούθηση χαρακτηριστικών δερματικών παθήσεων όπως μελανώματος καταγράφοντας σε περιοδικά διαστήματα τις διαστάσεις, το χρώμα και τη μορφή σπίλων. Άλλες εφαρμογές για κινητά τηλέφωνα απλά διαθέτουν βιβλιοθήκη εικόνων τις οποίες συγκρίνει ο χρήστης για να βγάλει μόνος του συμπέρασμα για την πιθανή ασθένεια που τον έχει προσβάλλει.

Είναι χαρακτηριστικό ότι οι περισσότερες από αυτές τις εφαρμογές έχουν αναπτυχθεί από επαγγελματίες που δεν έχουν ειδικευμένες ιατρικές γνώσεις και οι αντίστοιχες εφαρμογές δεν είναι πιστοποιημένες. Για το λόγο αυτό περιλαμβάνουν ρητή δήλωση ότι δεν υποκαθιστούν τη διάγνωση γιατρού.

Ομοίως η παρούσα εφεύρεση δεν υποκαθιστά το ρόλο επαγγελματία γεωπόνου ή γιατρού (σε περίπτωση τέτοιας εφαρμογής της μεθόδου κατηγοριοποίησης). Εντούτοις, μπορεί να αποτελέσει ένα συμπληρωματικό εργαλείο στα χέρια ενός τέτοιου επαγγελματία. Την χρήση αυτή ενισχύει και το γεγονός ότι ο τελικός χρήστης μπορεί εύκολα να ορίσει τους κανόνες μιας νέας κατηγορίας (πχ, ασθένειας) ή να προσαρμόσει τους κανόνες μιας ήδη υποστηριζόμενης χωρίς να χρειάζεται να επέμβει στον πυρήνα της εφαρμογής.

Σύντομη παρουσίαση της εφεύρεσης-πλεονεκτήματα

Η παρούσα εφεύρεση προορίζεται για την κατηγοριοποίηση εικόνων που λαμβάνονται από υπολογιστικό σύστημα όπως ένα έξυπνο κινητό τηλέφωνο το οποίο διαθέτει επεξεργαστή, μνήμη, κάμερα και μέσο επικοινωνίας. Οι φωτογραφίες μπορεί να απεικονίζουν για παράδειγμα τμήμα φυτού προσβεβλημένου από κάποια ασθένεια, ανθρώπινου ή ζωικού δέρματος το οποίο πάσχει από κάποια δερματική πάθηση, κλπ. Η κατηγοριοποίηση γίνεται με βάση την ασθένεια που απεικονίζει η φωτογραφία ή κάποιο άλλο χαρακτηριστικό. Η εφεύρεση θεωρεί ότι η κάθε φωτογραφία απεικονίζει Περιοχές όπως: α) Φυσιολογική Περιοχή (φύλου, καρπού, δέρματος, κλπ), β) Ιδιαίτερη Περιοχή (αλλοιωμένο φύλο, σπίλος, πληγή, κλπ) που αποτελείται από έναν αριθμό κηλίδων, γ) Άλως που περιβάλει την Ιδιαίτερη Περιοχή και δ) το αδιάφορο Φόντο. Η εικόνα αναλύεται με βάση χρωματικά χαρακτηριστικά για τον υπολογισμό Χαρακτηριστικών Παραμέτρων που αφορούν περιοχές της εικόνας όπως οι παραπάνω. Αυτές οι Χαρακτηριστικές Παράμετροι συγκρίνονται με Αυστηρά και Ελαστικά όρια που ορίζονται για κάθε Κατηγορία στην Ταυτότητα της. Για κάθε Χαρακτηριστική Παράμετρο αποδίδεται διαφορετικός Βαθμός ανάλογα με το αν η τιμή της Χαρακτηριστικής Παραμέτρου εμπίπτει σε Αυστηρά, σε Ελαστικά όρια ή δεν εμπίπτει σε κανένα για τη συγκεκριμένη Κατηγορία, οι δε Βαθμοί αυτοί αθροίζονται για να εξαχθεί η συνολική βαθμολογία της Κατηγορίας. Η φωτογραφία θεωρείται ότι ανήκει στην Κατηγορία που συγκέντρωσε τη μεγαλύτερη βαθμολογία.

Η Ταυτότητα Κατηγορίας περιλαμβάνει τα όρια Χαρακτηριστικών Παραμέτρων όπως είναι ο αριθμός των κηλίδων, το ποσοστό επιφάνειας στην εικόνα που καταλαμβάνει η κάθε Περιοχή εκτός του Φόντου, το μέσο επίπεδο γκρι της κάθε Περιοχής, κ.α. Σε εφαρμογές όπως η αναγνώριση ασθενειών φυτών, η Ταυτότητα μπορεί να συμπληρώνεται και με άλλες κλιματολογικές Χαρακτηριστικές Παραμέτρους όπως η μέση υγρασία, ελάχιστη και μεγίστη θερμοκρασία κλπ, που υπολογίζονται για χρονικά διαστήματα που ορίζονται από το χρήστη. Σημαντικές Χαρακτηριστικές Παράμετροι που μπορούν να υπολογιστούν με απλό τρόπο, προκύπτουν από τα Ιστογράμματα για τις βασικές Περιοχές και χρώματα. Το Ιστόγραμμα για κάθε Περιοχή και χρώμα (κόκκινο, πράσινο, μπλε) είναι συνήθως ένας λοβός του οποίου η αρχή, η κορυφή και το τέλος μπορούν να αποτελόσουν ξεχωριστές Χαρακτηριστικές Παραμέτρους.

Ο διαχωρισμός των Περιοχών μπορεί να γίνει εύκολα στο επίπεδο του γκρι ή με περισσότερο εξειδικευμένες μεθόδους που βασίζονται στα ιδιαίτερα χρωματικά χαρακτηριστικά κάθε Περιοχής. Ο διαχωρισμός του φόντου μπορεί να γίνει απλά θεωρώντας ότι το μέλος σώματος, φυτού κλπ που απεικονίζεται στην φωτογραφία καλύπτει όλη την επιφάνεια της και κατά συνέπεια δεν υπάρχει φόντο ή ότι το φόντο έχει ένα ιδιαίτερο χρώμα όπως λευκό οπότε διαχωρίζεται εύκολα.

Ένα πλεονέκτημα της παρούσας εφεύρεσης είναι η χαμηλή πολυπλοκότητά της που την κάνει εύκολα υλοποιήσιμη σε φορητά συστήματα όπως έξυπνα κινητά τηλέφωνα. Ένα άλλο πλεονέκτημα είναι ότι η προτεινόμενη μέθοδος μπορεί να χρησιμοποιηθεί από πλήθος διαφορετικών εφαρμογών. Έχουν αναφερθεί μερικές εφαρμογές στις οποίες η παρούσα εφεύρεση έχει δοκιμαστεί και επιτυγχάνει μεγάλη ακρίβεια στην κατηγοριοποίηση. Αυτές είναι η αναγνώριση ασθενειών φυτών, η διάγνωση δερματικών παθήσεων ανθρώπων και ζώων αλλά και εφαρμογές όπως η αναγνώριση της τεχνοτροπίας ζωγράφων.

Το βασικότερο όμως πλεονέκτημα της παρούσας εφεύρεσης είναι δυνατότητα επέκτασης των υποστηριζόμενων Κατηγοριών από τον τελικό χρήστη. Συγκεκριμένα, ο χρήστης μπορεί να αναλύσει μικρό αριθμό εικόνων οι οποίες δεν ανήκουν σε κάποια ήδη υποστηριζόμενη Κατηγορία. Μια εφαρμογή που βασίζεται στην παρούσα εφεύρεση μπορεί να αναλύει μια τέτοια εικόνα και να παρουσιάζει τις τιμές για όλες τις Χαρακτηριστικές Παραμέτρους που χρησιμοποιούνται στις Ταυτότητες των Κατηγοριών. Ο χρήστης παρατηρώντας τα όρια στα οποία κυμαίνονται οι τιμές μιας Χαρακτηριστικής Παραμέτρου στις λίγες φωτογραφίες που θα αναλύσει μπορεί εμπειρικά να ορίσει Αυστηρά και Ελαστικά όρια γι’ αυτήν τη Χαρακτηριστική Παράμετρο στην Ταυτότητα της νέας Κατηγορίας. Η Ταυτότητα της νέας Κατηγορίας μπορεί να μεταφορτώνεται δυναμικά στο σύστημα. Έτσι αν αναλυθεί μια νέα φωτογραφία, αυτή θα μπορεί να καταταγεί στη νέα Κατηγορία που όρισε ο χρήστης. Είναι φανερό ότι μια τέτοια διαδικασία είναι πολύ ευκολότερη από την εκπαίδευση ενός νευρωνικού δικτύου με εκατοντάδες ή χιλιάδες νέες φωτογραφίες.

Σύντομη περιγραφή των σχημάτων

Στο Σχήμα 1 παρουσιάζεται η γενική δομή του προτεινόμενου συστήματος.

Στο Σχήμα 2 παρουσιάζονται τα στάδια επεξεργασίας εικόνας για το διαχωρισμό της Φυσιολογικής και της Ιδιαίτερης Περιοχής από το φόντο (Α), της Φυσιολογικής από την Ιδιαίτερη Περιοχή (Β), της αρίθμησης των κηλίδων της Ιδιαίτερης Περιοχής (Γ) και της συγχώνευσης όμορων στιγμάτων (Δ).

Στο Σχήμα 3 παρουσιάζεται η οθόνη μίας υλοποίησης της εφεύρεσης σε κινητό τηλέφωνο όπου επιλέγεται μια φωτογραφία που απεικονίζει πέλμα ποδιού προσβεβλημένο από Μυρμηκιές και ορίζονται παράμετροι (κατώφλια) για το διαχωρισμό των περιοχών στο (Α), οι αναγνωρισμένες περιοχές της φωτογραφίας παρουσιάζονται στο (Β) και το αποτέλεσμα της επεξεργασίας εικόνας για μικρότερο κατώφλι διαχωρισμού της Φυσιολογικής από την Ιδιαίτερη περιοχή στο (Γ).

Στο Σχήμα 4 παρουσιάζονται τα ιστογράμματα της Ιδιαίτερης (Α), Φυσιολογικής (Β) περιοχής και της Άλω (Γ) της εικόνας του Σχήματος 3Β.

Στο Σχήμα 5 παρουσιάζονται με λεπτομέρεια τα ιστογράμματα του πράσινου χρώματος της Ιδιαίτερης περιοχής δυο φωτογραφιών που απεικονίζουν φύλα εσπεριδοειδών προσβεβλημένα από Αλτερναρίωση και Μελάνωση

Στο Σχήμα 6 παρουσιάζονται οι λεπτομέρειες ανάλυσης των ιστογραμμάτων της φωτογραφίας του Σχήματος 3 (Α), συμπληρωματικές πληροφορίες όπως ορισμός της περιοχής του σώματος (Β) και του συγκεκριμένου μέρους (Γ) του σώματος που έχει προσβληθεί από τη δερματική πάθηση. Στο Σχήμα 6Δ παρουσιάζονται τα αποτελέσματα της Κατηγοριοποίησης.

Στο Σχήμα 7 παρουσιάζεται η οθόνη μιας διαφορετικής υλοποίησης της εφεύρεσης για διάγνωση ασθενειών φυτών όπου αρχικά επιλέγεται η εικόνα (Α), πραγματοποιείται η ανάλυσή της (Β), και εξάγονται τα ιστογράμματα της Ιδιαίτερης (Γ), της Φυσιολογικής περιοχής (Δ) και της Άλως (Ε).

Στο Σχήμα 8 που αφορά την ίδια υλοποίηση της εφεύρεσης με το Σχήμα 7, επιλέγεται το είδος του φυτού (Α) και το τμήμα του (Β), η γεωγραφική θέση μέσω GPS (Γ), λαμβάνονται μετεωρολογικά δεδομένα για τη συγκεκριμένη γεωγραφική θέση (Δ) και εξάγονται τα αποτελέσματα της Κατηγοριοποίησης (Ε).

Στο Σχήμα 9 παρουσιάζεται ένας πίνακας με τις τιμές των βασικότερων Χαρακτηριστικών Παραμέτρων που προκύπτουν από την ανάλυση μιας φωτογραφίας όπως στα Σχήματα 3, 4 και 6.

Στο Σχήμα 10 παρουσιάζεται το παράδειγμα μιας Ταυτότητας Κατηγορίας για την ασθένεια Μυρμηκιές που ορίστηκε εμπειρικά με βάση μικρό αριθμό πινάκων όπως αυτός του Σχήματος 9, που προέκυψαν από την ανάλυση ισάριθμων φωτογραφιών.

Αναλυτική περιγραφή τρόπων πραγματοποίησης της εφεύρεσης

Στο Σχήμα 1 παρουσιάζεται μια εγκατάσταση της παρούσας εφεύρεσης. Το υπό εξέταση αντικείμενο 1 που θα καταταγεί σε κάποια Κατηγορία φωτογραφίζεται από την Κάμερα 2 της διάταξης η οποία συνίσταται από ένα υπολογιστή που διαθέτει εκτός από την Κάμερα 2, επεξεργαστή 3, μνήμη 4, οθόνη (απλή ή αφής) 5, μέσο επικοινωνίας 6 και πιθανόν πληκτρολόγιο 7. Η φωτογραφία αποθηκεύεται στη μνήμη 4 της διάταξης. Ο επεξεργαστής 3 είναι υπεύθυνος για την επεξεργασία της εικόνας διαχωρίζοντας τις Περιοχές στις οποίες ανήκουν τα εικονοστοιχεία της. Επίσης ο επεξεργαστής 3, εξάγει Χαρακτηριστικές Παραμέτρους κατά την επεξεργασία της εικόνας τις οποίες γνωστοποιεί στο Χρήστη μέσω της οθόνης 5. Οι Χαρακτηριστικές Παράμετροι συγκρίνονται από τον επεξεργαστή 3 με όρια που ορίζονται στις Ταυτότητες Κατηγοριών που είναι αποθηκευμένες στη μνήμη 4 και η κάθε Κατηγορία βαθμολογείται από τον επεξεργαστή 3 ανάλογα με το πόσο συμφωνούν οι τιμές των Χαρακτηριστικών Παραμέτρων με τα όρια που ορίζονται στην Ταυτότητα κάθε Κατηγορίας που είναι αποθηκευμένη στη μνήμη 4. Η βαθμολογία των Κατηγοριών γνωστοποιείται στο Χρήστη μέσω της οθόνης 5. Οι Κατηγορίες ταξινομούνται από τον επεξεργαστή 3 ανάλογα με τη βαθμολογία τους και η φωτογραφία κατατάσσεται στην Κατηγορία με τη μεγαλύτερη βαθμολογία. Η Κατηγορία στην οποία κατατάχθηκε η φωτογραφία γνωστοποιείται στο Χρήστη μαζί με πιθανές διευκρινιστικές πληροφορίες όπως οδηγίες για αντιμετώπιση ασθενειών από την οθόνη 5. Οι Ταυτότητες Κατηγοριών είναι δυνατό να μεταφορτώνονται δυναμικά από κάποια εξωτερική πηγή ή αρχείο κατάλληλου μορφότυπου.

Οι Ταυτότητες Κατηγοριών που είναι αποθηκευμένες στη μνήμη 4 εκτός από τις Χαρακτηριστικές Παραμέτρους που εξάγονται από την ανάλυση της φωτογραφίας μπορεί να περιλαμβάνουν σε μια υλοποίηση της εφεύρεσης και άλλες παραμέτρους τις οποίες να εισάγει περιγραφικά ο χρήστης μέσω του πληκτρολογίου 7 απαντώντας για παράδειγμα σε κάποιες ερωτήσεις όπως το ποιο μέλος του σώματος ή του φυτού απεικονίζεται στη φωτογραφία. Σε μια υλοποίηση της εφεύρεσης, άλλες Χαρακτηριστικές Παράμετροι μπορεί να λαμβάνονται από διάφορους εσωτερικούς ή εξωτερικούς Αισθητήρες 8 της διάταξης όπως για παράδειγμα θερμοκρασία, υγρασία, πίεση, φωτισμός, το pH του εδάφους κλπ. Σε μια παραλλαγή της εφεύρεσης θα μπορούσαν επίσης να συνδεθούν και περισσότερο σύνθετοι αισθητήρες όπως μια συστοιχία βιοαισθητήρων (ή cantilevers) για την πραγματοποίηση μοριακών ή χημικών αναλύσεων. Ο αισθητήρας GPS μπορεί να χρησιμοποιηθεί σε μια υλοποίηση της εφεύρεσης για τη λήψη πληροφοριών σχετικά με την τοποθεσία στην οποία έχει ληφθεί η φωτογραφία. Με βάση την τοποθεσία μπορούν να αναζητηθούν μετεωρολογικά ή στατιστικά στοιχεία από το διαδίκτυο τα οποία να αποτελόσουν άλλες Χαρακτηριστικές Παραμέτρους στην Ταυτότητα μιας Κατηγορίας.

Παρότι η παρούσα εφεύρεση προορίζεται για αυτόνομη λειτουργία σε μια φορητή συσκευή όπως ένα έξυπνο κινητό τηλέφωνο, είναι δυνατή και η συνεργασία με απομακρυσμένη υπηρεσία, βάση δεδομένων, υπολογιστικό νέφος, κλπ 9. Σε αυτή την περίπτωση, η λήψη των Ταυτοτήτων Κατηγοριών, ή άλλων Χαρακτηριστικών Παραμέτρων όπως των μετεωρολογικών δεδομένων που αναφέρθηκαν προηγουμένως, καθώς και η αποστολή των Χαρακτηριστικών Παραμέτρων και του αποτελέσματος που προέκυψαν από την ανάλυση που πραγματοποίησε η εγκατάσταση του Σχήματος 1, μπορεί να γίνει χρησιμοποιώντας το διαθέσιμο μέσο επικοινωνίας 6 ενσύρματα (πχ μέσω USB) ή ασύρματα (πχ, WiFi, 3/4G, Bluetooth) και με τη χρήση του διαδικτύου. Για παράδειγμα, οι Ταυτότητες Κατηγοριών μπορεί να παρέχονται απομακρυσμένα ως υπηρεσία με ανάλογο κόστος. Οι Χαρακτηριστικές Παράμετροι που προκύπτουν από την ανάλυση μιας νέας εικόνας μπορούν να αποστέλλονται στον πάροχο της υπηρεσίας για ακριβέστερο ορισμό των Ταυτοτήτων Κατηγοριών.

Από την ανάλυση της εικόνας που διεξάγει ο επεξεργαστής 3 της διάταξης διαχωρίζονται σε μια πραγματοποίηση της εφεύρεσης τέσσερις βασικές Περιοχές στην φωτογραφία: α) Φυσιολογική Περιοχή (πχ, το τμήμα του καρπού φυτού που δεν έχει προσβληθεί από ασθένεια), β) Ιδιαίτερη Περιοχή (πχ, στίγματα, κηλίδες στον καρπό που δηλώνουν προσβολή από κάποια ασθένεια), γ) Άλως γύρω από την Ιδιαίτερη Περιοχή που συχνά έχει διαφορετικό χρώμα από τις προηγούμενες δύο Περιοχές, και δ) το Φόντο που αγνοείται. Η Φυσιολογική και η Ιδιαίτερη Περιοχή θεωρείται ότι έχουν διαφορετικά χρωματικά χαρακτηριστικά και σε μια πραγματοποίηση της εφεύρεσης τα εικονοστοιχεία τους έχουν διαφορετικό μέσο όρο γκρι χρώματος. Οι Περιοχές αυτές μπορεί να μην είναι ενιαίες δηλαδή μπορεί να αποτελούνται από διάφορα μη γειτονικά τμήματα μέσα στην εικόνα. Η Άλως σε μια πραγματοποίηση της εφεύρεσης μπορεί να οριστεί όχι με βάση τα χρωματικά χαρακτηριστικά της αλλά ως μια ζώνη με συγκεκριμένο πλάτος εικονοστοιχείων γύρω από την Ιδιαίτερη Περιοχή.

Για το διαχωρισμό του Φόντου εάν αυτό είναι τυχαίο θα πρέπει να χρησιμοποιηθούν ιδιαίτερα σύνθετες μέθοδοι χωρίς και πάλι να διασφαλίζεται η ακριβής οριοθέτησή του. Σε μια πραγματοποίηση της εφεύρεσης ο διαχωρισμός του Φόντου, γίνεται με την παραδοχή ότι αυτό είναι λευκό ή πολύ πιο ανοιχτόχρωμο από τη Φυσιολογική και την Ιδιαίτερη Περιοχή. Αυτό μπορεί εύκολα να εξασφαλιστεί τοποθετώντας πχ το τμήμα του φυτού που θα φωτογραφηθεί πάνω σε μια λευκή κόλλα χαρτί, ένα λευκό πάγκο ή μάρμαρο κλπ.

Για την οριοθέτηση των διαφόρων Περιοχών στην εικόνα σε μια πραγματοποίηση της εφεύρεσης, αυτή απεικονίζεται σε κλίμακα του γκρι υπολογίζοντας το μέσο όρο των τριών βασικών χρωμάτων (κόκκινου, πράσινου, μπλε) κάθε εικονοστοιχείου. Όσα εικονοστοιχεία έχουν μεγαλύτερο επίπεδο γκρι από ένα όριο θεωρείται ότι ανήκουν στο φόντο. Τα υπόλοιπα θεωρείται ότι ανήκουν αρχικά στη Φυσιολογική Περιοχή. Έτσι δημιουργείται ένας πίνακας σαν αυτόν που παρουσιάζεται στο Σχήμα 2Α όπου κάθε κελί αντιστοιχεί σε ένα εικονοστοιχείο και εκείνα που έχουν αναγνωριστεί ως Φόντο σημειώνονται με BG ενώ όσα αρχικά αναγνωρίστηκαν ως Φυσιολογική περιοχή σημειώνονται με NR.

Σε μια πραγματοποίηση της εφεύρεσης ο διαχωρισμός της Ιδιαίτερης από την Φυσιολογική Περιοχή γίνεται με τον υπολογισμό του μέσου όρου γκρι (Gav) από τα εικονοστοιχεία που στο Σχήμα 2Α έχουν σημειωθεί ως NR. Όσα εικονοστοιχεία έχουν επίπεδο γκρι μεγαλύτερο από το Gavσυν ένα όριο Τ ή μικρότερο του Gav-T θεωρούνται ότι ανήκουν στην Ιδιαίτερη Περιοχή (πιο ανοιχτόχρωμη ή πιο σκουρόχρωμη από τη Φυσιολογική Περιοχή, αντίστοιχα). Αυτά σημειώνονται με SP στον τροποποιημένο πίνακα του Σχήματος 2Β. Εάν η Άλως ορίζεται σε μια υλοποίηση της εφεύρεσης ως μια ζώνη με πλάτος 1 εικονοστοιχείο, τότε απλά κάθε γειτονικό εικονοστοιχείο σε ένα SP που στο Σχήμα 2Β σημειώνεται ως NR θα θεωρούνταν ότι ανήκει στην Άλω.

Από το πλήθος των εικονοστοιχείων που ανήκουν στη Φυσιολογική, στην Ιδιαίτερη Περιοχή και στην Άλω (NNR, NSP, NHL) μπορούν να εξαχθούν οι Χαρακτηριστικές Παράμετροι του ποσοστού επιφάνειας κάθε περιοχής ως: NNR/( NNR+NSP+ NHL) για τη Φυσιολογική Περιοχή, NSP/( NNR+NSP+ NHL) για την Ιδιαίτερη Περιοχή και NHL/( NNR+NSP+ NHL) για την Άλω. Επίσης εξάγοντας μέσους όρους γκρι από τα εικονοστοιχεία που έχουν αντιστοιχηθεί στην Φυσιολογική, στην Ιδιαίτερη περιοχή ή στην Άλω μπορούν να υπολογιστούν οι αντίστοιχες Χαρακτηριστικές Παράμετροι.

Για τον υπολογισμό της Χαρακτηριστικής Παραμέτρου του Πλήθους Στιγμάτων σε μία υλοποίηση της εφεύρεσης, χρησιμοποιείται ο πίνακας του Σχήματος 2Β και σαρώνεται από αριστερά προς τα δεξιά και από πάνω προς τα κάτω. Κάθε εικονοστοιχείο SP αντιστοιχίζεται σε έναν αύξοντα αριθμό (ταυτότητα) κοινό για τα εικονοστοιχεία της ίδιας κηλίδας. Ελέγχονται τα γειτονικά εικονοστοιχεία, αριστερά, πάνω αριστερά, πάνω και πάνω δεξιά που έχουν ήδη και εάν κάποιο από αυτά είναι SP, χρησιμοποιείται η ταυτότητά του και για το τρέχων εικονοστοιχείο, αλλιώς ορίζεται ως ταυτότητα μια νέα: η μεγαλύτερη που έχει ήδη χρησιμοποιηθεί αυξημένη κατά 1. Έτσι προκύπτει ο πίνακας του Σχήματος 2Γ. Στον πίνακα αυτό μπορεί να υπάρξουν γειτονικά εικονοστοιχεία που έχουν διαφορετική ταυτότητα παρότι ανήκουν στο ίδιο στίγμα όπως για παράδειγμα η κηλίδα Νο. 3 στην προτελευταία γραμμή με την κηλίδα No. 1 στην τελευταία στήλη. Για το λόγο αυτό ο πίνακας του Σχήματος 2Γ πρέπει να σαρωθεί ξανά συγχωνεύοντας τέτοιες γειτονικές περιοχές και αριθμώντας ξανά τις περιοχές των κηλίδων ώστε να μην υπάρχουν κενά στην αρίθμηση. Έτσι προκύπτει ο τελικός πίνακας του Σχήματος 2Δ. Η μέγιστη ταυτότητα που θα έχει αποδοθεί στον πίνακα του Σχήματος 2Δ είναι το Πλήθος Στιγμάτων. Κηλίδες που αποτελούνται από μικρό πλήθος εικονοστοιχείων μπορεί να θεωρηθούν ότι είναι θόρυβος και να αγνοηθούν.

Στο Σχήμα 3 παρουσιάζεται μια πραγματοποίηση της παρούσας εφεύρεσης σε κινητό τηλέφωνο (Windows Phone). Στο Σχήμα 3Α παρουσιάζεται η βασική οθόνη 5 της διάταξης στην οποία εμφανίζεται μια φωτογραφία 10 που απεικονίζει πέλμα ποδιού το οποίο έχει προσβληθεί από Μυρμηκιές. Στην ίδια οθόνη ορίζονται διαδραστικά οι παράμετροι Threshold 11 (όριο διαχωρισμού Ιδιαίτερης από τη Φυσιολογική Περιοχή), Min Area 12 (ελάχιστος αριθμός εικονοστοιχείων για να μη θεωρηθεί μια κηλίδα θόρυβος) και Background 13 (κατώφλι γκρι επιπέδου για το διαχωρισμό του φόντου).

Αν χρησιμοποιηθεί όριο Threshold=10 όπως στο Σχήμα 3Γ αντί για 20 όπως στο Σχήμα 3Β, και 10 εικονοστοιχεία ως ζώνη της Άλως τότε αναγνωρίζονται περισσότερες κηλίδες ως Ιδιαίτερη Περιοχή 14 στο άνω μέρος της φωτογραφίας του Σχήματος 3Γ. Είναι φανερό ότι η τροποποίηση παραμέτρων όπως το Threshold μπορεί να οδηγήσει σε ανακριβή αναγνώριση των Περιοχών της φωτογραφίας. Εντούτοις, ο χρήστης μπορεί εύκολα να επιλέξει διαδραστικά τις κατάλληλες τιμές που οδηγούν στη βέλτιστη απεικόνιση όπως είναι αυτή του Σχήματος 3Β.

Στο Σχήμα 4, απεικονίζονται στο περιβάλλον της εφαρμογής τα ιστογράμματα που προκύπτουν από τις Περιοχές (Ιδιαίτερη 15, Φυσιολογική 16, Άλως 17) της φωτογραφίας που αναγνωρίστηκαν στο Σχήμα 3. Ως ιστόγραμμα ορίζεται η γραφική παράσταση όπου ο οριζόντιος άξονας αναπαριστά το επίπεδο του χρώματος (0..255) και ο κατακόρυφος δείχνει πόσα εικονοστοιχεία στην συγκεκριμένη περιοχή (Φυσιολογική, Ιδιαίτερη, Αλως) έχουν το συγκεκριμένο επίπεδο χρώματος. Δεδομένου ότι κάθε εικονοστοιχείο καθορίζεται από τρία βασικά χρώματα (κόκκινο, πράσινο, μπλε) εμφανίζονται συνολικά 9 ιστογράμματα. Το Σχήμα 4Α δείχνει αδρά τα επικαλυπτόμενα ιστογράμματα για τα τρία βασικά χρώματα της Ιδιαίτερης περιοχής. Το Σχήμα 4Β τα ιστογράμματα της Φυσιολογικής περιοχής και το Σχήμα 4Γ της Άλως. Τα ιστογράμματα τουλάχιστον της Φυσιολογικής και της Ιδιαίτερης περιοχής αποτελούνται από έναν λοβό που βέβαια μπορεί να έχει μια ιδιαίτερη μορφή. Φωτογραφίες που απεικονίζουν παρόμοιο θέμα (πχ, ίδια ασθένεια) αναμένεται να έχουν ιστογράμματα παρόμοιας μορφής παρότι αυτό εξαρτάται σε μεγάλο βαθμό από τις συνθήκες φωτογράφισης όπως το φωτισμό. Στην παρούσα εφεύρεση δεν επιχειρείται να αναγνωριστεί η μορφή του ιστογράμματος αλλά χρησιμοποιούνται ως Χαρακτηριστικές Παράμετροι η Αρχή, το Τέλος και η Κορυφή του λοβού.

Στο Σχήμα 5, απεικονίζονται τα ιστογράμματα Ιδιαίτερης Περιοχής για το πράσινο χρώμα φύλων εσπεριδοειδών που έχουν προσβληθεί από Αλτερναρίωση (Alternaria) και Μελάνωση (Melanose) εσπεριδοειδών. Όπως φαίνεται από τις καμπύλες αυτές οι λοβοί για τον ίδιο τύπο ιστογράμματος είναι διαφορετικοί και σε αυτήν τη διαφορετικότητα στηρίζεται εξάλλου η παρούσα μέθοδος κατηγοριοποίησης. Από τις δύο αυτές καμπύλες για τις δύο ασθένειες των εσπεριδοειδών χρησιμοποιούνται ως Χαρακτηριστικές Παραμέτρους μόνο η θέση Αρχής (BGS), Τέλους (EGS) και Μέγιστης τιμής (PGS) του λοβού. Η Αρχή και το Τέλος σε μια υλοποίηση της εφαρμογής ορίζονται ως το επίπεδο χρώματος που η τιμή του ιστογράμματος είναι ίση με ένα ποσοστό της μέγιστης τιμής πχ, το 1%. Όπως φαίνεται στο Σχήμα 5, οι οριζόντιες διακεκομμένες γραμμές 18 ορίζουν σε διαφορετικά επίπεδα την Αρχή και το Τέλος κάθε λοβού αφού και το Μέγιστο κάθε λοβού είναι διαφορετικό. Τα κατακόρυφα βέλη δείχνουν τα σημεία BGS 19 και EGS 20 στα δύο ιστογράμματα ενώ τα σημεία PGS 21 απεικονίζονται στις κορυφές. Σε κάθε ένα από τα σημεία των κορυφών έχουν τοποθετηθεί γκρίζες λωρίδες 22 που δείχνουν τα Αυστηρά ή Ελαστικά όρια που ορίζονται για κάθε μία από αυτές τις Χαρακτηριστικές Παραμέτρους στην Ταυτότητα της Κατηγορίας (Altemaria ή Melanose). Έτσι για τα BGS, EGS και PGS μπορεί να ορίζονται τα Ελαστικά όρια (BGSWN, BGSWX), (EGSWN, EGSWX), (PGSWN, PGSWX), αντίστοιχα όπως στο Σχήμα 5. Σε μια πραγματοποίηση της εφεύρεσης οι τιμές των BGS, EGS και PGS για όλα τα ιστογράμματα παρουσιάζονται στο χρήστη όπως φαίνεται στο Σχήμα 6Α. Στο πάνω μέρος της οθόνης 5 του Σχήματος 6 Α ορίζονται και οι τιμές για τη ζώνη της Άλω 23 και του σημείου που θα θεωρηθεί ως Αρχή και Τέλος σε ένα ιστόγραμμα 24. Αυτές οι παράμετροι θα μπορούσαν να είχαν οριστεί στο παράθυρο του Σχήματος 3 αλλά τα συγκεκριμένα πεδία δεν τοποθετήθηκαν εκεί λόγω έλλειψης χώρου. Άλλες Χαρακτηριστικές Παράμετροι που μπορούν να φανούν χρήσιμες στη μέθοδο Κατηγοριοποίησης δερματικών παθήσεων εμφανίζονται στην οθόνη 5 όπως στα Σχήματα 6Β, 6Γ. Στην οθόνη του Σχήματος 6Β ο χρήσης επιλέγει το μέρος του σώματος το οποίο απεικονίζει η φωτογραφία το οποίο εξειδικεύει στην οθόνη του Σχήματος 6Γ. Στην οθόνη 5 του Σχήματος 6Δ εμφανίζονται τα αποτελέσματα της διάγνωσης με τις τρεις πιθανότερες δερματικές παθήσεις και τη βαθμολογία τους όπως θα οριστεί παρακάτω.

Μια υλοποίηση της εφεύρεσης για την κατηγοριοποίηση φωτογραφιών σύμφωνα με την ασθένεια φυτών που απεικονίζουν παρουσιάζεται στα Σχήματα 7 και 8. Στην οθόνη 5 στο Σχήμα 7Α έχει επιλεγεί φωτογραφία 25 με ένα φύλο προσβεβλημένο από Αλτερναρίωση. Ο διαχωρισμός των τεσσάρων Περιοχών (Φυσιολογική, Ιδιαίτερη, Άλως, Φόντο) 26 παρουσιάζεται στο Σχήμα 7Β. Τα επικαλυπτόμενα ιστογράμματα Ιδιαίτερης 27, Φυσιολογικής 28 περιοχής και της Άλως 29 παρουσιάζονται στα Σχήματα 7Γ, 7Δ και 7Ε αντίστοιχα. Αντί της επιλογής μέρους σώματος εδώ επιλέγονται άλλα Χαρακτηριστικά όπως είδος φυτού (Σχήμα 8Α) και τμήμα φυτού (φύλλο, καρπός κλπ) στο Σχήμα 8Β. Επίσης, στην υλοποίηση αυτή χρησιμοποιούνται κι άλλες Χαρακτηριστικές Παράμετροι όπως γεωγραφική θέση και μετεωρολογικά στοιχεία (μέση υγρασία, ακραίες τιμές θερμοκρασίας, κλπ). Έτσι στην οθόνη 5 του Σχήματος 8Γ ο χρήστης μπορεί να αξιοποιήσει τον αισθητήρα 8 εντοπισμού γεωγραφικής θέσης 30. Για τη θέση αυτή μπορούν να ληφθούν ιστορικά μετεωρολογικά στοιχεία από το διαδίκτυο σε επιλεγμένες ημερομηνίες 31 όπως φαίνεται στο Σχήμα 8Δ. Οι πιθανότερες ασθένειες σύμφωνα με τα αποτελέσματα της Κατηγοριοποίησης με προτάσεις για κατάλληλη αντιμετώπιση παρουσιάζονται στην οθόνη του Σχήματος 8Ε.

Στο Σχήμα 9 παρουσιάζεται ως παράδειγμα ένας πίνακας με τις τιμές των Χαρακτηριστικών Παραμέτρων που προκύπτουν από την ανάλυση της φωτογραφίας που απεικονίζει Μυρμηκιές και χρησιμοποιήθηκε στην εφαρμογή διάγνωσης δερματικών παθήσεων και στις οθόνες των Σχημάτων 3, 4, 6. Δεν περιλαμβάνονται Χαρακτηριστικές Παράμετροι που αφορούν π.χ., το μέρος του σώματος, γεωγραφική θέση, μετεωρολογικά στοιχεία κ.α., παρότι κάποια χρησιμοποιούνται σε άλλες υλοποιήσεις της εφεύρεσης όπως στη διάγνωση ασθενειών φυτών που παρουσιάστηκε στα Σχήματα 7 και 8. Στη θέση Αρχής, Τέλους και Κορυφής του λοβού ιστογράμματος για το πράσινο (G) και το μπλε (Β) χρώμα χρησιμοποιήθηκαν τιμές μεγαλύτερες από 255 που είναι το μέγιστο επίπεδο για ένα χρώμα. Αυτό οφείλεται στο ότι για λόγους αναγνωσιμότητας στα επίπεδα του πράσινου έχει προστεθεί 256 ενώ του μπλε το 512. Έτσι αν μια τιμή είναι μεταξύ 256 και 511 αμέσως καταλαβαίνουμε ότι πρόκειται για πράσινο ενώ τιμές μεταξύ 512 και 767 υποδηλώνουν μπλε χρώμα.

Χρησιμοποιώντας μερικές ακόμα φωτογραφίες που απεικονίζουν την ίδια δερματική πάθηση (μυρμηκιές) ένας χρήστης της εφαρμογής διάγνωσης δερματικών παθήσεων που στηρίζεται σε μια υλοποίηση της παρούσας εφεύρεσης, μπορεί αυθαίρετα ίσως να ορίσει, κάποια Αυστηρά και Ελαστικά όρια μέσα στα οποία διαπιστώνει να κυμαίνονται οι Χαρακτηριστικές Παράμετροι του Σχήματος 9. Έτσι προκύπτει το παράδειγμα της Ταυτότητας Κατηγορίας για τις Μυρμηκιές που παρουσιάζεται στο Σχήμα 10. Στη μία στήλη του πίνακα στο Σχήμα 10 απεικονίζεται ο κωδικός Χαρακτηριστικού όπως έχει οριστεί στον πίνακα του Σχήματος 9 μαζί με δύο ακόμα αριθμούς που προσδιορίζουν δύο βαθμούς Ww,iκαι Wn,i. Ο Ww,iείναι ο βαθμός που προσμετράται αν η Χαρακτηριστική Παράμετρος Xiείναι μέσα στα ελαστικά όρια [Xw,i,min, Xw,i,max] ενώ ο Wn,iείναι ο βαθμός που προσμετράται αν η Χαρακτηριστική Παράμετρος Xiείναι μέσα στα αυστηρά όρια [Xn,i,min, Xn,i,max]■Η συνολική βαθμολογία G για μια συγκεκριμένη Κατηγορία υπολογίζεται ως:

Για καλύτερη εξειδίκευση της σημασίας κάθε Χαρακτηριστικής Παραμέτρου σε διαφορετικές ασθένειες μπορεί αντί των βαθμών Ww,i και Wn,i να χρησιμοποιηθούν γινόμενα βαθμών και βαρών που ορίζονται διαφορετικά στις Ταυτότητες Κατηγοριών. Η φωτογραφία κατατάσσεται στην Κατηγορία που θα συγκεντρώσει την υψηλότερη βαθμολογία. Η σύγκριση Χαρακτηριστικών Παραμέτρων με όρια δε μπορεί να γίνει για Χαρακτηριστικές Παραμέτρους που ορίζονται με λογική τιμή (αλήθεια ή ψέμα) ή από μια λίστα επιλογών (πχ, μέλη σώματος). Εντούτοις, και σε αυτή την περίπτωση μπορεί να εφαρμοστεί η παραπάνω μοντελοποίηση με τα Αυστηρά και Ελαστικά όρια να ταυτίζονται. Μια Χαρακτηριστική Παράμετρος ελέγχεται αν έχει την συγκεκριμένη τιμή οπότε τότε προσμετρώνται στο βαθμό G και τα δύο βάρη: Ww,i, W„,iτα οποία θα έχουν προσαρμοστεί κατάλληλα κατά τον ορισμό της Ταυτότητας Κατηγορίας.

Σε μια άλλη πραγματοποίηση της εφεύρεσης ο διαχωρισμός της Φυσιολογικής από την Ιδιαίτερη περιοχή μπορεί να γίνει όχι σε κλίμακα του γκρι αλλά ελέγχοντας αν ένα εικονοστοιχείο έχει προκαθορισμένο χρώμα ή όχι. Σε μια άλλη πραγματοποίηση της εφεύρεσης ο διαχωρισμός της Φυσιολογικής από την Ιδιαίτερη περιοχή μπορεί να γίνει ελέγχοντας αν ένα από τα τρία βασικά χρώματα (κόκκινο, πράσινο, μπλε) ενός εικονοστοιχείου έχει πολύ διαφορετική τιμή από τα άλλα δύο. Για παράδειγμα, ο καρπός ενός εσπεριδοειδούς έχει χρώμα κίτρινο που σημαίνει ότι η πράσινη και κόκκινη συνιστώσα είναι μεγάλη αλλά η μπλε μικρή. Αντίθετα σε ένα γκρι ή μαύρο στίγμα πάνω στον καρπό οι τιμές των τριών βασικών χρωμάτων είναι μικρές αλλά έχουν συγκρίσιμες μεταξύ τους τιμές.

Αναφορές

[1] Jayamala Κ. et al., “ ADVANCES IN IMAGE PROCESSING FOR DETECTION OF PLANT DISEASES’ \ Advanced Bioinformatics Applications and Research ISSN 0976-2604, 2(2), 2011, pp 135-141

[2] Brendon J. et al, Howard Wearing[1999] “ Fruit Image Analysis using Wavelets<'>” , Proceedings of the ICONIP/ANZIIS/ANNES

[3] Mix C. et al., [2003] A Comparison of Stereomicroscope And Image Analysis For Quantifying Fruit Traits, SEED Technology, 25(1)

[4] Tzionas, P. et al, '' Plant leaves classification based on morphological features and fuzzy surface selection technique ”, ICTA’05, Thessaloniki, Greece, pp.365-370 .

[5] S. Tseng, et al, “ Method and System for Recognizing Plant Diseases and Recording Medium”, US20 13/0136312 Al.

[6] Cubero, S., Lee, W. S., Aleixos, N., Albert, F., Blasco, J. (2016). Automated Systems Based on Machine Vision for Inspecting Citrus Fruits from the Field to Postharvest — a Review. Food and Bioprocess Technology 9(10), pp. 1623-1639.

[7] Liu, T„ Wu, W., Chen, W, Sun, C., Zhu, X., Guo, W. (2016). Automated image-processing for counting seedlings in a wheat field. Springer Precision Agriculture 17(4), pp. 392-406.

[8] Behmann, J., Mahlein, A. K., Rumpf, T., Romer, C., Plumer, L. (2015). A review of advanced machine learning methods for the detection of biotic stress in precision crop protection. Springer Precision Agriculture 16, pp. 239-260.

[9] N. Πετρέλλης, «Μέθοδος και Φορητό Σύστημα Διάγνωσης Ασθενειών Φυτών», Οργανισμός Βιομηχανικής Ιδιοκτησίας, δημοσίευση 12/05/2015.

1008484. Διεθνής ταξινόμηση G06K 9/00

[10] Calderon, R., Montes-Borrego, Μ., Landa, Β. Β., Navas-Cortes, J., Zarco-Tejada, Ρ. J. (2014). Detection of downy mildew of opium poppy using highresolution multi-spectral and thermal imagery acquired with an unmanned aerial vehicle. Springer Precision Agriculture 15(6), pp. 639-661.

[11] Kulkami, A. and Patil A. (2012). Applying Image Processing Technique to Detect Plant Diseases. International Journal of Modem Engineering Research 2(5), pp. 3361-3364.

[12] Carmago, A. and Smith, J.S. (2009). Image pattern classification for the identification of disease causing agents in plants, Computers and Electronics in Agriculture 66, pp. 121-125.

[13] Strey, S. Strey, R., Burkert, S., Knake, P., Raetz, K., Seyffarth, K., et al. (2016). https://plantix.net/. Accessed 22 August 2017.

[14] YAN FEI; LI SHUBIN; HAN DONG; CAI CIHE; LI ZHONGJUN, “Remote medical care system with skin recognition function based on tablet computer”, CN 104490377 (A) — 2015-04-08

Claims (10)

ΑΞΙΩΣΕΙΣ

1) Μέθοδος Επεξεργασίας Εικόνας προκειμένου να καταταχθούν ηλεκτρονικές φωτογραφίες σε Κατηγορίες που μπορεί να είναι ασθένειες φυτών, δερματικές παθήσεις, αλλά και διαφορετικής φύσεως Κατηγορίες όπως για παράδειγμα τεχνοτροπίες ζωγράφων και η οποία περιλαμβάνει τις ακόλουθες φάσεις:

α) λήψη φωτογραφίας από κάμερα υπολογιστικής συσκευής όπως κινητού τηλεφώνου με θέμα το οποίο πρόκειται να ενταχθεί σε μια λεγάμενη Κατηγορία<'>β) επεξεργασία εικόνας από τον επεξεργαστή υπολογιστικής συσκευής όπως κινητού τηλεφώνου<'>

γ) εξαγωγή των λεγάμενων Χαρακτηριστικών Παραμέτρων από τον επεξεργαστή υπολογιστικής συσκευής όπως κινητού τηλεφώνου και τη γνωστοποίησή τους στο χρήστη μέσω της οθόνης της υπολογιστικής διάταξης.

δ) έλεγχος Χαρακτηριστικών Παραμέτρων με όρια που είναι αποθηκευμένα στις λεγάμενες Ταυτότητες Κατηγοριών από επεξεργαστή υπολογιστικής διάταξης όπως κινητού τηλεφώνου<.>

ε) βαθμολόγηση κάθε Κατηγορίας από επεξεργαστή υπολογιστικής διάταξης όπως κινητού τηλεφώνου<.>

στ) κατάταξη της φωτογραφίας στην Κατηγορία που συγκεντρώνει τη μεγαλύτερη βαθμολογία από τον επεξεργαστή υπολογιστικής διάταξης όπως κινητού τηλεφώνου<.>

χαρακτηριζόμενη από το ότι στο βήμα (1β) γίνεται διαχωρισμός συγκεκριμένων Περιοχών της φωτογραφίας από τα διαφορετικά χρωματικά χαρακτηριστικά τους, στο (1γ) υπολογίζονται Χαρακτηριστικές Παράμετροι για κάθε μία από τις Περιοχές τις οποίες διαχώρισε το (1β) και στο (1δ) κάθε Χαρακτηριστική Παράμετρος ελέγχεται αν εμπίπτει η όχι σε συγκεκριμένα Αυστηρά ή Ελαστικά Όρια που ορίζονται στην Ταυτότητά της κάθε Κατηγορίας.

2) Μέθοδος σύμφωνα με την Αξίωση 1 χαρακτηριζόμενη από το ότι στο βήμα (1γ) συνυπολογίζονται επιπλέον Χαρακτηριστικές Παράμετροι όπως ενδείξεις αισθητήρων και συγκεκριμένα γεωγραφική θέση που λαμβάνεται από τον αισθητήρα εντοπισμού θέσης υπολογιστικής διάταξης όπως κινητού τηλεφώνου, μέτρηση θερμοκρασίας, υγρασίας, φωτισμού, αισθητήρες χημικών ή μοριακών αναλύσεων από αισθητήρες που είτε είναι ενσωματωμένοι στην ίδια την υπολογιστική διάταξη είτε είναι εξωτερικοί, απαντήσεις του χρήστη μέσω πληκτρολογίου ή οθόνης αφής σε διευκρινιστικές ερωτήσεις που υποβάλλονται μέσω της οθόνης της υπολογιστικής διάταξης, πληροφορίες που λαμβάνονται από το διαδίκτυο χρησιμοποιώντας ενσύρματο ή ασύρματο μέσο επικοινωνίας της υπολογιστικής διάταξης και περιλαμβάνουν κλιματολογικές συνθήκες και ιστορικά δεδομένα.

3) Μέθοδος σύμφωνα με την Αξίωση 1 ή την Αξίωση 2 χαρακτηριζόμενη από το ότι στο τμήμα (1δ) η σύγκριση των Χαρακτηριστικών Παραμέτρων γίνεται με πολλαπλά Όρια Τιμών (όχι μόνο δηλαδή με Αυστηρά και Ελαστικά Όρια) που ορίζονται στις Ταυτότητες Κατηγοριών και η ύπαρξη μιας Χαρακτηριστικής Παραμέτρου εντός ενός ή περισσοτέρων επικαλυπτόμενων Ορίων Τιμών συνεισφέρει ανάλογα στη βαθμολόγηση της συγκεκριμένης Κατηγορίας στο (1ε) όπως καθορίζεται στην Ταυτότητα της Κατηγορίας αυτής στο (1δ).

4) Μέθοδος σύμφωνα με μία από τις προηγούμενες Αξιώσεις χαρακτηριζόμενη από το ότι οι φωτογραφίες που λαμβάνονται στο (Ια) απεικονίζουν το ίδιο είδος αντικειμένου και στο (1β) οι Περιοχές που διαχωρίζονται με βάση τα χρωματικά χαρακτηριστικά τους είναι οι λεγάμενες Φυσιολογική Περιοχή που απεικονίζει το τμήμα του αντικειμένου που από μόνο του δε μπορεί να προσδιορίσει την Κατηγορία της φωτογραφίας, η Ιδιαίτερη Περιοχή που απεικονίζει το τμήμα του αντικειμένου το οποίο προσδιορίζει την Κατηγορία της φωτογραφίας, η Άλως που ορίζεται ως μια ζώνη γύρω από την Ιδιαίτερη περιοχή συγκεκριμένου πλάτους εικονοστοιχείων ακόμα και μηδενικού πλάτους, και το Φόντο που απεικονίζει οτιδήποτε άλλο εκτός του αντικειμένου.

5) Μέθοδος σύμφωνα με την Αξίωση 4 χαρακτηριζόμενη από το ότι η Άλως διαχωρίζεται μέσω της διαφοράς χρώματος και φωτεινότητας από την Φυσιολογική και την Ιδιαίτερη Περιοχή.

6) Μέθοδος σύμφωνα με την Αξίωση 4 ή την Αξίωση 5 χαρακτηριζόμενη από το ότι η Ιδιαίτερη Περιοχή διαχωρίζεται από τη Φυσιολογική αφού υπολογιστεί ο λεγόμενος Μέσος Όρος Γκρι όλων των εικονοστοιχείων που δεν ανήκουν στο Φόντο και στη συνέχεια αναγνωριστούν ως εικονοστοιχεία της Ιδιαίτερης Περιοχής εκείνα που έχουν επίπεδο γκρι που διαφέρει περισσότερο από ένα Κατώφλι από το Μέσο Όρο Γκρι.

7) Μέθοδος σύμφωνα με μία από τις προηγούμενες Αξιώσεις χαρακτηριζόμενη από το ότι οι Περιοχές του (1β) οριοθετούνται με τις εξής φάσεις:

α) η εικόνα σαρώνεται από πάνω προς τα κάτω και από αριστερά προς τα δεξιά και αν κάποιο εικονοστοιχείο έχει γκρι χρώμα με φωτεινότητα πάνω ή κάτω από ένα λεγόμενο Πρώτο Κατώφλι χαρακτηρίζεται ως Φόντο αλλιώς ως Φυσιολογική Περιοχή<'>

β) χρησιμοποιείται το λεγόμενο Δεύτερο Κατώφλι και από τα εικονοστοιχεία της Φυσιολογικής Περιοχής εξάγεται ο λεγόμενος Μέσος Όρος Γκρι και όσα εικονοστοιχεία έχουν επίπεδο γκρι που είναι μεγαλύτερο από το άθροισμα του Μέσου Όρου Γκρι και του Δεύτερου Κατωφλιού ή λιγότερο από το Μέσο Όρο Γκρι μείων το Δεύτερο Κατώφλι, χαρακτηρίζονται ως Ιδιαίτερη Περιοχή<.>γ) τα εικονοστοιχεία που ανήκουν στην Ιδιαίτερη Περιοχή αντιστοιχίζονται με έναν Αύξοντα Αριθμό που είναι ίδιος για εικονοστοιχεία που ανήκουν στην ίδια Κηλίδα ώστε ο μέγιστος Αύξων Αριθμός να αντιστοιχεί στο πλήθος των Κηλίδων από τις οποίες αποτελείται η Ιδιαίτερη Περιοχή<.>

δ) Κηλίδες της Ιδιαίτερης περιοχής που αποτελούνται από λιγότερα εικονοστοιχεία από ένα λεγόμενο Τρίτο Κατώφλι δε λαμβάνονται υπόψη.

8) Μέθοδος σύμφωνα με μία από τις προηγούμενες Αξιώσεις χαρακτηριζόμενη από το ότι στο (1β) για κάθε Περιοχή και βασικό χρώμα (κόκκινο, πράσινο, μπλε) εξάγεται το λεγόμενο Ιστόγραμμα, ο οριζόντιος άξονας του οποίου ορίζει το επίπεδο του βασικού χρώματος και ο κατακόρυφος το πόσα εικονοστοιχεία από την Περιοχή έχουν ακριβώς το συγκεκριμένο επίπεδο χρώματος.

9) Μέθοδος σύμφωνα με την Αξίωση 8 χαρακτηριζόμενη από το ότι στις Χαρακτηριστικές Παραμέτρους που υπολογίζονται στο βήμα (1γ) περιλαμβάνονται το επίπεδο γκρι της κάθε Περιοχής, το ποσοστό επιφάνειας που καταλαμβάνει κάθε Περιοχή, ο αριθμός κηλίδων που αποτελούν την Ιδιαίτερη Περιοχή, και οι θέσεις αρχής, τέλους και μέγιστο λοβού κάθε Ιστογράμματος.

10) Εγκατάσταση για την υλοποίηση της μεθόδου όπως αναφέρεται στις Αξιώσεις 1 έως 9, χαρακτηριζόμενη από το ότι περιλαμβάνει ένα αυτόνομο κατηγοριοποιητή ηλεκτρονικών φωτογραφιών που συνίσταται από έναν σταθερό ή φορητό υπολογιστή ή έξυπνο κινητό τηλέφωνο εξοπλισμένο με

α) φωτογραφική μηχανή για την λήψη ή ανάκληση φωτογραφίας που εμπίπτει σε κάποια προκαθορισμένη Κατηγορία<.>

β) επεξεργαστή για την επεξεργασία εικόνας, για την αναγνώριση Περιοχών διαφορετικής σημασίας στη φωτογραφία, για την εκτίμηση των τιμών των Χαρακτηριστικών Παραμέτρων που αφορούν τις Περιοχές που αναγνωρίζονται, για τη βαθμολογία Κατηγοριών κατά την οποία συγκρίνονται οι τιμές των Χαρακτηριστικών Παραμέτρων με πολλαπλά Ελαστικά και Αυστηρά Όρια που ορίζονται στις Ταυτότητες Κατηγοριών και σύμφωνα με τα Όρια στα οποία εμπίπτει μια Χαρακτηριστική Παράμετρος συνυπολογίζεται ανάλογος Βαθμός σταθμισμένος με Βάρος που ορίζονται στην Ταυτότητα Κατηγορίας, για εξαγωγή συνολικού βαθμού κάθε Κατηγορίας και για την ταξινόμηση των Κατηγοριών<.>γ) οθόνη για την ενημέρωση χρήστη για τις τιμές των Χαρακτηριστικών Παραμέτρων καθώς και για τη βαθμολογία κάθε Κατηγορίας<.>

δ) μνήμη για την αποθήκευση των ηλεκτρονικών φωτογραφιών και των Ταυτοτήτων Κατηγοριών<.>

ε) ενσύρματο ή ασύρματο μέσο επικοινωνίας για την ανάκτηση Ταυτοτήτων Κατηγοριών από απομακρυσμένη Βάση Δεδομένων ή Υπολογιστικό Νέφος καθώς και την αποστολή και αποθήκευση σε απομακρυσμένη Βάση Δεδομένων ή Υπολογιστικό Νέφος των Φωτογραφιών, των τιμών Χαρακτηριστικών Παραμέτρων, της βαθμολογίας και της κατάταξης των Κατηγοριών.