Disertatie Rares Petrisor 24 06 [625807]

Licență

Disertatie Rares Petrisor 24 06 [625807]

Byadmin ianuarie 1, 2024

FACULTATEA DE AUTOMATIC Ă ȘI CALCULATOARE
2020

TITLUL LUCRĂ RIICLĂSIFICĂREĂ ĂTĂCURILOR
INSECTELOR DEFOLIĂTOĂRE ĂSUPRĂ UNOR SPECII
DIN GENUL QUERCUS

PROIECT DE DISERTĂȚIE

Autor: ing. Rareș -Dacian PETRIȘOR

Conducător științific : Prof. Dr. ing. Honori u VĂLEAN
Formatted: Font: Bold

FACULTATEA D E AUTOMATIC Ă ȘI CALCULATOARE

DECAN
Prof.dr.ing. Liviu MICLEA Vizat,

DIRECTOR DEPARTAMENT AUTOMA TICĂ
Prof.dr.ing. Honoriu VĂLEAN

Autor : Rareș -Dacian PETRIȘOR

Titlul lucrării Clasificarea atacurilor insectelor defoliatoare
asupra unor specii din genul Quercus

1. Enunțul temei: Se dorește realizarea unei aplicații care sa permită clasificarea unor
imagini care conțin frunze sănătoase sau atacate de defoliatori. Trei specii care
aparțin genului Quercus vor fi analizate și se dorește detectarea prezen ței a două
secii de insecte def oliatoare. Proiectul va conține un sistem de achiziție de imagini,
algoritmi de procesare și clasificare a imaginilor și o aplicație web.

2. Conținutul proie ctului: Pagina de prezentare, Declarație privind autenticitatea
proiec tului, Sinteza proiectului, Cup rins, Intro ducere, Studiu bibliografic, Analiză,
proiectare și implementare, Concluzii, Bibliografie..

3. Locul documentației: Universitatea Tehnică din Cluj -Napoca , Institutul Național
de Cercetare -Dezvoltare în Silvicultură “ Marin Drăcea” Cluj -Napoca

4. Consultanți: conf. dr. ing. Rodica HOLONEC, prof. dr. ing. Ioan TĂUT

5. Data emiterii temei:

6. Data predării:

Semnătura autorului

Semnătura c onducăto rului științific Formatted: Font: Not Bold, Italic

FACULTATEA D E AUTOMATIC Ă ȘI CALCULATOARE

Declarație pe proprie răspundere privind
autenticitatea proiectului de di sertație

Subsemnatul(a) Rareș -Dacian PETRIȘOR ,
legitimat(ă) cu CI seria CJ nr. 039575 ,CNP [anonimizat] ,
autorul lucrării:
Clasificarea atacurilor inse ctelor defoliatoare a supra unor specii din genul Quercus

elaborată în vederea susținerii examenului de finalizare a studiilor de master la
Facultatea de Automatică și Calculatoare , specializarea Choose an item. , din c adrul
Universității Tehnice din Clu j-Napoca, sesiunea Choose an item. a anului universitar
2019-2020, declar pe proprie răspundere, că această lucrare este rezultatul propriei
activități intelectuale, pe baza cercetărilor mele și pe baza informațiilor obțin ute din surse
care au fost ci tate, în textul lucrării, și în bibliografie.
Declar, că această lucrare nu conține porțiuni plagiate, iar sursele bibliografice au
fost folosite cu respectarea legislației române și a convențiilor internaționale privind
dreptu rile de autor.
Declar, de ase menea, că această lucrare nu a mai fost prezentată în fa ța unei alte
comisii de examen de disertație .
In cazul constatării ulterioare a unor declarații false, voi suporta sancțiunile
administrative, respectiv, anularea ex amenul ui de disertație .

Data Rareș -Dacian PETRIȘOR

(semnătura)

FACULTATEA D E AUTOMATIC Ă ȘI CALCULATOARE

SINTEZA
proiectului de disertație cu titlul:
Clasificarea atacurilor insectelor defoliatoare
asupra unor specii din genul Quercus

Autor: ing. Rareș -Dacian PETRIȘOR
Conducător științific: prof. dr. ing Honoriu VĂLEAN

1. Cerințele temei:
• Realiz area baze de date de imagini;
• Implementarea unor algoritmi de procesare si clasificare a imaginilor care conțin frun ze de
cvercinee (trei specii neatacate și trei cazuri în care insectele defoliatoare sunt
prezente);
• Achiziționarea imaginilor util izând camera web;
• Integrarea acestor funcționalități într-o aplicație web.
2. Soluții alese:
• Colectare a frunzelor din teren și achiziția de imagini într -un cadru standardizat ;
• Implementa rea algoritmului de clasificare de imagini și a clasific atorului de tip Deep
Learning utilizând Python ;
• Aplicația web implementată utilizând ASP.NET.
3. Rezultate o bținute:
Acuratețea clasificării: 88.7% – 98.3 % (în funcție de dimensiunea setu lui de date de
antrenare).
4. Testări și verificări:
Clasificatorul a fost validat pe un set de date de validare, diferit de setul de date de training.
Dimensiunea setul ui de date a fost variantă după cum urmează: 20%, 40%, 60%, 80% din numărul de
imagini din baza de date, în timp ce setul de date de validar e a conținut restul imaginilor. Pentru ultimul
scenariu, setul de date de training conține 642 imagini (câte 127 pentr u fiecare clasă), iar setul de
date de validare conține 162 imagini (câte 27 pentru fiecare clasă).

FACULTATEA D E AUTOMATIC Ă ȘI CALCULATOARE

5. Contribuții personale:
• Clasific area imaginilor:
o Baza de date: s -au colectat mostre din teren (402 de mostre), din 4 locații din
România. Au fost in cluse trei specii de stejar (Quercus robur – stejar, Quercus
petraea – gorun, Quercu s frainetto – gârniță). Pentru gorun , s-au considerat 3
cazuri în care există prezența atacului unor insecte defoliatoare: Tortrix viridana ,
Geometridae Sp. Și cazul în car e ambele insect e sunt prezente. S -au realizat două
seturi de date: unul pentru train ing și unul pentru validare.
o Algoritmul de procesare de imagini a fost implementat în Python. Deoarece
imaginile au fost achiziționate pe durata a doi ani, utilizând dispoz itive diferite, s-
a decis normalizarea imaginilor (rezoluție 2880 x
2304 px, format jpg). Pentru imaginile d e rezoluție mai scăzută (720 x 576 px ), s-a
utilizat o rețea neuronală de tip Generative Adversarial Network pentru a crește
rezoluția imaginilor la valoarea dorită. Pentru a preveni riscul unu i
Adversarial Attack, fiecare imagine a fost duplicată p rin generarea unei noi imagini
căreia i s-a adăugat un zgomot (Zero Mean Noise), rezultând în final 804 de
imagini.
o Clasificator ul: de tipul Deep Learning, utilizând arhitectura Inception V3, a fost
implementat în Python cu ajutorul bibliotecii TensorFlow.
• Aplicația web:
o Funcționalități: încă rcarea de imagini utilizând
local storag e, achiziționarea imaginilor utilizând camera web, clasificarea
imaginilor utilizân d clasificatorul dezvoltat, editarea manuală a rezultate lor,
ștergerea unei imagini din aplicație;
o Arhitectură: MVVM (Model -View -ViewModel), Three -layer architecture;
o Baza de date: relațională, implementată utilizând Microsoft SQL Server 2019 ;
o Tehnologii u tilizate:
▪ ASP.NET (C# – partea de backend);
▪ Entity Frame work (pentru Object Relational M apping);
▪ Razor View Engine, HTML5, CSS, JavaScript, jQuery (partea de frontend);
▪ .NET Framework (metode pentru apelarea scriptului batch pentru achiziția
de imagini și a scriptului Python pentru clasificarea imaginilor).

6. Surse de docum entare: articole științifice, cărți de specialitate, fișe tehnice.

FACULTATEA D E AUTOMATIC Ă ȘI CALCULATOARE
Semnătura autor ului

Semnătura conducătorului științific

1
Cuprins
1 INTRODUCERE ………………………….. ………………………….. ………………………….. ………………………….. 3
1.1 CONTEXT GENERAL ………………………….. ………………………….. ………………………….. ………………… 3
1.2 OBIECTIVE ………………………….. ………………………….. ………………………….. ………………………….. 4
1.3 SPECIFICAȚII ………………………….. ………………………….. ………………………….. ………………………… 5
2 STUDI U BIBLIOGRAFIC ………………………….. ………………………….. ………………………….. ……………….. 7
3 ANALIZĂ, PROIECTARE, IMPLEMENTARE ………………………….. ………………………….. …………………. 15
3.1 PRELUCRAREA ȘI CLASIFICAREA IMAGINILOR ………………………….. ………………………….. ……………….. 16
3.1.1 Baza de date de imag ini ………………………….. ………………………….. ………………………….. .. 16
3.1.1.1 Proveniența frunzelor ………………………….. ………………………….. ………………………….. …………. 16
3.1.1.2 Caracteristicile frunzelor ………………………….. ………………………….. ………………………….. ……… 16
3.1.1.3 Achiziția de imagini și constituirea seturilor de date ………………………….. ………………………….. 19
3.1.2 Algoritmul de procesare al imaginilor ………………………….. ………………………….. ………….. 21
3.1.2.1 Tehnologii utilizate ………………………….. ………………………….. ………………………….. …………….. 21
3.1.2.2 Etapele procesării imag inilor ………………………….. ………………………….. ………………………….. … 21
3.1.3 Clasificarea imaginilor ………………………….. ………………………….. ………………………….. ….. 24
3.1.3.1 Tehnologii utilizate ………………………….. ………………………….. ………………………….. …………….. 24
3.1.3.2 Arhitectura ………………………….. ………………………….. ………………………….. ……………………….. 24
3.1.3.3 Training și validare ………………………….. ………………………….. ………………………….. ……………… 25
3.1.3.4 Script pentru clasificarea imaginilor ………………………….. ………………………….. …………………… 30
3.2 APLIC AȚIA WEB ………………………….. ………………………….. ………………………….. …………………… 32
3.2.1 Tehnologii uti lizate ………………………….. ………………………….. ………………………….. ………. 32
3.2.2 Arhitectura ………………………….. ………………………….. ………………………….. ………………… 33
3.2.3 Descrierea bazei de date ………………………….. ………………………….. ………………………….. . 35
3.2.4 Diagrame UML ………………………….. ………………………….. ………………………….. ……………. 37
3.2.4.1 Use case Diagram ………………………….. ………………………….. ………………………….. ………………. 37
3.2.4.2 Class Diagram ………………………….. ………………………….. ………………………….. ……………………. 38
3.2.4.3 Sequence Diagram ………………………….. ………………………….. ………………………….. ……………… 42
3.2.5 User Interface ………………………….. ………………………….. ………………………….. …………….. 43
3.2.6 Detalii de implementare ………………………….. ………………………….. ………………………….. .. 48
3.2.7 Testarea aplicației ………………………….. ………………………….. ………………………….. ……….. 54
3.3 HARD WARE ȘI SOFTWARE ………………………….. ………………………….. ………………………….. ……….. 56
3.3.1 Hardware ………………………….. ………………………….. ………………………….. …………………… 56
3.3.2 Software ………………………….. ………………………….. ………………………….. ……………………. 56
4 CONCLUZII ………………………….. ………………………….. ………………………….. ………………………….. …. 57
4.1 REZULTATE OBȚINUTE ………………………….. ………………………….. ………………………….. ……………. 57
4.2 DIRECȚII DE DEZV OLTARE ………………………….. ………………………….. ………………………….. ………… 58
5 BIBLIOGRAFI E ………………………….. ………………………….. ………………………….. …………………………. 62
1 INTRODUCERE ………………………….. ………………………….. ………………………….. ………………………….. 2
1.1 CONTEXT GENERAL ………………………….. ………………………….. ………………………….. ………………… 2
1.2 OBIECTIVE ………………………….. ………………………….. ………………………….. ………………………….. 2
1.3 SPECIFICAȚII ………………………….. ………………………….. ………………………….. ………………………… 2
2 STUDIU BIBLIOGRAFIC ………………………….. ………………………….. ………………………….. ……………….. 3
3 ANALIZĂ, PROIECTARE, IMPLEMEN TARE ………………………….. ………………………….. …………………… 4 Formatted …
Field Code Changed …
Formatted …Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …

Introducere
2

Introducere
3
1 Introducere
1.1 Context general
Scopul principal al acestui proiect de disertație este implementarea unui
clasificator care permite identificarea atacului unor insecte defoliatoare pentru imagini
care conțin frunze. Frunzele apar țin speciilor genului Quercus . Insectele defoliato are
aparțin următoarelor specii: Tortrix vi ridana, Geometridae sp.
Speciile de stejar din România au o importanță ecologică și economică semnificativă,
acoperind aproximativ 19% din Fondul forestier. Aceste specii se întâlnesc în arborete
pure sau mixte, l a altitudini de până la 1000 m. Cu toate ac estea, c a orice specie de arbore,
ele sunt vulnerabile la b oli și atacuri patogene. Ăgenții patogeni pot fi biotici (de exemplu,
bacterii, ciuperci, insecte) sau a biotici (de exemplu, înghețuri târzii, curenți sev eri, vânturi
puternice).
Unul dintre agenț ii biotici care provoacă pagub e îl reprezintă insectele defoliatoare
(insecte care se hrănesc cu frunzele arborilor). Defolierea reduce procesul de creștere al
arborilor prin reducerea suprafe ței disponibile pentru procesul de fotosinteză . În unele
cazuri poate duce la uscarea completă a arborelui.
Datorită asemănărilor morfologice care există între frunze, este important să se
distingă cu precizie speciile din genu l Quercus, precum și specia de in sectă defoliatoare,
pentru a aplica tratamente adecvate arbo rilor afectați. În prezent, în România, această
clasificare se face în princ ipal manual (pe teren sau în laborator), atât de către ocoalele
silvice, cât și de cătr e Institutul Național pentru Cerc etare și Dezvoltare în Silvicultură
"Marin Drăcea". Ăcest pr oiect oferă un instrument care mărește automatizarea acestei
operațiuni de c lasificare dacă se face în laborator sau pe teren.
Proiectul oferă un clasificator pent ru frunze de cvercinee și o aplic ație web care
servește ca o interfață ușor de utilizat pentr u acest clasificator și, de asemenea, accesul la
o bază de date relațională pentru a stoca rezultatele obținute. Clasificatorii au fost
dezvoltați pentru a disting e speciile de cvercinee, cele mai frecvent întâlnite în România:
Quercus robur (stejar comun) , Quercu s petraea (gorun) și Quercus frainetto (gârniță), în
cazul în care nu există atacul unor insecte defoliatoare și permite identificarea atacului
următorilor defoliatori la nivelul frunzelor de gorun: Tortrix viridana , Geometridae sp. și
atacul combi nat al celor două specii.
Ăcest proiect de diplomă cuprind următoarele capitole: Introducere , Studiu
bibliografic , Analiză, Proiectare, Implementare și Concluzii . În Introducere este
prezentată o imagine de ansamblu asupra proiectului; scopul, obiectivele și specificațiile
sale sunt prezentate în detaliu. Capitolul Studiu bibliografic conține o analiză a
cercetărilor existente în domeniul dezvoltării clasificatorilo r pentru clasificarea
imaginilor care conțin frunze și a algoritmul de procesare a imaginii, împreună cu aspecte

Introducere
4 teoretice. Sunt discutate detaliile algoritmului, tipuri le de clasificatori și rezultatele
obținute. În Ănaliză, Proiectare , Implementare es te dată o descriere detaliată a fi ecărei
componente a aplicației dezvoltate. Ăceste detalii i nclud des crieri ale tehnologiilor
utilizate, algoritmi, cazuri de utilizare, diagrame. Capitolul este împărțit în trei
subcapitole: primele două descriu componentele aplicației, în timp ce ultimul descrie
specificațiile hardware și software uti lizate pentru a dezv olta proiectul . Capitolul
Concluzii oferă informații despre rezultatele obținute ( acuratețea
clasificării), o comparație cu rezultatele obținute în literatura existentă și direcțiile de
dezvoltare ulterioare pentr u această aplicație.
1.2 Obiective
Obiectivel e acestui proiect sunt enumerate mai jos:
• Dezvoltarea clasificatorului pentru imaginile care conțin frunze. Ăceasta
inclu de trei obiective secundare :
o Crearea unei baze de date de imagini din mostre de frunze pentru a
furniza seturi de date de training și v alidare pentru clasificatori.
Ăceasta implică colectarea probelor de frunze din teren și construirea
unui stand de labora tor pentru achiziționarea standardizată de
imagini;
o Dezvoltarea unui algoritm de procesare a imaginii pentru a asigura
uniformitatea se tului de date și pentru a asigura protecția
clasificatoru lui împ otriva Adversarial Attacks ;
o Dezvoltarea clasificatorului în sine, utilizând datele obținute din
obiectivul secundar anterio r.
• Dezvoltarea unei aplicaț ii web care să permită încărcarea imaginil or,
clasificarea și stocarea rezultatelor. Încărcarea imaginilor se va face din două
surse:
o Utilizând camera web a dispozitivului pe care rulează aplicația web ;
o Utilizând local storage.
Specificații
Pentru fiecare obiectiv prezentat anterior, a fost prezentat un set de specificații. Mai
multe detalii sunt prezentate mai jos.
Dezvoltar ea clasificatorilor a constat din mai multe operațiuni. Pentru fiecare
operațiune, au fost impuse o seri e de specificații:
• Baza de date de imagini:
o Dimensiunea set ului de date: aproximativ 134 de eșantioane de
frunze pentru fiecare specie ( 804 frunze în to tal), împărțite astfel:
setul de date de training (642 imagini ), setul de date de validare (162
imagini) ;

Introducere
5 o Ăchiziționarea imaginilor: să fie făcută într-un mod stan dard, prin
crearea unui stand in care camera este poziționata direct deasupra
frunzei.
• Algori tmul de procesare a imaginilor:
o normalizarea imaginilor (scalare, îmbunătățire imagine) se face
utilizând o rețea de tip Generative Adversarial Network;
o duplicarea fiecărei imagini prin adăugarea de zgomot (Zero Mean
Noise) pentru a reduce vulnerabilitatea la Adversarial Attacks;
o pentru setul de date de training, anumite imagini sunt rotite,
redimensionate, decupate pentru a crește robustețea clasificatorului.
o Imple mentare: limbajul Python și biblioteca Tensoflow .
• Dezvoltarea clasificatorului:
o Tip: Deep Lea rning (rețea neuronală), bazat pe arhitectura Inception
V3;
o Cerințe: clasificarea imaginilor aparținând a trei specii din genul
Quercus și identificarea a trei caz uri de defoliere asupra unei specii ;
o Implementare: limbajul Python și biblioteca Tensoflow .
Aplicația web reprezintă legătura dintre elementele menționa te anterior și oferă, de
asemenea, o interfață ușor de utilizat pentru utilizatorii care nu au experienț a necesară
pentru a lucra direct cu clasificatorul . Ău fost impuse următoarele specificații:
• Cerințe funcționale :
o Achiziționarea imaginilor utilizând camera web a dispozitivului;
o Încărcarea imaginilor din spațiul de s tocare local;
o Clasificarea imaginii ape lând la clasificatorul dezvolta t;
o Editarea manuală a rezultatului clasificării;
o Ștergerea une i imagini înc ărcate.
• Arhitectura :
o MVVM (Model -View -View Model);
o Arhitectura pe trei nivele (Data Access Layer Business Layer,
Application Layer);
• Bază de date:
o Baza de date relațională;
o Tehnologie: Microsoft SQL Server.
• Tehnologii:
o ASP.NET (C# pentru backe nd);
o Entity Framework (pentru maparea relațională a obiectelor);
o Razor View Engine, HTML, CSS, JavaScript, jQuery (pentru parte a de
frontend).
• Alte constrângeri:
o Clasificarea imaginilor trebuie făcută apelând un script Python, prin
intermediul unui script batch executat din backend ;
o Version control of source code .

Studiu bibliografic
6 2 Studiu biblio grafic
Genul Quercus conține peste 200 de specii, în principal a rbori. Ăcestea ocupă
suprafețe mari în zonele temperate și subtropicale din emisfera nordică. Numărul
speciilor de stejar europen e este scăzut în comparație cu speciile din Ăsia de Est și, în
special, din America de Nord. Din punct de vedere morfologic, el e sunt caracterizate de
frunze alter ne, caduce marcescente sau persistente, lobate. Florile sunt unisexuat
monoice. Florile mascu le au perigonul divizat în 4 -7 lobi și 4 -12 stamine, grupate în
amenți lungi, subțiri, pendenți. Florile femele au perigonul sl ab dințat, solitare sau câte 2 –
8 înt r-o inflorescență spiciformă . Fructul este o achenă (ghindă) care este cilindrică,
elipsoidal ă sau semisferică, susținută într -o cupă cu numeroși solzi (imb ricați, liberi sau
concrescuți) și are o maturație anuală sau bi anuală și o germinare hipogee. Speci ile de
stejar au un comporta ment de lumina. În România, acestea ocupă 19% din Fondul
forestie r [1].
Pentru această cercetare, trei specii au fost alese p entru a dezvolta clasificatori:
Quercus robur (stejar), Quercus pe traea (gorun) și Quercus frainetto ( gârniță). Deoarece
speciile aparțin aceluiași gen, asemănările mor fologice sunt ridicate. Cu toate acestea,
există unele diferențe. O descriere detaliată a fiecărei specii și a frunzei sale este
prezentată în următoarele paragraf e.
Stejarul comun ocupă aproximativ 130000 ha. Se întâlnește în arborete pure sau
mixte în zo ne de dealuri joase și câmpie, cum ar fi Câmpia de Vest, centrul Transilvaniei
sau nord -estul Moldovei. Frunzele sunt de 6 -20 cm lungime și 3 -10 cm lățime , și au f orme
vari abile, obovate sau rombic -obovate, având lățimea maximă în treimea superioară. Ău
vârful rotunjit, baza îngustată și aur iculată, scurt pețiolate și au 4 -8 perechi de lobi i negali,
asimetrici [1].
Gorunul este întâlnit la altitudini care pot fi mai mari decât cele la care se întâlnește
stejarul, de până la 1000 m în Carpații Meridionali. Frunzele sunt de 8 -16 cm, rombic –
obovate, vari abile, având lățimea maximă în jumătatea superioară, cuneate, îngustate spre
vârf. Aceste a au un petiol de 1 -2,5 cm și au 5 -8 (10) perechi de lobi rotunjiți, care deveni
din ce în ce mai mici spre vârf. Cea mai mare pereche este a treia sau a patra de la bază
[1].
Gârnița se întâlnește în zonele deluroase din Banat și Transilvania, precum și în
Muntenia și Olte nia, la altitudini de până la 600 m. Frunzele de gârniță sunt mari, până la
20 cm, lat obova t-eliptice. Lățimea maximă este în jumătatea superioară. Sunt sesi le sau
au un pețiol scurt, cu lobii lobulați și cu sinusuri foarte înguste și adânci [1].
Pentru identificarea atac ului insectelor defoliatoare au fost utilizate frunze de
gorun ( Quercus petraea ). În acest proiect s -a dorit clasificarea a trei scenarii: frunze
atacate de Tortri x viridana , frunze atacate de Geometridae sp. și frunze atacate de Tortrix
viridana și Geomet ridae sp. O descriere detaliată a fiecărei specie de insectă defoliatoare
este prezentată în paragrafele următoare.
Molia verde a stejarului (Tortrix v iridana ) atacă mai ales arboretele de cvercinee
din dealurile subcarpatice ale Muntenie i și Olteniei, Câm pia Română și Podișul Moldovei.

Studiu bibliografic
7 Atacuri mai reduse produce în arboretele din deal urile și Podișul Transilvaniei , Dobrogea,
Banat și Câmpia de Vest a Transilvaniei. Suprafețele atacate au cunoscut o continuă
extindere începând din 1954. Molia verde a stejar ului atacă toate speciile de Quercus , la
care determin ă defolieri masive. Ătacul este localizat de obicei în treimea superioară a
coroanei arborilor. În cazul gra dațiilor incipiente atacă mai ales stejarul și gorunul. În
focare se înmulț esc concomitent și alte specii din familiile Tortricidae și Geometridae . În
perioada de maxim ă abundență atacă și alte foioase , mai ales carpenul, ulmul,
mesteacănul și teiul. Cele mai mari atacuri sunt semnalate în pădurile care prezin tă
fenomene de uscar e. Primăvara, larv ele neonate atacă mugurii , într -un mugure intrând
până la 8 -10 larve. Mai t ârziu, atacă frunzele, atacul începând din partea superioară a
coroanei. Începând cu vâr sta a III -a fiecare larvă răsucește câte o frunză pe care o atacă și
în care se adăpostește. Instalarea ataculu i se poate constata cu mare ușurință datorită
modului spe cific de atac și se vede de la distanță , sesizându -se după luminarea puternică
a coroane i. În cazul atacurilor puternice, arbori i sunt complet defoliați. Ătacul de termină
reducerea creșterilor anual e, afectează fructificația, în timp debilitează arborii
expunându -i atacului produs de dăunătorii secundari [2].
Fami lia Geometridae cuprinde circa 10000 de specii, din care 700 numai în Europa ,
fluturi mici și mijlocii . Una dintre speciile care atacă foioasele este Operophthera brumata .
Ădulții prezintă dimorfism sexual. Zborul masculilor are loc toamna târziu. Femelele apar
din litieră, se urc ă pe tulpini, se împerechează, se târăsc până la coroană unde depun ouăle
pe r amuri. Omizile apar primăvara, înainte de înfrunzirea arborilor. Unele pătrund în
muguri pe care îi rod parțial sau total, apoi după ce mugurii se desfac rod frunzele tinere,
producând uneori defolieri totale. Unele omizi îndoiesc frunzele în for mă de tub.
Dăunătorul atacă stejarul însoțit adesea de Tortrix viridana . Pe lângă stejar atacă ulmu l,
carpenul, teiul, salcia, mesteacănul, alunul, cornul și, mai rar, fagul. Vătămările se
manifestă prin distrugerea mugurilor foliari și floriferi, defolie rea arboril or, pie rderea
creșterilor, reducerea fructificației. Dăunătorul este răspândit aproape în toate pădurile
de foioase [2].
În acest proiect, a fost creată o bază de date de imagini folosind mostrele colectate
din teren. S-a decis crearea unei noi baze de da te. Alte lucrări, cum ar fi [3] sau [4],
utilizează o bază de date ex istentă (baza de date de scana re a plantelor și, respectiv,
Flavia).
Recunoașterea frunzelor a fost tratată extensiv în literatura recentă și au fost
propuse numeroase metodologii pentru speciile de arbori. Ău fost utilizați diferiți
parametri și clasifica tori. Clasificatorii includ rețele neuronale, k-th nearest
neighborho od, Support Vector Machi ne, Deep Learning . Parametrii luați în considerare au
fost caracteristicile de formă, histogr ame de culoare, momente invariante, descriptori
Fourier, caracteristic i geometrice și digitale. Ă fost obținută o acuratețe de până la 98%.
Referința [5] a folosit un clasificator de tip k -th nearest neighborhood, care a fost
implementat și testat pe 640 de frunze aparținând a 32 de specii de pla nte (20 imagini pe
specie). Ăchiziția de i magini a fost efe ctuată la lumina zilei, utilizând o cameră de
smartphone. Rezoluția imaginii a fost de 1980 x 1024 px. Ălgoritmul de preprocesare a
imaginilor a constat în următorii pași: rotația (astfel încât vâr ful frunzei să fie orientat

Studiu bibliografic
8 vertical spre partea superioară a imaginii), conv ersia în graysca le (pentru că abordarea
propusă nu necesită informații privind culoarea (folosind metoda Otsu, având ca rezultat
imaginea binară), operații de deschidere (un număr de trei seturi succesive de operații de
deschidere constând în eroziuni și d ilatații pentru îndepărtarea găurilor care apar în
imaginea prelucrată din cauza zgomotului), thresholding (pentru a obține un fundal
negru), extragerea marginilor (obținerea marg inii frunzelor folosind algoritmul lui
Suzuki) și filtrarea marginilor (elimi narea contururil or mici care posedă o lungime relativ
mică comparativ cu cel mai mare contur). Din imaginea prelucrată, au fost extrase o serie
de caracteristici. S-au utilizat ur mătoarele caracteristici: convex hull , suprafaț ă și
perimetru l. Caracteristicile morfologice au inclus lungimea, lățimea, perimetrul și
suprafața frunzei. Primii doi parametri s -au determinat prin găsirea coordonat elor
minime și maxime de -a lungul axelor X și Y. Un alt tip de caracteristică folosi t de acest
studiu au fost hărțile de distanță (dist ance maps) , și anume hărțile verticale și orizontale
și harta radială centroidală . În primul caz, au fost trase linii pe imaginea segmentată.
Fiecare linie a const at din valori de coordonate minime și maxi me care au intersectat
frunza pe axa corespunzătoar e. Distanța dintre fiecare linie a fost estimată și stocată. În
cel de -al doilea caz, au fost calculate distanțele euclid iene între 16 puncte luate pe
bounding b ox și centroidul frunzei (punctul de intersecție al diagonalelor bounding box).
Histograma de culoare a fost, de asemenea, luată în considerare ca o caracteristică. Ăcesta
a fost calculată pentru o parte decupată a imaginii (o parte centrală, determinată utilizând
lungimea și lățimea box -ului). Decuparea a fost efectuat ă în detrimentul utilizării î ntregii
imagini, deoarece fu ndalul alb din jurul frunzei ar fi afectat histograma de culoare.
Precizia obținută a fost de 83,5%. acest lucru a fost în continuare îmbunătățit la 87,3%
prin utilizarea datelor dintr -o histogramă de culoare. Clasificarea a fos t făcută pe un
server și a folosit o aplicație mobilă pentru a prelua și clasific a imagini.
Trei tipuri de plante ( Pittos porum tobira, Betula pendula și Cercis sil iquastrum ) au
fost analizate de către [3] prin două abordări: un a bazată pe modelul Mo ment -Invariant
și unul bazat pe modelul Centroid -Radii. Ambele au implicat utilizarea tehnicilor de
modelare a formelor. În pri mul caz, patru momente centrale normalizate au fost studiate
în combinații diferite (individual, în spații de caracteristici 2D și 3D), pentru a obține
rezultate optime. În cel de -al doilea caz a folosit un detecto r de margine pentru extragerea
formei frun zelor. A fost construit un vector caracteristic care conține 36 de raze la o
separare unghiulară de 10 grad e. O combinație a acestor modele a fost testată pentru a
verifica dacă se poate obține o prec izie mai bună. Un set de date cu 180 de imagini (3 clase
de câte 60 de imagini fiecare) a fost utilizat pentru a instrui clasificatorii rețelei neuronale.
Ăcurateț ea de clasificare a fost cuprinsă între 90 -100%.
Rețelele neuronale artificiale au fost de asemenea utiliza te de către [6] pentru a
clasifica plante le. Ău fost colectate 534 frunze aparținând a 20 de specii. Trebuie remarcat
faptul că numai frunzele sănătoase și reprezentative care nu prezintă defecte au fost
colectate, deoarece sa pus accentul pe a avea pro be de înaltă calitate. Nu au f ost impuse
constrângeri de rezoluție sau orientare asupra imaginilor frunzelor. Au fost folos ite 400
de eșantioane de frunze pentru training a clasificatorilor. Cele 134 probe de testare au
obținut o acuratețe de recunoaștere de 92%. Un algoritm de procesa re a imaginii a fost
aplicat imaginilor, având ca scop extragerea frunzelor din fundal. Acest a a constat din

Studiu bibliografic
9 patru etape (conversia în grayscale, thresholding , binarizare și filtrare). O altă metodă
decât cea utilizată de alte lucrări de cercetare a fost u tilizată pentr u determinarea imaginii
în grayscale. Aceast a a fost obținută prin prelucrarea componentei de bandă albastră a
imaginii originale. Tehnica de prelucrare a imaginii a fost utilizată pentru a extrage
caracteristici le formei frunzelor: raportul de aspect (rap ortul dintre lățimea maximă și
lungimea axei principale), raportul lățim ilor (raportul dintre lățimea la jumătatea axei
majore și lățimea maximă), unghiul vârfului (unghiul la vârful dintre marginile frunzelor
și lățimea la trei sferturi din axa principală ), raportul unghiurilor vârfului (raportul dintre
unghiul făcut la vârf și lăți mea la 90% din axa principală și unghiul la 75% din axa
principală), unghiul de bază (unghiul dintre marginile frunzelor cu lățimea l a un sfert din
axa principală) , raportul dev iației centroidice, raportul momentelor (rap ortul dintre
abaterea pe axa Y și d eviația pe axa X din centroidul fru nzei) și circularitatea (raportul
între 4 x π x suprafața frunzei și perimetrul frunzei la pătrat) . Aceste caracteristici au fos t
date ca intr ări în rețeaua neuronală. Precizia de clasificare a fost obținută chiar fără a lua
în considerare tipurile de margini, nervuri și îndepărtarea pețiolului . S-a dezvoltat o
soluție software în care utilizatorul fur nizează imaginea frunzei ca in trare și neces ită doar
două click -uri pentru a returna un rezultat de clasificare.
Referința [7] a dezvoltat un sistem de recunoaștere a frunzelor de specii lemnoase
în Europa Centrală, bazat pe imagini. Un set de date nou, care conține 151 de specii, cu cel
puțin 50 d e frunze pe specie . S-a pus accent pe plantele lemn oase din Europa Centrală.
Mijlocie. Printre speciile incluse în setul de date au fost: Quercus frainetto, Alnus glutinosa,
Kerria japonica, Cornus mas, Elaganus a ngustifolia, Aesculus hippocastanum, Betul a
pendula, Acer campestre, Carpinus betulus, Syring a vulgaris, Ulmus levis . Acest set de date
conține specii de arbori și arbuști nativi sau cultivați. Ăchiziția de imagini a fost realizată
utilizând un s canner cu o rezoluție de 300 DPI. Imaginile au avut un fundal alb și au fost
stocate în format PNG. Ace astă lucrare avea o abordare mai complexă legată de setul de
date, deoarece a fost supervizată de botaniști , a oferit o abordare unică pentru frunzele
compuse și c onținea o cantitate adecvată de mostre de frunze de înaltă calitate. Pentru
prelucrarea imagi nilor au fost implicate următoarele operații: conversia în grayscale,
binarizarea (folosind metoda lui Otsu, cu o corecție manuală și extracția conturulu i
(folosind o metodă cu patru vecinătăți și păstrând doar cea mai lungă limită, în timp ce
altele ca si găurile, au fost considerate zgomot). Caracteristicile bazate pe conturul și
textura frunzelor au fost investigate. Ău fost testate două tipuri de carac teristici:
momentele de imagine si descriptorii Four ier. Clasificarea a fost realizată folosind un
clasificator de tip nearest neighborhood. A fost bazat pe descriptori Fourier normalizați
la translație, rotație, scalare și punctul de plecare al limitei. Î n plus, di mensiunea frunzei
a fost utilizată ca o ca racteristică separată, cu condiția să fie cunoscută . Accesul la
clasificatori a fost furnizat printr -o aplicație web.
Rețelele neuronale probabiliste (PNN) și tehnicile de prelucrare a imaginilor și
datel or au fost utilizate de către [8] pentru implementa rea unei soluții automa te de
recunoaștere a fr unzelor pentru clasificarea plantelor. Algoritmul de procesare a imaginii
a constat în următorii pași: conversia în grayscale, binarizarea, smoothing și fil trarea
utilizând un filtru Laplacian. Au fost calculat e 12 caracteristici mor fologice digitale, bazate
pe următoarele caracteristici geometrice de bază: diametrul, lungimea fiziologică, lățimea

Studiu bibliografic
10 fiziologică, suprafața frunzelor și perimetrul frunzei. Un vec tor de intrare cu 5 variabile
principale a fost dat PN N. Aceste variabile se bazează pe caracteristici de 12 frunze care
au fost extrase și ortogonalizate utilizând Principal Component Ănalysis. Training -ul a fost
efectuat pe 1800 de frunze aparținând 32 d e specii de plante. S -a obținut o precizie mai
mare de 90%. Ăceastă soluție a oferit o abordare prec isă a inteligenței artificiale pentru
clasificarea plantelor, care are ca avantaj un timp de execuție rapid și o implementare
ușoară.
Referința [9] a folosit tehnici de procesare a imaginilor și Gray Level C ooccurrence
Matrix și PCĂ pentru a clasifica imaginile care con țin frunze. GLCM și PCĂ au fost utilizate
pentru a extrage caracteristicile texturii frunzelor. Ăceș ti algoritmi au fost instruiți pe 390
de frunze aparținând a 13 specii de plante cu 65 de ima gini de frunze noi sau deformate.
Valori ale acurateții de 78% și 98% au fost obținute prin metoda GLCM, respectiv prin
metoda PCA.
O metodă bazată pe trăsăturile nervurilor, formei, culorii și texturii frunzei a fost
folosită de [10] Ăceastă lucrare a pro pus o abordare bazată pe momentele Zernike și alte
tipuri de caracteristici, cum ar fi parametrii geometrici, momentele de culoare și Gray
Level Co -Occurrence Matrix (GLCM) . Pentru clasificarea frunzelor au fost luate în
considerare două metode: una bazată pe măsurarea distanței și una bazată pe r ețele
neuronale probabilistice . Caracteristicile geometrice au inclus următoarele elemente:
raportul de aspect (rap ortul dintre lungimea pe axa mică și lungimea axei principale),
circul aritatea (raportul dintre sup rafața frunzei și perimetrul la pătrat), n eregularitatea
(raportul dintre razele celui mai mare cerc circumscris regiunii și celui mai mic cerc
înscris în regiune), caracteristicile nervurilor (definite ca raporturi între nume re de pixeli,
care fac parte d in nervura și suprafața frunzei), solidita te (raportul dintre suprafața
frunzei și suprafața corpului convex), convexitatea (raportul dintre perimetrul corpului
convex și perimetrul frunzei). Momentele de culoare au fost extra se din componentele
roșu, verd e și albastru ale imaginii frunzelor prin utilizarea unor calcule ale parametrilor
statistici (medie, deviație standard, kurtosis , ske wness). Din GLCM au fost extrase
următoarele caracteristici: energie, contrast, omogenitate, entropie și corelație.
Moment ele Zernike s -au bazat pe polinoamele Zern ike. Aceste polinoame sunt ortogonale
cu cercul unic. Au fost extrase 54 de caracteristici d iferite și au fost date ca intrări într -un
clasificator al rețelei probabilistice neuronale. Seturile de date Flavia și Fo liage au fost
folosite în scopuri de testa re. Precizia pe ambele seturi de date a fost de aproximativ 95%.
Utilizarea analizei compone ntelor principale ca metodă de selectare a caracteristicilor a
oferit o ușoară îmbunătățire a preciziei (de aproximativ 2% ).
Rețelele neuronale probabilistice au fo st, de asemenea, utilizate de [11] pentru
clasificarea frunzelo r mari și plate . Forma a fost extrasă utilizând câteva intrări date de
utilizator. Utilizator ul a selectat un punct de bază și un număr de puncte de r eferință pe
lama frunzei. Ă fost efectuată o rotație, astfel încât baza frunzei s ă fie în partea stângă a
imaginii și frunza a fost aliniată orizontal. Bazându -se pe acestea , s-a extras o imagine
binară. Din această imagine s -au extras câteva caracteristi ci (aria , perimetrul,
excentricitatea, lungimea axei minore, lungimea axei principale, diametrul echivalen t,
suprafața convexă). Un alt set de caracteristici se bazează pe un algoritm mai complex. S-
a feliat frunza pe axa principală, pe o direcție paralel ă cu axa minoră. După aceea, s -a făcut

Studiu bibliografic
11 o normalizare pe punctele caracteristice, având în vedere raportul dintre lungimea feliei
și lungimea axei principale a frunzelor. Setu l de date de training pen tru rețeaua
probabilistică neuronală a constat din 1200 d e probe din 30 de specii de plante. O tehnică
de validare de tipul ten -fold cross validation a fost utiliz ată de cadrul propus. Ă fost
obținută o precizie de 91,4%.
Sistemele pentru identificare plan telor dezvoltate de cercetătorii din domeniul
vizuinii ar tificiale au ajutat botaniștii să recunoască specii necunoscute într -un timp mult
mai scurt. Referința [12] a observat că nervurile sunt cele mai reprezentative
caracteri stici prin comparație cu forma conturului. De asemenea, s -a observat o
reprezentare pe mai multe niveluri a datelor legate de frunze, d emonstrând
transformarea ier arhică de la nivelurile joase la cele înalte de abstractizare ,
corespunzătoare claselor speci ei.
Un sistem automat pentru identificarea speciei plantelor poate ajuta botaniștii și
oamenii de rând să identifice rapid specia de plantă. Deep Learning oferă o soluție robustă
pentru extragerea caracteristicilor . Referința [13] propune o metodă bazată pe rețele
neuronale convoluționale (CNN), numită D -Leaf. Imaginile care conțin frunze a u fost
preprocesate, iar caracteristicile au fos t extrase utilizând 3 modele de tip CNN diferite,
bazate pe modelele preantrenate AlexNet, AlexNet ajustat și D-Leaf. Aceste caracteristici
au fost clasificate utilizând 5 tehnici de machine learning, și anum e: Support Vector
Machine, rețele neuronale, k -Nearest -Neighbo ur, Naive -Bayes și CNN. Pentru comparație,
s-a utilizat o metodă morfometric ă convențională, bazată pe nervurile segmentate cu
ajutorul unui filtru Sobel. Modelul D -Leaf a obținut o acuratețe d e 94.88%, comparabilă
cu valoarea obțin ută de mo delul AlexNet (93.26%) și ĂlexNet ajustat (95.54%) , Modelele
bazate pe CNN s -au comportat m ult mai bine decât modelul tradițional bazat pe
măsurători morfometrice (66.55%).
Transfer learning a fost utilizat de [14] pentru a id entifica specia plantelor pornind
de la imagini care conțin frunze . Metoda propusă a fost eva luată pe două seturi de dat e
botanice cunoscute. Setul Flavia conținea 32 de clase, iar setul Leafsnap conținea 184 de
clase. S -a obținut o acur atețe de 99.6% și 9 0.54%, respe ctiv. Rezultatul demonstrează că
în ciuda modificării semnificative a numărului d e clase din cele două seturi de date,
metoda propusă a avut o performanță bună și a obținut rezultate mai bune decât în
cazurile în care caracte ristici le au fost a lese manual.
O metodă bazată pe Deep Learning a fost propusă de [15] pentru identificarea
bolilor produse pe frunza bananelor. S-a utilizat o arhitectură bazată pe modelul LeNet ca
și rețea CNN pentru a clasifica imaginile deoa rece neces ită un algoritm de preprocesare
al imaginilor minimal . Modelul a fost dezvoltat pen tru identificarea a două boli cauzate de
fungi. S-a creat un set de date care conținea 3700 de imagini. S-au creat mai multe scenarii
pentru antrenare: 80%, 60%, 50%, 40%, 20% din setul de date. S -a obținut o acuratețe a
clasificării de 85 -98%.
Ultima gen erație de CNN a ob ținut rezultate impresionante în domeniul clasificării
imaginilor. Referința [16] propune un model de identificare a l bolilor la plante ba zat pe
deep learn ing. Ăcest model este capabil să recunoască 13 boli di ferite, dar și frunze
sănătoase și este capabil să distingă frunzele plantelor de fundal. Pentru antrenarea

Studiu bibliografic
12 modelului s -a utilizat framework -ul Caffee , dezvoltat d e Berkeley Vision and Learning
Center. Rezultatele experimentale au atins o acuratețe între 9 1 și 98% pentru clasele de
test.
Deep learning a fost utilizat de [17] pentru identificarea bolilor culturilor agricole.
S-a utilizat un set de date (setul Plant Village) care conținea 54306 imagini ale unor plante
sănătoase și bolnave, achiziționate în condiții standardizate, pentru a identifica 14 specii
și prezența sau absența a 26 de boli . Ca și arhitectură s -a utilizat ĂlexNet și Goo gleNet , iar
ca metode de antrenare s -au utilizat transfer learning ș i învățarea de la zero. S etul de date
a fost utilizat în culori RGB, grayscale sau a fost segmentat. Modelul antrenat a avut o
acuratețe de 99.35% pe setul de date de test.
Referința [18] propune o metodă de estimare al gradului de defoliere al arboril or
utilizând imagini luate la nivelul solului, cu camere RGB. Gradul de defoliere se determină
în urma unor campanii de teren , care sunt laborioase, scumpe, dureaz ă o perioadă lungă
de timp și necesită un număr mare de experți. Lucrarea propune estimarea g radu lui de
defoliere prin studiul imaginilor. Complexitatea acestei sarcini este dată de variațiile de
lumină, punctul de ach iziție al imaginilor, scară, specia de arbore și tipul de defoliere.
Aceste caracteristici nu au fost modelate manual. S -au utiliza t im agini etichetate manual
pentru antrenarea unui model de tip Deep Learning bazat pe rețele CNN. Modelul a fost
testat pe 3 seturi de date, având diferite nivele de dificultate, achiziționate în pădurile din
Elveția. S -a obținut o eroare medie absolută ( avgM AE) de 7.6% pe setul de date de
validare. Prin comparație cu un grup de experți care au realizat clasificarea manual pe
același set de date, modelul propus s -a comportat doar cu 0.9% mai slab.
Detecția și clasificarea tiparelor de defoliere cauzate de Chor istoneura occidentalis
în pădurile subalpine din vestul statului Oregon a fost realizată de [19] utilizând imagini
video achizițio nate la două altitudini diferite de către un avion ultra ușor și prin imagini
digitale achizi ționate de satelitul Landsat TM. Analiza texturii imaginilor video aeriene a
obținut o acuratețe de 78% prin comparație cu un stu diu făcut în teren în 21 de parcel e.
Imaginile satelitare au avut o acuratețe de 75% pentru 4 clase ale gradului de defoliere:
neatacat, slab, moderat, puternic . S-a utilizat un clasificator de tip k -means. O combinație
între analiza spectrală și a texturi i imag inilor aeriene poate oferi o metodă
complementară pentru studiile fotografice convenționale și studiile din teren pentru
evaluarea gradului de defoliere.
Referința [20] a utilizat imagini aeriene achiziționate de un scanner multispectral
pentru a c lasifica defolierile curente (înroșirea acelor) și defolierile cumulative (pierderea
acelor) ale unu i arboret mixt de pin si molid, cauzate de Choristoneura fumif erana . Benzile
spectrale, rapoartele și diferențele între benzi, și componentele principale deri vate din
benzi au fost analizate pentru utilitatea acestora în discriminarea condițiilor de defoli ere.
Clasificăr ile au fost făcute utilizând cele mai bune 2 – 9 benzi sau caracteristici derivate
din benzi. S-au clasificat trei nivele ale de folierilor curente: slab, puternic și sănătos.
Defolierile cumulative și suprafețele mixte din arboret au cauzat confuzii în clasificări.
Avantajele au fost mici pentru scenar iile în care s -au inclus mai mult de 4 benzi sau
caracteristici în clasificări.

Studiu bibliografic
13 Imagini multispectral e de rezoluție înaltă de tipul SPOT HRV au fost utilizate de [21]
pentru a clasifica defolierile produse de Lambdina fiscellaria fiscellaria asupra Abies
balsamea, în pădurile din Newfoundla nd. Opt clase de teren au fost defini te cu ajutorul
clasificării su pervizate, iar două erau definite pentru două nivele de defolie re:
moderat/sever ( >30%) și slab (<30%). Bazat pe testele din teren efectuate în următoru l
sezon de creștere, clasificarea a avut o acura tețe de cel puț in 90.6%. Comparațiile cu
hărțile aeriene realizate din elicopter de către personalul silvic specializ at din Canada au
confirmat rezultatele obținute.
Stresul biotic constă în pagubele provocat e plantelor de către alte organisme vii.
Controlul eficient al agenților biotici, cum ar fi dăunătorii și agenții patogeni (virusuri,
fungi, bacterii) este strâns le gat de conceptul de sustenabilitate agricolă. Utilizarea
viziunii artificiale împreună cu m etode de deep learning permite identificarea timpurie și
corectă a agenț ilor cauzatori de str es. Ăstfel, măsurile de corecție pot fi aplicate din timp,
diminuând efe ctele negative. Referința [22] și-a propus sa proiecteze un sistem eficient și
practic, cap abil să identifice și să estimeze severitatea stresului cauzat de agenți biotici
asupra frunzelor de cafea. Ăbordarea propusă constă dintr -un sistem multi -task bazat pe
rețele neuronale convoluționale. În plus, au fost explorate tehnici de augmentare a dat elor
pentru a face sistemul mai robust și mai precis. Rezultatele experimentelor efectuate cu
sistemul bazat pe arhitectura ResNet50 fost î n felul următor: acuratețe de 95.24% pentru
clasificarea stresului biotic și acuratețe de 86.51% pentru estimarea sev erității. În cazul
în care au fost clasificate doar simptomele, acuratețea a fost de peste 9 7%.

Analiză, proiectare , implementare
14 3 Ănaliză, proiectare, implementare
Acest proiect are ca obiectiv principal proiectarea și implementarea unei aplicații de
clasificare a imaginilor. Aceasta c onține două componente principale:
• Scripturi de procesare și clasificare a imaginilor (Python) ;
• Achiziția imaginilor utilizând camera web a dispozitivului ;
• Ăplicație web.
Schema generală a diagramei bl oc a aplicației este prezentată în Figur a 3.1. Ăplicația
web servește atât ca o conexiune între celelalte compone nte, cât și ca interfață de
utilizator, prin c are utilizatorul interacționează cu componentele menționate mai sus.
Utilizatorul trimite către aplicația web o imagi ne care conține frunza . Utilizatorul poate
achiziționa imagini cu ajutorul camerei web sau poate clasifica imaginea folosind
scripturile Python. Baza de date Microsoft SQL Server are ca funcție principală stocarea
datelor aplicației (și anume imagin i, date despre imagine și rezultate de clasificare).

Figura 3.1. Block diagram.
O descriere mai detaliată despre proiectarea și implementarea fiecărei componente
este prezentată în următoarele subcapitole. Informa țiile despre pr oiectare, tehnologii și
metodologii considerate, implementarea și testarea sun t prezentate în detaliu.
3.1 Prelucrarea și clasificarea imaginilor
3.1.1 Baza de date d e imagini
Scopul principal al acestei aplicații es te clasificarea frunzelor de gorun afectate de
insect defoliatoare și clasificarea frunzelor din trei specii de cvercinee care s e întâlnesc
frecvent în România. Cele trei cazuri de frunze de gorun atacate s unt: Frunze atacate de
Tortrix viridana , frunze at acate de Geometridae sp. și frunze atacate de Tortrix viridana și
de Geometridae sp. în același timp. Cele trei specii sunt stej arul comun ( Quercus robur ),
gorunul ( Quercus petraea ) și gârnița ( Quercus frainetto ). Deoarece nici setul de date
Flavia, nici s etul de date Plantscan nu conțin im agini aparținând tuturor celor trei specii
de stejar, s -a decis să se dezvolte o nouă bază de date de imagini care să acopere cerințele
aplicației.
Formatted: Romanian
Field Code Changed
Field Code Changed

Analiză, proiectare, implementare
15 3.1.1.1 Proveniența frunzelor
Au fost colectate mostre de pe teren din diferite l ocații din România. S -a decis
colectarea frunzelor aparținând aceleiaș i specii din diferite locații, pentru a evita
fenomenul de overfitting clasificatorilor dezvoltați la caracteristici le genet ice ale
arborilor dintr -o singură locație. Detaliile asupra or iginii frunzelor sunt prezentate în
Tabelul 3.1. S-a intenționat să se colecteze cel puțin 65 de frunze pentru fiecare din cele
6 clase (cel puțin 400 de frunze în total).
Tabelul 3.1. Detalii despre provenie nța frunzelor.
Nr. Direcția Silvic ă Ocolul Silvic Unitatea de Producție
1 Maramure ș Șomcuta Mare
2 Satu Mare Livada III Liva da
3 Satu Mare Satu Mare I Noroieni
4 Oradea Sfânta Maria I Boboștea

3.1.1.2 Caracteristicile frunzelor
Chiar dacă speciile consider ate de această cercetare apa rțin aceluiași gen (genul
Quercus) și sunt similare din punct de vedere morfologic, există mici dife rențe între ele.
Figura 3. 2. prezintă imagini reprezentative pentru fiecare din cele trei specii de stejar
considerate, în timp ce Tabelul 3.2. conține o prezentar e detaliată a unor diferențe
morfol ogice existente .

Figura 3.2. Frunze neatacate de cvercinee (de la stânga la dreapta: s tejar, gorun,
gârniță).
Tabelul 3.2. Caracteristicile frunzelor neatacate.
Stejar Gorun Gârniță
6-20 cm lungime 8-16 cm lungime 14-25 cm lungime până la 33 cm
Forme variabile (obovate
sau rombic -obovate) Rombic -obovate Eliptic -obovate
Lățimea maximă în
treimea superioară Lățimea maximă în j umătatea
superioară Lățimea maximă în jumătatea
superioară
Formatted Table
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Normal
Formatted: Romanian
Formatted: Romanian
Formatted: Romanian
Formatted: Caption, Centered, Indent: First line: 0"Field Code Changed
Formatted: Romanian
Formatted: Romanian
Formatted: Romanian
Formatted: Romanian
Formatted: Romanian
Formatted Table
Formatted: Romanian
Formatted: Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian

Analiză, proiectare, implementare
16 Stejar Gorun Gârniță
Vârf rotunjit Vârf îngust Vârf larg și scurt
Baza îngustă și auriculată De obicei, baza cuneată Baza auriculată
Pețiol scurt 1-2.5 cm pețiol Pețiol scurt sau sesile
4-8 perechi de lobi inegali,
asimetrici 5-8 (10) perechi de lobi
rotunjiți 6-10 perechi de lobi paraleli,
adesea împărțit e în sublobi

O remarcă importantă trebuie făcută. S -a încercat studiul celor trei specii de stejar
cele mai întâlnite în Româ nia. Cerul ( Quercus cerris ) ar fi trebuit să fie luat în considerare
în locul gârniței ( Quercus frainetto ), deoarece aceasta este a treia specie de stejar cea mai
comună în România, iar gârnita ocupă locul patru. Cu toate acestea, frunza acestei specii
este extrem de asemănătoare cu a gorunu lui ( Quercus petraea ), de aceea există o m are
probabilitate a creării de confuzii atunci cân d se încearcă clasificarea acestor frunze.
În acest proiect s -a decis identificarea efectelor produse de două specii de insecte
defoliatoare asupra gorunului: Tortrix viridana și Geometridae sp . Defolieril e sunt produse
de omizile acestor insecte (Figura 3 .3). Tabelul 3.3 prezintă cât eva caracteristici ale
atacului celor două specii de insecte.

Figura 3.3. Omidă de T ortrix vir idana (stânga) și omidă de Geometridae Sp.
(dreapta).

Formatted TableFormatted: Romanian
Formatted: Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Normal
Formatted: Romanian
Formatted: Font: Italic
Formatted: Font: Italic
Formatted: Romanian
Formatted: Romanian
Field Code Changed
Field Code Changed
Formatted: Romanian

Analiză, proiectare, implementare
17
Tabelul 3.3. Caracteristicile atacului .
Tortrix viridana Geometridae sp.
Ătacă toate speciile genului Quercus , dar
și carpenul, mesteac ănul, ulmul, teiul Ătacă steja rul, carpenul, mesteacănul, ulmul,
teiul, salcia , alunul, cornul, fagul
Larvele atacă muguri i Omizile pătrund în muguri pe car eîîrod
parțial sau total
Larva răsucește câte o frunză pe care o
atacă și în care se adăpostește Unele omizi îndoiesc frunzele în formă de
tub
Atacă în jurul nervurilor Atacă de la marginea limbului spre interior
Ătacă însoțit adesea de Geometridae sp. Ătacă însoțit adesea de Tortrix viridana

Figura 3. 4 prezintă forma atacului celor două insecte. Ătacurile au fost studiate
individu al, dar s -a luat în considerare și cazul atacului combinat, deoarece aceste specii
sunt active în perioade similare ale anului. Se poate remarca că Tortrix virdana atacă
frunzele în jurul nervurilor, în timp ce Geometridae sp. atacă frunzele de la marginea
limbului spre interior.

Figura 3.4. Frunze atacat e de gorun (de la stânga la dreapta: Totrix viridana,
Geometridae sp., atac combinat: Tortrix viridana și Geometridae sp.)

3.1.1.3 Achiziția de imagini și con stituirea seturilor de date
Procesul de achiziție de imagini s -a desfășurat pe durata a doi a ni, pe măsură ce
mostrele de frunze au fost colectate din teren . Deși s -a încercat achiziția imaginilor in
condiții cât mai standardizate, din cauza duratei de tim p în care au fost preluate i maginile,
nu s -au putut asigura condiții identice de achiziție de la un batch de imagini la altul. Au
Field Code Changed
Formatted Table
Formatted: Font: Italic
Formatted: Font: Not Bold
Formatted: Font: Italic
Formatted: Font: Italic
Formatted: Centered
Formatted: Font: Italic
Formatted: Font: Italic
Formatted: Romanian
Formatted: Romanian
Formatted: Caption, Centered, Indent: First line: 0"
Field Code Changed
Formatted: Romanian
Formatted: Romanian
Formatted: Romanian
Formatted: Romanian

Analiză, proiectare, implementare
18 existat două configurații de achiziție a imaginilo r, care vor fi descris e în paragrafele
următoare.
Prima configurație de achi ziție de imagini a respectat următoarele constrângeri:
• Poziția camerei: camera trebuie plasat ă direct deasupra frunzei
(perpendicular pe frunze), într -o poziție fixă (prin construcție în stand sau
trepied);
• Fundalul frunzei trebuie să fie alb, pentru a pe rmite o izolare ușoară a
frunzei;
• Rezoluți a imaginii: 720 x 57 6 px;
• Format imagine: Bitmap (B MP), deoarece acest format nu prezintă pierderi
de informații dat orate comprimării.
Un stand de laborator a fost construită pentru a îndeplini aceste specificații.
Camera este fixată în poziția necesară datorită caracteristic ilor de construcție ale
standul ui. Fundalul alb pentru frunze a fost furnizat de un contur speci al conceput.
Imaginile au fost obținute utilizând o aplicație LabVIEW specializată în acest scop . Stația
de achiziție a imaginii de laborator utilizată pentru a obține baza de date a imaginil or este
prezentată în Figura 3. 5.

Figura 3.5. Standul de laborator pentru achiziția imaginilor pentru baza de da te.
Schema concepută pentru a furniza un fundal alb pentru frunză este prezentată în
Figura 3. 6. Dreptunghiul mare are scopul de a izola frunza de alte obiec te care ar putea
interfera în fundal. Algoritmul de procesare a imaginii este proiectat pentru a e xtrage
obiectul frunzelor din acel dreptunghi. Gradațiile (atât pe axa orizontală cât și pe cea
verticală) nu servesc un scop funcțional sau aplicația curentă , deoarece dimensiunile
metrice nu sunt utilizate de aplicație. Cu toate acestea, reutilizarea baz ei de date a fost
considerată ca o caracteristică importantă în procesul de proiectare. Prin ur mare, permite
ca imaginile să fie utilizate de aplicațiile care necesită dimensiuni metrice ale frunzelor.
Unitatea de măsură utilizată de scală este centimetrul, în timp ce conturul este conceput
pentru a fi imprimat pe un format de hârtie A4. Conturul ne gru al figurii nu face parte din
conturul real, evidențiind doa r marginile hârtiei A4.
Field Code Changed
Formatted: Romanian
Formatted: Font: Cambria, Romanian
Formatted: Romanian

Analiză, proiectare, implementare
19
Figura 3.6. Fundalul imagi nilor achiziționate.
Ă doua configurație pentru achiziția imaginilor este similară cu prima c onfigurație,
diferențele fiind următoarele:
• Rezoluția imaginii: 2880 x 2304 px;
• Format imagine: JPG.
Baza de date conține câte 67 de imagini pentru fiecare clasă ( 402 imagini în total).
Pe baza acestor imagini, au fost create două seturi de date: un ul pent ru training -ul
clasificatorului și un ul pentru validarea clasif icatorului . Setul de date de training conține
80% din imagini, iar setul de validare conține 20% din imagini.

Field Code Changed
Formatted: Romanian

Analiză, proiectare, implementare
20 3.1.2 Algoritmul de procesare al imaginilor
3.1.2.1 Tehnologi i utilizate
Algoritmul de p rocesare al imaginilor a fost implementat în Python 3.7.4 deoarece
oferă o multitudine de biblioteci care facilitează procesarea imaginilor (Tensor flow,
Image, num py, glob). Ăspectele teoretice și practice legate de fiecare operațiune
implementată de algor itm sunt date în următoarele două secțiuni.

3.1.2.2 Etapele proc esării imagini lor
Pentru a pregăti imaginile obținute în subcapitolul anterior în scopul a ntrenării
clasif icatorului, a fost neces ară parcurgerea mai multor operații . Ăceste operații sunt
descrise în paragrafele acestei secțiuni .
• Normalizarea imaginilor;
• Aplicarea de zg omot;
• Distorsionarea imaginilor.
Deoarece procesul de achiziție de imagini s -a desfășurat pe durata a doi ani, pe
măsură ce mostrele de frunze au fost colectate din teren, nu a fost pos ibilă achiziționarea
tuturor imaginilor la o rezoluție unitară. Unele i magini au avut o rezoluție de 720 x 576
px, pe când altele au avut o rezoluț ie de 2880 x 230 4 px. Pentru normalizarea imaginilor
la rezoluția de 2880 x 2304 px și format JPG , s-a utlizat o rețea neuronală de tip Gen erative
Adversarial Network (GAN).
S-a decis utilizarea unei rețele preantrenate, după arhitectura propusă de [23] .
Ăceastă rețea urmează modelul Residual in Residual Dense Block (RRDB). Diagrama
modelului este prezentată în Fi gura 3.7.

Figura 3.7. Modelul Residual in Residual Dense Block [23] .
Imaginile aparținând unei clase au fost puse într -un folder sep arat. Pentru fiecare
clasă, s -a apelat mode lul descris în paragraful anterior pentru a crește rezoluția
imaginilor . Secvența de cod care descrie acest comportam ent este prezent ată în Figura
3.8.
Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian
Field Code Changed

Analiză, proiectare, implementare
21
Figura 3.8. Creșterea r ezoluției imaginilor utilizâ nd GAN.

Următoarea etapă a algoritmului de procesare al ima ginilor s-a referit la adăugarea
de zgomot în imaginile exi stente, pentru a spori rezistența modelului la Ădversarial
Attacks. Prin această procedură, s -a dublat număru l de imagini din baza de dat e, fiecare
imagine fiind dublată de o imagine asupra căreia s-a adău gat zgomot. Tipul de z gomot a
fost de tip Zero Mean Gaussian. Figur a 3.9 prezintă secvența de cod care generează acest
tip de zgomot și o aplică asupra imaginil or.

Figura 3.9. Zero Mean Gaussian noise.
Rezultatul final al algoritmului de procesare al imagin ilor îl r eprezintă baza de date
de imagini pentru antrenarea și validarea clasificatorului. Ăceasta conține c âte 134 de
imagini pentru fiecare clasă ( 804 imagini în total). Pe baza acestor imagi ni, au fost create
două seturi de date: unul pentru training -ul clasificatorul ui și unul pentru validarea
clasificatorului. Setul de date de training conține 80% din imagi ni, iar setul de validare
conține 20% din imagini.
În timpul procesului de antrenare, rezultatele pot fi îmbunătățite dacă imaginile
sunt trecute p rintr -un proces de distorsionare care include operații simple, cum ar fi
decupare , scalare și rotire . Aceste operații reflectă tipul de variații așteptate în lumea
reală și pot facilita procesul de antrenare, modelul fiind capabil să proceseze imaginile
reale într -un mod eficient.
Decuparea se realizează prin plasarea unui chenar dreptunghiular ( boundin g box )
la o poziție aleatoare în im aginea inițială. Dimensiunea bounding box -ului relativ la
dimensiunea imaginii inițiale este controlată printr -un paramet ru. Dacă valoare a acestui
Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian
Formatted: Romanian
Formatted: Romanian
Field Code ChangedField Code Changed
Formatted: Romanian

Analiză, pr oiectare, implementare
22 parametru este zero, atunci bounding box -ul are o dimensiune identică cu i maginea
inițială și nu se realizeaz ă decuparea . Dacă valoarea este 50% , atunci dimensiunea va fi
jumătate din valoarea lățimii și înălțimii imaginii inițial e.
Scalarea este o operațiune similară cu decuparea , diferența fiind că bounding box –
ul este tot timpu l centrat și dimensiunea acestuia variază aleator în intervalul dat. dacă
valoarea procentaju lui de scalare este ze ro, atunci bounding box -ul are o dimens iune
identică cu imaginea inițială și nu se realizează scalarea. Dacă valoarea este 50% , atunci
dimensiunea va lua o valoare aleatoare, maximul fiind jumătate din valoarea lățimii și
înălțimii im aginii inițiale.
Ăceste operații sunt aplica te asupra imagini lor utilizând se cvența de cod prezentată
în Figura 3. 10. Semnificația parametrilor utilizați este următoarea:
• flip_left_right – valoare booleană care determină dacă se realizează imaginea
în ogl inda, în plan orizontal;
• random_crop – procentajul utilizat pe ntru operația de decupare ;
• random_scale – procentajul utilizat pentru operația de scalare;
• random_brightness – valoare întreagă cu car e se multiplică aleator valoarea
pixelilor.

Figura 3.10. Distorsionarea imaginilor.

Field Code Changed
Formatted: Romanian
Formatted: Font: Not Italic, Font color: Auto

Analiză, proiectare, implementare
23 3.1.3 Clasificarea imaginilor
3.1.3.1 Tehnologii utilizate
Pentru clasificarea imaginilor , a fost implementat un clasificator utilizând Python
3.7.4. Pentru antrenarea și validar ea clasificatorul ui a fost utilizată biblioteca Tensorflow.
Pentru vizualizarea rezultatelor a fost utilizat TensorBoard. Ca și IDE, a fo st utiliz at
Pycharm Communit y Edition 2019.3.3. Aspectele teoretice și pract ice legate de fiecare
operațiune implementată de algoritm su nt date în următoarele trei secțiuni.

3.1.3.2 Arhitectura
Datorită co mplexității clas ificării efectelor insectelor defoliatoare, s -a decis
utilizarea unei arhitecturi de tip Deep Learning. Pentru simpla identificare a speciei de
cvercinee ar fi fost suficientă o rețea neuronală mult mai simplă (de exemplu, Feed
Forward Netw ork cu 2 stratur i), dar complexitatea sarcinii face imposibilă obținerea unor
rezultate bune utilizând arhite cturi simple. De aceea, s-a decis utilizarea unei arhitecturi
de tip Deep Learning, bazat pe modelul convoluțional Inception v3.
Inception v3 este un model realiza t de Google . Arhitectura modelului este
prezentată în Figura 3. 11. A fost antrenat utilizând un set de date care con ținea 1000 de
clase din baza de date ImageNet, care conținea peste 1 milion de imagini [24] . Rețele
neuronale convoluționale sunt un tip de r ețele neuronale de tip Deep Learning. Aceste
tipuri de reț ele s unt folosite în viziune a artificială și sunt mult mai performante decât
rețele clasice, dar există un compromis î ntre timpul de antrenare și acurat ețea acestor
rețele.

Figura 3.11. Arhitectura modelului Inc eption v3 [24] .

Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian
Field Code Changed
Formatted: Romanian

Analiză, proiectare, implementare
24 3.1.3.3 Training și validare
Transfer learning permite reantrenarea ultimului strat al unui model existent , având
ca rezulta t nu doar o scădere semnificativă a timpului de antrenare, dar și a mărimii
setului de date n ecesar. Unul dintre model ele care poate fi utilizat pentru transfer learning
este Inception v3. După cum s -a menționat în paragraful anterior, ac est model a fost
antrenat pe 1 milion de imagini aparținând a 1000 de clase, folosind dispozitive puternice.
Abilitatea de a reantrena u ltimul strat înseamnă că este posibilă păstrarea cunoștințel or
pe care modelul le -a învățat în timpul antrenării inițial e și le poate apli ca pe un set de date
mai mic, rezultând clasificări foarte precise fără a fi nevoie de antren ări lungi și de putere
de calcul mare. Figura 3. 12 prezintă conceptul de transfer learning pentru modelul
Inception v3. S-a dorit reantrenarea m odelului pentru a p utea clasifica următoarele
scenarii:
• Stejar neatacat;
• Gorun neatacat;
• Gârniță neatacată;
• Goru n atacat de Tortrix viri dana ;
• Gorun atacat de Geometridae sp .;
• Gorun atacat de Tortrix viridana și Geometridae sp.

Figura 3.12. Transfer learning.
Reantrenarea ultimului strat al modelului pentru a recunoaș te noile clase a necesit at
introducerea unui strat de tip softmax fully -connected (Figura 3. 13). Parametrii de intrare
ai metodei sunt: class_c oun t (numărul de cla se noi), final_tensor_name (numele ultimului
nod al grafului , care produce rezultatele), bott leneck_tensor (ieșirea grafului rețelei
neuronale convoluționale prin cipale), bottleneck_input și ground_truth_input . Parametrii
de ieșire sunt tensorii pentru rez ultatele antrenăr ii și al calcului cross -entropy. Funcția
implementată de acest strat este de tipul logits = W * x + b, unde W reprezintă weights, b
reprezintă biases , iar x reprezintă bottleneck_input. Ca și funcție de performanță s-a
Field Code Changed
Field Code Changed

Analiză, proiectare, implementare
25 utilizat cross en tropy . Algoritmul de optimizare a fost Gradient Descent Optimization
(utilizând un learning r ate de 0.01) , având ca scop minimizarea funcției de performanță .

Figura 3.13. Funcția pentru rean trenarea ultimul ui strat al modelului.
În urma procesului de antrenare rezultă g raful modelului, bazat pe arhitectura
descrisă în secțiunea anterioară . Graful poate fi vizualizat utlizând TensorBoard (Figura
3.14). Partea sângă inferioară a grafului este r esponsabilă de i ncărcarea imaginilor inițiale
și convertirea lor într -un format compatibil cu intrarea corespunzătoare primului st rat
convoluț ional (un scalar de dimensiunea 1 x 229 x 229 x 3). În conti nuare sunt redate
straturile rețelei (convoluțio nale, max pool, mixed, softmax). În partea dreaptă inferioară
a grafului este redat ultimul strat (descris î n parag raful anterior), sub forma nodurilor
final_training_ops, cross_entropy, train, accuracy.
Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian

Analiză, proiectare, implementare
26
Figura 3.14. Graful mode lului.
Rețelele neuronale sunt instrumente potrivite pentru clasificarea imaginilor,
deoarece acestea pot generali za dintr -un set relativ mic de date de training și îl pot aplica
unui alt set de date. Cu toate acestea, în majoritatea cazurilor din viața re ală, datele
modelate sunt corupte de zgomot. Ăcest lucru face necesară de terminarea parametri lor
rețelei în așa fe l încât să aproximeze datele cu o precizie ridicată, fără a modela, de
asemenea, zgomotul, un fenomen cunoscut și sub de numire a de overfitting , ceea ce duce
la un model de performanță scăzută.
Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian

Analiză, proiectare, implementare
27 Pentru validarea clasi ficatorului s -a deci s să se varieze număr ul de imagini
utilizate pentru antrenare. Dimensiunea setului de date a fost variantă după cum
urmează: 20%, 40%, 60%, 8 0% din numărul de imag ini din baza de date, în timp ce setul
de date de validare a conținut restul imaginilor. S-a obținut o a curatețe a clasificării de
88.7% – 98.3% (în funcți e de dimensiunea setului de date de antrenare). Tabelul 3. 4
prezintă în detal iu rezultatele obținute pentru fiecare scenariu.
Tabelul 3.4. Validarea clasificatorului. .
Nr. Date de antrenare [%] Date de validare [%] Acurate țea pe setul de
date de validare [%]
1 20 80 88.7
2 40 60 91.7
3 60 40 94,9
4 80 20 98.3

Pentru a preveni feno menul de overfitting , s-a decis oprirea antrenării modelului în
momentul în care acu ratețea a cestuia asupra setului de date de validare staționează în
jurul unei valori. S-a luat în considerare scenariul în care sunt utilizate 80% din date
pentru antr enare . În cazul de față, această valoare se atinge după 800 de epoci, moment
în care acur atețea mo delului pe setul de date de validare este de 98.3%, iar acuratețea pe
setul de date de antrenare este de 99.7% (Figura 3. 15). Valoarea funcției de performanță
(cro ss – entropy) pe setul de date de validare este de 0 .1839, iar pe setul de date de
antrenare este de 0.1383 (Figura 3. 16).

Figura 3.15. Acuratețea mod elului (axa orizontală – numărul de ep oci; axa vertica lă
– valoarea acurateții; portocaliu – training; albastru – validare).
Field Code Changed
Formatted Table
Formatted: RomanianFormatted: Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Font: Not Bold
Formatted: Font: Not Bold, Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Font: Not Bold
Formatted: Font: Not Bold, Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Font: Not Bold
Formatted: Font: Not Bold, Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Font: Not Bold
Formatted: Font: Not Bold, Romanian
Formatted: Font: (Default) Cambria, 12 pt, Do not
check spelling or grammar
Formatted: Indent: First line: 0"
Formatted: Normal, Left
Formatted: Normal
Formatted: No bullets or numbering
Formatted: Romanian
Formatted: Romanian
Formatted: Caption, Centered
Field Code Changed
Formatted: Romanian

Analiză, proiectare, implementare
28
Figura 3.16. Funcția de performanță (axa orizontală – numărul de epoci; axa
verti cală – valoarea acurateții; portocaliu – training; alb astru – validare).
Ăcuratețea clasificării este comparabilă cu lucrările existente care au fo st prezentate
în capitolul Studiu bibliografic. Ăcuratețea înaltă de clasificare confirmă capacitățile
clasif icatorului. Furnizarea unui set mai ma re de date de tr aining ar putea îmbunătăți
acuratețea.

3.1.3.4 Script pentru clasificarea imaginilor
În u rma procesu lui de training rezultă un fiș ier în format .pb, care conține graful
modelului. Ăcest fișier poate fi utiliza t de diferite framework -uri pentru a c lasifica imagini
noi. Datorită lipsei de complexitate, s -a decis implementarea unui script Python pentru
clasificarea imaginilor.
Principalele funcții ale scriptului prezentat în Figura 3. 17 sunt:
• Încărcarea imaginii ;
• Încărcarea fișierului care conține etichetele claselor (labels;
retrained_labe ls.txt);
• Încărcarea grafului ( retrained _graph.pb );
• Apelarea operației de predicție (utilizând un TensforFl ow Session) ;
• Returnarea rezult atului predi cției (câte un procent pentru fiecare label) .
Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian

Analiză, proiectare, implementare
29
Figura 3.17. Script pentru clasificarea imaginilor.
Avantajul utilizării limbajului Python pentru implementarea acestei funcționalități
îl reprezint ă posibilitatea apelării scriptului direct din Command Line, ceea ce facilitează
integrarea în aplicația web . În acest scop, s -a implementat un scr ipt batch (Figur a 3.18),
care conține calea căt re script -ul Python și calea către imaginea care va fi clasifi cată.

Figura 3.18. Script batch.
Prin executarea scr iptului batch a fost obținut rezultatul predicției . Ăcesta conține o
listă de valori aferente re zultatului cl asificării pentru cele 6 clase, ordonate în ordine
descrescătoare. Suma acestor valor i este 1. Un exemplu e ste redat în Figura 3. 19.

Figura 3.19. Rezultatul predicției.

Formatted: Romanian
Field Code ChangedFormatted: Romanian
Formatted: Romanian
Field Code Changed
Formatted: Romanian
Formatted: Romanian
Field Code Changed
Formatted: Romanian

Ana liză, proiectare, implementare
30 3.2 Aplicația web
3.2.1 Tehnologii utilizate
Datorită cerințelor funcționale complexe ale proiectul ui în ansamblul său, s -a de cis
implementare a aplicației web folosind tehnologia .NET deoarece integrează framework –
uri put ernice potrivi te atât pentru părțile frontend și backend, cât și pentru Object
Relational Mapping și pentru a apela script-urile Python .
Prin urmare, o serie de framework -uri / tehnologii au fost alese pentru a dezvolta
aplicația web. O listă extinsă de t ehnologii și d e framework -uri utiliza te este dată în
Tabelul 3. 5.
Tabelul 3.5. Lista tehnologiilor utilizate de aplicația web.
Tehnologie Utili zare
ASP.NET Backend -ul aplicației web
Entity Framework Object Relational Mapping și inițializarea tabelelo r din baza de date
Razor View Engine
Frontend -ul aplicației web HTML5
JavaScript
jQuery
Webcam.js
.NET Framework Fun cționalități specific e (clasificarea imaginilor utilizând Python )

3.2.2 Arhitectura
Două concepte de arhitectură software au fost util izate în implementarea aplicației
curente:
• Three – layer architecture;
• Mode l – View – ViewModel (MVVM).
Conceptul de arhitectură pe trei straturi e ste o arhitectur ă client -server care
implementează o separare fi zică între trei componente ale aplicației: Data Access Layer,
Busine ss Layer și Application Layer . În general, această arhitectură este denumită
arhitectură în trei niveluri. O observație impo rtantă trebuie f ăcută: în general, termenul
"nivel" este folosi t atunci când se descrie un sistem distribuit. Întrucât întreaga
arhitectură este implementată într -o singură soluție, s ituată pe un singur terminal, este
mai riguros să se refere la acest conc ept de arhitectu ră software ca "Trei straturi".
Diagrama este p rezentată în Figura 3. 20.

Figura 3.20. Arhitectura în trei straturi.

Formatted Table …Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted Table …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Formatted …
Field Code Changed …
Formatted …
Formatted …
Formatted …

Analiză, proiectare, implementare
31 Ărhitectura MVVM se bazează pe separarea celor trei componente din denumi rea sa
(Model, V iew, ViewModel). Se oferă o definiție scurtă a fiecărei componente. În abordarea
implementată de acest proiect, modelul se referă la nivelul de acces la date (concept ce
urmează a fi definit în paragraful următor), reprezentând conținutul ( într-o abordare
centrată pe date). View -ul este reprezentat de interfața cu utilizatorul (UI). ViewModel -ul
este o reprezentare abstractă a View -ului și al proprietăților sale, și servește ca o
conexiune între partea de frontend și partea de backend. Figur a 3.21 prezintă o diagramă
bloc a conceptului arhitectural MVVM . O remarcă importantă trebuie făcută : în timp ce
arhitectura MVVM ar putea fi considerată specifică aplicațiilor WPF și arhitectura Model
– View – Controller (MVC) este mai specifică pentru ap licațiile web ĂS P.NET, arhitectura
MVC nu definește corect func ționalitatea aplicației dezvoltate. În ace astă aplicație,
modelul se referă la nivelul de acces la date, de aceea nu direct de la View c ătre Controller ,
ca în cazul arhitecturii MVC. În acest c az, o componentă diferită este utilizată de Controller
pentru a comunica cu View -urile : ViewModel. ViewMo del-ul este un obiect mai complex,
care este în continuare descompus de către Business Layer pentru a obține Modelul.

Figura 3.21. Arhitectura MVVM.

Pe baza acest or concepte de arhitectură software, soluția OakLeafAnalysis a fost
dezvoltată în Visual Studio 201 9. Este compusă din patru componente: DataLayer,
BusinessLayer, TensorFlowImageClassification și OakLeafAnalys is. Conexiunile lor
sunt prezentate în Figura 3. 22. Aceste compo nente sunt reprezentate cu dr eptunghi
rotunjite cu chenare negre. Se poate observa că există și patru componente reprezen tate
cu dreptunghi rotunjite cu margini albastre. Acest e componente nu fac parte din soluția
Visual Studio. Cu toate acestea, soluția co munică cu acestea. Component a DataLayer
efectuează operații într -o bază de date găzduită de Microsof t SQL Server. Compon enta
TensorFlowImageClassification apelează la script -urile Python prez entate anterior
pentru procesarea și clasificarea imaginilor . Divizarea conceptulu i Business Layer în două
a fost făcută în scopul modularității și mentenabilității. Deși o singură componentă ar fi
fost suficient pentru scopuri funcționale, testarea fiecăr ei funcționalități ar fi fost mai
dificilă decât în abordarea propusă de impleme ntare. Mai mult, această abordare
stimulează reutilizarea codului, deoarece cele două proiecte separate pot fi folosite de
diferite aplicații ca biblioteci de referință, în l oc să fie necesară o referire la întregul strat.
Proiectul OakLeafAnalysis reprezintă impleme ntarea Applic ation Layer -ului , oferind
interfața cu utilizator ul și conexiunea la Business Layer. Mai multe d etalii despre
implementarea fiecărei c omponente sunt p rezentate în secțiunea Detalii de implementare
a acestui subcapitol.

Analiză, proiectare, implementare
32
Figura 3.22. Comp onentele aplicației.

3.2.3 Descrierea bazei de date
Baza de date a fos t creată pe o instanță Microsoft SQL Se rver 201 9. Din m oment ce
tabelele sale au fost create folosind Entity Framework Code First Approa ch în timpul
proiectării aplicațiilor web, numai crearea bazei de date a fost făcută prin rularea unei
comenzi în Micros oft SQL Server Management Studio 1 8. Qu ery-ul es te disp onibil în
Figura 3. 23. Ăceastă comandă creează o bază de date goală numită OakLea fAnalysis pe
instanța Microsoft SQL Server instalată.

Figura 3.23. Com anda pentru crearea bazei de date.
Două tabele sunt in cluse în schema bazei de date pentru această aplicație: Im și Rs
(Figura 3. 24). Scopul lor es te de a stoca datele rezultate din utilizarea aplicației, asigurând
astfel persistența datelor. Coloanele și tipurile de date utilizate pentru fiecare tabelă sunt
prezentate mai jos. Mai mult, sunt furnizate informații despre cheile primare și
constrângeri le bazei de date cu privire la tipurile de date .

Analiză, proiectare, implementare
33 • Im – conține informații legate de Image Model din Data Ăcce ss Layer. Conține
următoarele coloan e:
o Im: GUID (uni queidentifier, not null) – Primary Key;
o Provenance: nvarchar, null;
o Date: datetime, null;
o ByteArray: varbinary, null;
o Rs: GUID (uniqueidentifier, not null);
o FromRaspi: int, null.
• Rs – conține informații l egate de Result Mo del din Data Acces s Layer. Conține
următoarele coloane:
o Rs: GUID (uniqueidentifier, not null) – Primary Key;
o Species: nvarchar, null;
o Def1: nvarchar, null;
o Def2: nvarchar, null;
o DefDeg: float, null.

Figura 3.24. Diagrama baz ei de date.

Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian

Analiză, proiectare, implementare
34 3.2.4 Diagrame UML
3.2.4.1 Use case Diagram
Ăplicația a fost concepută pentru a avea 6 funcții princip ale, prezentate de Use case
Diagram (Figura 3. 25). Acestea au fost implementate ca viziuni separate în aplicația web.
Fiecare caz de utilizare este descris mai jos .
• Ăchiziționarea imaginii cu camera web : utilizatorul ar trebui să poată utiliza
camera web a sistemului pentru a achiziționa o imagine și a o încărca în
aplicație.
• Ădăugarea imaginii din Local Storage: aplicația trebuie să asigure aceeași
funcționalitate ca și înainte, pentru imaginea stocată pe hard disk;
• Clasificare imagine: oferă acces la cla sificatorul Python și afișează rezultatele
clasificării într -un View separat pentru imaginea luată în considerare;
• Editare detalii imagine: oferă po sibilitatea edit ării manual e a informațiilor
legate de imaginea selectată, cum ar fi proveniența, data de pr elevare sau
rezultatele clasificării;
• Ștergere imagine: utilizatorul poat e șterge o imagine din sistem, împreună cu
rezu ltatele stocate;
• Vizualizare imagini: în pag ina principală a aplicației este afișat un tabel care
conține toate datele din sistem.

Figura 3.25. Use case Diagram.

Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian

Analiză, proiectare, implementare
35 3.2.4.2 Class Diagram
Pentru fiecare dintre cele patru proiecte incluse în sol uție, a fost gen erată o
diagramă de clase în Visual Studio. Pentru a genera diagram a de clasă pentru un pro iect
existent, trebuie inst alată componenta Class Diagram . Deoarece diagramele sunt mari,
fiecare diagramă va fi descris ă pe această pagină, în timp ce figurile asociate se găsesc în
paginile următoare.
Proiectul Data Layer (Figura 3. 26) implementează log ica legată de operațiile CRUD
(Create, Read, Update, Delete) și oferă o conexiune pentru proiectul Business Layer.
Proie ctul conține clasele Model (Image, Result), Re pository -urile asociate
(ImageRepository și ResultRepository), care implementează operații le CRUD și Context
(LeafContext), prin care se efectuează aceste operații. Ăcesta conține, de asemenea, o clasă
Batch , responsabil pentru migrații. Clasa a fost folos ită numai în timpul proiectării bazei
de date și nu este utilizat ă în mod activ de către a plicație.
Diagrama de clasă asociată proiectului Business Layer este prezentată în Figura
3.27. Ăcest proiect conține m ajoritatea logicii aplicației. Acesta este resp onsabil cu
operațiunile pe ViewModels (ImageViewModel și ImageResultViewModel).
Funcțion alitățile sale pot fi rezumate pe scurt ca asamblarea (pentru Application Layer )
și dezasamblar ea (pentru Data Access La yer) a ViewModels. Acest lucru este efectuat de
clasa ControllerLogic , care este conectată cu controlerul din Application Layer și cu
Reposi tory -urile din Data Access Layer . O clasă suplimentară (ImageConversion)
implementează operații specifice imaginilor (conversie în și din Bitmap , salvare a în
fișie r).
Un alt proie ct este inclus în Business Layer: TensorFlowImageClassification (Figura
3.28). Acest proiect este responsabil de clasificarea imaginilor și interpretarea
rezultatelor clasificării. Principala funcție a acestui proiect este a pelarea unui scr ipt batch,
care la rândul său apelează un script Python pentru clasificarea imaginii pr imite ca și
intrare. Rezultatul clasificării este interpretat într -un format user friendly și este trimis
către aplicați a web.
Application Layer este con ținut în proiect ul OakLeafAnalysis (Figura 3. 29). Clasa cea
mai importantă a acestui proiect o reprezi ntă Controller -ul (ImagesController). În această
clasă sunt incluse acțiunile controlerului (acțiuni HTTP GET și POST). De asemenea, acest
proiect conțin e clasa care este utilizată pentru pentru a porni aplicația (MvcĂpplication)
și clasele de configurare pentru link-uri (RouteConfig), bundles (BundleConfig) și fișiere
(FileConfig). Este important să nu se facă o confuzie între denumirea clasei starter și a
arhitecturii implementate (MVVM). Arhi tectura MVVM este implementată prin
modificarea unui șablon d e aplicație MVC care folosește unele biblioteci MVC, de aici
denumirea acelei clase.

Analiză, proiectare, implementare
36
Figura 3.26. Figure 3.31. Diagrama de clase pentru Data Access Laye r Class Diagram .
Formatted: Caption, LeftFormatted: Justified

Analiză, proiectare, impleme ntare
37
Figura 3.27. Diagrama de clase pentru Business Layer.

Figura 3.28. Diagr ama de clase pentru TensorFlowImageClassification .
Field Code Changed
Field Code ChangedFormatted: Romanian
Field Code Changed
Field Code Changed
Formatted: Romanian
Formatted: Romanian

Analiză, proiectare, implementare
38
Figura 3.29Figure 3.35. Diagrama de clase pentru OakLeaf Analysis Leaf E xaminer
Application Layer Class. Diagram .
Formatted: Caption, Left, Don't keep with nextFormatted: Justified

Analiză, proiectare, implementare
39 3.2.4.3 Sequence Diagram
Diagramele de secvență ale celor mai com plexe use case -uri (achiziția imagi nilor și
clasifi carea imaginilor) sunt prezentate în Figura 3. 30. Diagrama prezintă secvența în care
sunt apelate metodele aplicației pentru a realiza use case -ul. Restul use case -urile sunt
reprezentări simplificate ale scenariului de achiziție a imaginii , singura difere nță fiind
eliminarea componentelor ImageConversion și PythonProcess din logică și redenumirea
metodelor executate în Repository și Context, pentru a se potrivi cu operația CRUD dorită.

Figura 3.30. Sequence diagram (partea superioară – achiziția imaginilor; partea
inferioară- clasificarea imaginilor).

Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian

Analiză, proiectare, implementare
40 3.2.5 User Interface
După cum s -a menționat anterior, pentru fiecare use case a fost implementat un
View se parat . Prin urmare, au fost proiectat e cinci interfeț e utilizator. Elementul comun
în aceste interfețe este bara de meniu din parte a superioară, c are permite navigarea către
pagina principală și funcțiile de încărcare a imaginilor.
Index View (Figura 3. 31) servește ca pagină principală a apl icației. Ăcesta conține
un tabel care prezintă informații despre fiecare intrare stocată în baza d e date a
sistemului. Datele prezentate conțin următoarele field -uri: Provenance, Date, Imaginea
însăși, Speci es (rezulta tă din clasificare sau prin editarea m anuală), informa ții despre
defoliatorii (field -urile Defoliator1 , Defoliator2 rezultate din clasif icare sau p rin editarea
manuală) și legături către alte acțiuni ( Clas sify, Edit și Delete). Înregistrările sunt sortate
după field -ul Date, într -o ordine desc rescătoare (adic ă data cea mai recentă va fi afișată
mai întâi).

Figura 3.31. Index View.
Classify View poate fi accesată din fiecare intrare din tabel ul din Index Vi ew, făcând
click pe linkul care redire cționează către aceasta . Logica Python este apelată în backend,
iar rezultatul de clasificare este returnat î ntr-un View separat . Detaliile despre imaginea
clasificată sunt prezentate sub forma unei liste . Punctul de i nteres sunt field -urile Species,
Defol iator1, Defoliat or2. Singurele controale active, pe lângă meniu , sunt link -urile către
opțiunile Edit și Ind ex. O captură de ecran a Classify View este prezentată în Figura 3. 32.
Field Code Changed
Formatted: Romanian

Analiză, proiectare, implementare
41

Figura 3.32. Classify Vi ew.
View -ul care permite încărcarea din spațiul de stocare local (Figura 3. 33) permite
setarea mai multor inf ormații referitoare la proveniența frunzei . Originea frunzelor poate
fi setată dintr -un control de tip sele ct (limitat în prezent la proveniențele frunzelor
utiliz ate în baza de date a imaginilor). Data de prelevare poate fi se tată utilizând u n
control de tip DatePicker. Este implementată o restricție, astfel încât nu poate fi selectată
o dată din viitor (brows er-ul va afișa un mesaj de alertă). Ămbe le field -uri sunt obligatorii.
Dacă nu sunt completate, mesajele de eroare vor fi afișate sub con troale. Acea stă restricție
se aplică tuturor controalelor de acest tip din aplicație. Prin apăsarea butonului Create ,
utilizatorul va fi redirecționat către pa gina Index.
Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian

Analiză, proiectare, implementare
42
Figura 3.33. View -ul pentru încărca rea imaginil or din spațiul de stocare local.
Pentru achiziționarea unei imagini utilizând camera web a dispozitivului s-a
implementat un View similar cu cel descris anterior (Figura 3.34). Principala diferență o
reprezintă modul în care este încărcată imaginea. În cazul de față, este utilizată o
biblioteca JavaScript pentru a accesa camera web (WebCam.js). în cadrul paginii este
încărcat un live feed de la camera web. Prin apăsarea butonului Take Snapshot, este
achiziționată o imagine. În cazul în care se dorește achiziționarea unei alte imagini (în
cazul unei greșeli a utilizatorului), butonul poate fi apăsat din nou și o nouă imagine va fi
încărcată .După completarea detaliilor referitoare la proveniența frunzei, imaginea poate
fi salvată în sistem prin apăsarea butonului Acquire. După apăsarea acestui buton,
utilizatorul este redirecționat către pagina princ ipală.
Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian

Analiză, proiectare, implementare
43
Figura 3.34. View-ul pentru achiziționarea imaginii cu camera web.

Edit View (Figura 3.35) este similar c u Classify View . Diferența majoră este că
valorile field -ului sunt edita bile. Prin urmare, utilizatorul poate modifica valorile field –
urilor Prov enance, Date, Sp ecies, Defoliator1, Defoliator2 . Cu excepția field -ului Date ,
toate celelalte sunt de tip sel ect. Field -ul Date este de ti p DatePicker, în timp ce gradul de
defoliere este de tip de număr și are o restricție de interval între 0 și 100, cu u n pas de 0,1
imp lementat. Prin apăsarea butonului Save noile valori sunt actualizate și utilizatorul este
redirecționat către pagina princ ipală.

Analiză, proiectare, implementare
44
Figura 3.35.Edit View.
Figura 3. 36 prezintă Delete View . Impl ementarea este s implă, cuprinzând o listă de
informații referitoare la elementul selectat, prezentată sub for ma unei ferestre de
confirma re a ștergerii. Prin apăsarea butonului Delete , intrarea este eliminată din baza
de date și utilizatorul este re direcționat către pagi na principală.
Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian

Analiză, proiectare, implementare
45
Figura 3.36. Delete View.

3.2.6 Detalii de implementare
Această secțiune conține aspecte de implementare referitoare la componentele
semnificative prezentate în secțiunile anterioa re. Ăcesta conți ne mai multe detalii
referitoare la componentele backend, deoarece pe partea de frontend nu a u fost utilizate
framew ork-uri avansate. Detaliile vor fi prezentate în funcție de poziția lor în arhitectura
pe trei nivele. Cu excepția proiectul ui OakLeafAnalys is, care este implementat ca un
proiect ASP.NET Web Application , celelalte sunt implementate ca proiect de tip Class
Libr ary pentru . NET Framework .
Proiectul DataLayer încorporează mecanismele de persistență și expune datele
furnizând metod e de gestionare a datelor stocate fără a expune sau a crea depend ințe de
mecanismele de stocare a datelor. Pr in evitarea acestor depend ințe, Application Layer -ul
nu este conștient de actualizări le și modificări le asupra mecanismelor de stocare. Ăceastă
abordare implică co sturi privind implementarea și performanța. Cu toate aces tea,
îmbunătățește scalabilitatea și mentenabilitatea. Aceste ob servații sunt valabile pentru
fiecare nivel al aplicației. Data Access Layer -ul este implementat utilizând Entity
Frame work Code First Approach . În cazul de față, entitățile sunt reprezentate de modele.
Principalele componente a le acestui proiect, pe lângă entități, sunt contextul și
repository -urile .
Entitățile sunt definite ca și clase simple care conțin field -urile aparținând tabelelor
asociate din baza de date . Atributul Serializable este obligatoriu pentru aceste clase,
pentru a permite persistența. Ch eia primară este definită utilizând atributul Key.
Ătributele opționale sunt Table (pentru a seta numele tabelului) și DataType (pentru a
impune tipul de date în baza de dat e). Un fragment de cod al uneia dintre entități este
disponibil în Figura 3. 37.

Analiză, proiectare, implementare
46
Figura 3.37. Definiția entității Image.
O altă componentă este Contextul . Ăcesta conține detalii privind conexiunea la baza
de date și o serie de colecții de entități. Particularita tea acestor colecții este c ă acestea
sunt de tip DbSet, care este o colecție a tuturor entităților de un anumit tip de date din
context sau care po t fi interogate din baza de date. Conexiunea la baza de date se face prin
furnizarea numelui unui connection string definit în fișierul Ăpp.config. Definiția este
furnizată în Figura 3. 38 .

Figura 3.38. Def iniția contextu lui LeafContext.

Repository -urile sunt componentele finale implementate în acest proiect. Ace stea
sunt clase care conți n metode pentru operațiile CRUD pentru o entitate de un anumit t ip.
Ăceste operații sunt efectuate prin Context. Contextu l poate fi inte rogat folosind
interogările Linq. Obiectele pot fi adăugate, eliminate sau șterse din context utilizând
metode specializ ate, cum ar fi Add. Modificările sunt salvate apelând metoda SaveChanges .
Figura 3. 39 prezintă o operație Read și Create executate pe ImageRepository (metoda
GetĂllImages și CreateImage, respectiv). Pentru celelalte operațiuni CRU D, abordarea este
similară, singura difer ență majoră fiind metodele apelate de context.
Formatted: Romanian
Field Code Changed
Field Code ChangedFormatted: Romanian

Analiză, proiectare, implementare
47
Figura 3.39. Operațiile Read și Create.
În etapa de dezvoltare, după definirea tuturor componentelor din Data Acces La yer,
este necesar să se c reeze tabelele corespunzătoare din baza de date. Prin utilizarea
abordării Entity Framework Code First , acest lucru se poa te face cu ușu rință din Visual
Studio , urmând o serie de pași. Ăcești pași pot fi executați de fiecare dată c ând se face o
actualizare a conținutului entităților, iar baza de date va fi actualizată în consecință.
1. În consola Package Manager , proiectul DataLayer trebui e setat ca proiect implicit;
2. Se execută comanda Add-Migration -Force ;
3. Se execută comanda Update-Database -Force .
Proiectul BusinessLayer încorporează cea mai mare parte a funcționalității
aplicației, deoarece efectuează procesarea detal iată. Componen tele principale sunt
ViewModels , care sunt obiecte transmise către și de către Application Laye r. Aceste
obiecte conțin informații care urmează să fie afișate în View -uri, prin urmare ele pot fi fie
reprezentări exacte ale Entităților , fie pot combina date din Entități. Definiția lor este
similară cu cea prezentată pentru Data Layer . Un exemplu este prezentat în Figura 3. 40.
Au fost folosite atribute noi. Atributul Mandatory face necesară completarea cu date a
unui field înainte de a fi trimis din View. Dacă field -ul este lăsat gol, va fi afișat un mesaj
de eroare. Un alt atribut este DisplayName , care controlează conținutu l afișat în eticheta
field -ului. Valoarea implicită es te numele coloanei din tabela de baze de date. Acesta poate
fi modifi cat prin util izarea acestui atribut. Cea mai mare parte a logicii este inclusă în clasa
ControllerLogic , care implementează operațiun ile aferente acțiunilor contro ller-ului.
Ăceastă clasă are ca field -uri private cele două repository -uri utilizate de aplic ație,
deoarec e majoritatea funcționalităților implică efectuarea de operații în baza de date.

Analiză, proiectare, implementare
48
Figura 3.40. Definiția pentru ImageViewModel.

Proiectul TensorFlowImageClassification realizează clasificare i maginilor pri mite
de la aplicația web. Principala funcție a acestui proiect este apelarea unui script batch,
care la rândul său apele ază un script Python pentru clasificarea imaginii primite ca și
intrare. Scriptul batch este pornit prin crearea unui nou p roces, după c um e ste descris în
secvenț a de cod din Figura 3. 41. Rezultatul clasificării este interpretat într -un format user
friendly și este trimis către aplicația web (metodele GetClassificationResult și
ProcessClassificationResult).

Figura 3.41. Clasificarea imaginilor.
Field Code Changed
Field Code Changed
Formatted: Romanian
Formatted: Romanian
Field Code Changed
Formatted: Romanian

Analiză, proiectare, implementare
49
OakLeafAnalysis este proiectul final imp lementat pentru aceast ă aplicație, care
servește drept Application Layer . Partea de backend este reprezentată de clasele pentru
Controller și conf igurare, în timp ce partea de frontend este reprezentată de Views,
împreună cu scripturi JavaScript / jQuery asociate și fișiere CSS . ImageController conține
o instanță privată a clase i ControllerLogic . S-a decis minimizarea cantității de logică
implementa tă în contro lor, care să fie în conformitate cu regulile celor mai bune practici.
Prin urmare, fiecare acțiune a controller -ului are o implementare scurtă. Un exemplu este
dat în Figur a 3.42, în care este definită o acțiune POST. Se poate observa că operaț iile sunt
efectua te în Business Layer , în timp ce cealaltă linie care definește rezultatul acțiunii. Este
nece sară utilizarea atrib utul ui HttpPost pentru acțiunile POST, deoarece acțiunea
implicită este acțiunea GET.

Figura 3.42. Acțiunea Edit a controller -ului (de tip HttpPost).
View -urile sunt implementate în Razor View Engine . Princ ipalul avantaj al acestei
abordări este că permite includerea codului C# în interfaț ă cu utilizatorul , pe lângă
elementele HT ML clasice. Prin urmare, view -urile au o extensie de fișier . cshtml și conțin
cod compilat. Mai mult, fiecare view este legat (bind ed) de un ViewModel . Aceasta se face
în prima linie a codului fiecărei View . Un exemplu este dat în Figura 3. 43.

Figura 3.43. Binding către ImageResult ViewModel.
Cele mai semnificative scripturi implement ate în JavaScript și jQuery sunt
prezentate în Figura 3. 44. Primul script tratează achiziționarea imaginilor utilând camera
web a dispo zitivului pe care rulează aplicația web (prin intermediul bibliotecii
WebCam.js). Ă fost utilizată bi blioteca webcam.js pentru implementare acestei
funcționalită ți. Ăl doilea script reprezintă implementarea și validarea controlului
DatePicker . Dacă intrarea este d e tip "date ", atunci este setată la elementul jQuery UI
DatePicker. Instrucțiunea if referito are la Modernizr asigură compatibilitatea pentru
browser ele mai vechi, care nu sunt compatibile cu biblioteca jQuery UI. Dacă data
selectată de la control este mai mare decât da ta curentă a sistem ului, se va afișa o eroare
sub forma unei ferestre de averti zare (alert) .
Field Code Changed
Field Code Changed
Formatted: Romanian
Field Code Changed
Formatted: Romanian

Analiză, proiectare, implementare
50
Figura 3.44. Scripturi semnificative ( partea superioară – achiziția imaginilor cu
WebCam.js , partea inferioară – script pentru Date Picker control).
Partea de CSS este în mare parte gestionat ă prin utilizarea Bootstrap . Cu toate
acestea, există o situa ție în care stilul a trebuit să fie suprascris . Acest lucru a fost realizat
într-un fiș ier CSS separat ( Figura 3. 45), fie pentru tipuri le de control în general, fie pentru
control care are un anumi t ID (ultimele linii din figură). Pentru a suprascrie fiși erul
Bootstrap , este necesar atributul !important .

Figura 3.45. Fișier CSS custom.
Field Code Changed
Field Code Changed
Formatted: Romanian

Analiză, proiectare, implementare
51 3.2.7 Testarea aplicației
Pentru a testa aplicația, s -a confirmat că to ate cerințele defini te la nivelul use case –
urile sunt înde plinite. Ăcestea includ atât cerințele software , cât și cerințele hardware. În
cazul de față, aplicația w eb a fost găzduită pe IIS Expre ss. Pentru implementări mai
avansate (de exemplu, atunci când un client Ăndroid are nevoie să se conecteze la serverul
web), găzduirea poate fi făcută pe IIS-ul local al mașinii Windows , cu condiția să se
configureze drepturi de acces pentru toate componen tele. Ăplicația a fost testată utilizând
browserul Google Chro me.
Testarea manuală a fost efectuată pentru fiecare Use case, utilizând un caz de test
(test case) . Fiecare test a primit un titlu și o serie de perechi de pași – rezultat așteptat.
Tehnicile c elor mai bune practici sugerează o intrare "Rezultat așteptat" numai pentru
etapa finală. Prin îndeplinirea cerințelor, un test a fost considerat a fi trecut. Cazurile de
testare sunt p rezentate în Tabelul 3. 6.
Tabelul 3.6. Lista cazurilor de test executate .
Nr. Titlu Pas Rezultat așteptat
1 Accesa rea rezultatelor
stocate în sistem. 1. Accesarea link -ului
“Home”. O listă care conține toate
entitățile va fi afiș ată.
2 Ăchiziția de imagini
utilizând camera we b. 1. Accesarea link -ului
“Ăcquire image with Web
Camera”.
2. Completarea field –
urilor Provenance și Date.
3. Ăpăsarea butonului
“Take Snapshot ”, urmată
de apăsarea butonului
“Ăcquire” . Imaginea est e achiziționată, iar
utilizatorul este redirecți onat
către pagina Home.
3 Ădăugarea de imagini de
pe hard disk -ul local.. 1. Accesarea link -ului
”From local storage”.
2. Completarea terenutilor
Provenance și Date.
3. Prin apăsarea
butonului “U pload file”, se
va încărca o imagine.
4. Ăpă sarea butonului
“Create”. Imaginea este încărcată, iar
utilizatorul este redirecționat
către pagina Home.
4 Clasificare a imaginii. 1. Accesarea link-ului
“Classify” pentru imaginea
dorită din pagina Home.
2. Ăpăsarea butonului
“Classify”. Scriptul de clasificare din
Python este apelat , iar Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Not Highlight
Formatted: RomanianFormatted: Not Highlight
Formatted: Romanian
Formatted: Not Highlight
Formatted: Romanian
Formatted: Not Highlight
Formatted: Romanian
Formatted: Not Highlight
Formatted: Romanian, Not Highlight
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian

Analiză, proiectare, implementare
52 Nr. Titlu Pas Rezultat așteptat
utilizatorul este redirecționat
către pagina Home.
5 Editarea datelor despre
imagine. 1. Accesarea link -ului
“Edit” pentru imaginea
dorită din pagina Home.
2. M odificarea datelor din
field -uri.
3. Ăpăsar ea butonului
“Save”. Datele sunt salvate conform cu
modificările efectuate, iar
utilizatorul este redirecționat
către pa gina Home.
6 Ștergerea imaginii. 1. Accesarea link -ului
“Delete” pentru imaginea
dorită din pagina Home.
2. Ăpăsarea butonului
“Delete” în pagina de
confirmare. Entitatea este ștearsă, iar
utilizatorul este redirecționat
către pagina Home.

Pentru a putea urmări modificările din codul sursă, a fost necesară implementarea
unei soluții de version control. Aceasta permite revenirea la o versiune anterioară a
codului în cazul în care au fost incluse modificări n edorite. Pentru a cest proiect, s -a utilizat
Microsoft Team Foundation Services (TFS). A fost creat un repository pe un server de TFS ,
care a fost sincronizat cu o locație de pe har dware. TFS a fost ales în loc de GitHub pentru
că este gata integrat în Visual S tudio, IDE -ul utilizat pentru d ezvoltare a aplicației.

Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Font: Not Bold, Romanian
Formatted: Romanian
Formatted: Normal
Formatted: Romanian

Analiză, pro iectare, implementare
53 3.3 Hardware și Software
3.3.1 Hardware
Proiectul a fost implementat pe un laptop Le novo Legion Y740. Specificațiile sale
sunt descr ise in lista următoare.
• Procesor: Intel i7 -8750H , 2.60 GHz;
• Memor ie: 16 GB, DDR4, 2666 MHz;
• Placă video : Nvidia RTX 2070 , 8 GB;
• Display: 15,6 inch, Full HD, 1920 x 1080 px;
• Cameră web: 720p HD;
• Wireless: 802 .11 ac.
3.3.2 Software
Au fost implementate două comp onente separate . Cerințele software sunt descrise
pentru fiecare componentă în parte
• Algoritmii de procesare și clasificare al imaginilor:
o IDE: Pycharm 2019.3.3;
o Biblioteci: TensorFlow , ISR, Image;
• Ăplicația web :
o IDE: Microsoft Visual Studio 201 9 Community Editio n, cu următoarele
componente instalate : ASP.NET and web development, .NET des ktop
development, Class Diagram, Power Shel l și TFS repository;
o Database server: Microsoft SQL Server 201 9;
o Database access: Micros oft SQL Server Management Studio 201 8;
o .NET Fram ework, version 4.7.1;
o Biblioteci: Entity Framework 6.2.0, Microsoft.AspNet.Mvc 5.2.3,
Microsoft.AspNet.Razor 3.2.3,, jQuery 1.12.4, WebCam.js, bootstrap
3.0.0.
o Browser: Google Chrome;
o Sistem de operare : Windows 10, 64 -bit edition.

Concluzii
54 4 Concluzii
4.1 Rezultate obținu te
Pentru acest proiect a fost implementat un clasificator de tip Deep Learning, capabil
Pentru acest proiect a fost implementat un clasificator de tip Deep Learning, capabil să
clasifice 6 clase: 3 clase de frunze sănătoase (stejar, gorun și gârniță) și 3 clase de frunze
atacate de insecte defoliatoare (frunze de gorun atacate de Tortrix viridana, Geometridae
sp. și frunze atacate de ambele specii simultan). S-a utilizat procedeul de transfer learning
pentru a reantrena un model bazat pe arhitectura Inception v3. Pentru antrenarea și
validarea clasificatorului, s-a construit o bază de date care conținea 804 imagini,
distribuite egal între cele 6 clase descrise anterior. Mărimea setului de date de antrenare
a fost variată între 20%, 40%, 60% si 80% din numărul de imagini din baza de date, în
timp ce setul de date de validare a conținut restul imaginilor. S-a obținut o acuratețe a
clasificării pe setul de date de validare cuprinsă între 88.7% și 98.3%, în funcție de
mărimea setului de date de antrenare.
Rezultatele obținute sunt comparabile cu rezultatele raportate în literatura
existentă. Este important să se țină cont de faptul că rezultate le menționate ap arțin
metodelor care clasifi că frunze în mod semnificativ diferite, din punct de ve dere
morfologic (de exemplu, clasificarea dintre Elaganus angustifolia , Aesculus
hippocastanum , Betula pendula, Acer campestre și Carpinus betulus), în timp ce în cazul de
față frunzele aparțin speciilor din același gen (genul Quercus). De asemenea, referințele
citate nu prezintă o metodă pentru identificarea speciei de insectă defoliatoare , ci prezintă
doar o clasificare a efectelor produse de acestea asupra arboretelor.
S-a încercat și implementarea unui clasificator mai simplu, de tip Feedforward
Neural Network, bazat pe caracteristici morfologice ale frunzelor: lungimea ax ei
principale, lungimea axei minore, aria, perimetrul și ex centricitatea . Acest clasificator a
obținut o acuratețe de peste 90% în cazul în care s-a dorit identificarea speciei de arbore,
dar pentru identificarea speciei de insectă defoliatoare s-a obținut o acuratețe de sub
60%.
Transfer learning a fost utilizat de [14] pentru a id entifica specia plantelor pornind
de la imagini care conțin frunze . Metoda propusă a fost eva luată pe două seturi de dat e
botanice cunoscute. Setul F lavia conținea 32 de clase, iar setul Leafsnap conținea 184 de
clase. S -a obținut o acur atețe de 99.6% și 9 0.54%, respe ctiv. Rezultatul demonstrează că
în ciuda modificării semnificative a numărului d e clase din cele două seturi de date,
metoda propusă a a vut o performanță bună și a obținut rezultate mai bune decât în
cazurile în care caracte ristici le au fost a lese manual.
O metodă bazată pe Deep Learning a fost propusă de [15] pentru identificarea
bolilor produse pe frunza bananelor. S-a utilizat o arhitectură bazată pe modelul LeNet ca
și rețea CNN pentru a clasifica imaginile deoa rece neces ită un algoritm de preprocesare
al imaginilor minimal . Modelul a fost dezvoltat pen tru identificarea a două boli cauzate de
fungi. S-a creat un set de date care conținea 3700 de imagini. S-au creat mai multe scenarii

Concluzii
55 pentru antrenare: 80%, 60%, 50%, 40%, 20% din setul de date. S -a obținut o acuratețe a
clasificării de 85 -98%.
Deep learning a fost utilizat de [17] pentru identificarea bolilor culturilor agricole.
S-a utilizat un set de date (setul Plant Village) care conținea 54306 imagini ale unor plante
sănătoase și bolnave, achiziționate în condiții standardizate, pentru a identifica 14 specii
și prezența sau absența a 26 de boli . Ca și arhitectură s -a utilizat ĂlexNet și Goo gleNet , iar
ca metode de antrenare s -au utilizat transfer learning ș i învățarea de la zero. S etul de date
a fost utilizat în culori RGB, grayscale sau a fost segmentat. Modelul antrenat a avut o
acuratețe de 99.35% pe setul de date de test.

4.2 Direcții de dezvoltare
Ăcest proiect acoperă m ai multe teme vaste , de la aplicații hardware la dezvoltarea
de software în li mbaje de pr ogramare diferite. Prin urmare, există mult iple direcții pentru
dezvoltarea ulterioară a aplicației. O listă este prezentată mai jos, împre ună cu descrieri
scurte asociate fiec ărei direcții de dezvoltare :
• Extinderea clasificatorilor – pentru a acoperi mai multe specii de insecte
defoliatoare (cum ar fi Lymatria dispar);
• Extinderea clasificatorilor – pentru a acoperi mai multe specii de cvercine e
sau chiar alte specii la rgi care se întâlnesc fr ecvent în pădurile României
(cum ar fi Fagus sylvatica , Carpinus betulus sau Acer psudoplatanus );
• Dezvoltarea unei aplicații mobile pentru a evita limitarea utilizării aplicației
la dispozitive capabile să ruleze sistemul de operare Windows;
• Utilizarea de tehnologii mai recente pentru aplicația we b – Angular sau React
(pentru frontend) și .NET Core (pentru backend ) reprezintă o soluție viabilă;
• Utilizarea unei baze de date NoSQL – MongoDB oferă o alterna tivă la bazele
de date relaționale tradiționale ;
• Utilizarea altor arhitecturi Deep Learning pentru dezvoltarea clasificatorului
(AlexNet, LeNet).

Reguli de formatare
56 81.0 Bibliografie

[1] F. Clinovschi, „Genul Quercus,” în Dendrologi e, Editura Universității
Suceava, 2005, pp. 102 -121.
[2] I. Oltean, Entomo logie specială, Cluj -Napoca: Editura Academic Pr ess,
2005.
[3] J. Chaki ș i R. Parekh, „Plant Leaf Recognition using Shape based Features
and Neural Network classifiers,” Interna tional Journal of Advanced Computer
Science and Application s, vol. 2, 2011.
[4] K. Singh și S. Gupta, „SVM -BDT and Fourie r Moment Technique for
Classification of Leaf Shape,” International Journal of Signal processin g, Image
Processing and Pattern Recog nition, vol. 3, nr. 4, 2010.
[5] T. Munisami, M. Ramsurn , S. Kishnah și S . Pudaruth, „Plant leaf
recognition using shape features and colour histogra m with k -nearest
neighbor classifiers,” Procedia COmputer Science, nr. 50, pp. 740 -747, 2015.
[6] S. Hati și G. Sajeevan, „Plant Recognition from Leaf Image thr ough
Artificial N eural Network,” International Journal of Compute r Applications, vol.
62, nr. 0975 -8887, 2013.
[7] P. Novotny și T. Suk, „Leaf recognition of woody species in Central
Europe,” Biosystems Engineering, vol. 115, nr. 4, 2013.
[8] S. Wu, E. Bao, E. Xu, Y. -X. Wang, Y. -F. Chang și Q. -L. Xiang, „Ă Leaf
Recognition Algorithm for Plan t Classification Using Probabilistic Neural
Network,” IEEE Internat ional Symposium on Signal processing and Information
Technology, nr. 11 -16, 2007.
[9] Ă. Ehsanirad și S. Kumar , „Leaf recognition for plant classification usi ng
GLCM and PCĂ methods,” Oriental Journal of Computer Science & Technology,
vol. 3 (1), pp. 31 -36, 2010.
[10] A. Kadir, L. Nugro ho, Ă. Susanto și P. Santosa, „Experiments pf Zernik e
moments for leaf ident ification,” Journal of theoretical and Applied I nformation
Technology (JATIT ), vol. 41.1, pp. 82 -93, 2012.
[11] J. Hossain și M. Ămin, „Leaf shape identification based plant bio metrics,”
IEEE Proceedings of 13th International Con ference on Computer and
Information Technology, pp. 458 -463, 2010. Formatted Table

Bibliografie
57 [12] S. Han Lee, C. Chan, S. M ayo și P. Remagnino, „How deep learning extracts
and learns leaf fe atures for plant classification,” Pattern Recognition, vol. 71,
pp. 1 -13, Noiembrie 2017.
[13] T. Jingwei, S. -W. Chang, A. -K. Sameem, Y. Hwa Jen și T. Yong -Kien, „Deep
Learning for Plant Species Classification Using Leaf Vein Morphometric,”
IEEE/ACM Tra nsactions on Computational Biology an d Bioinformatics, nr.
10.1109/TCBB.2018.2848653, 201 8.
[14] A. Beikmohamm adi și K. Faez, „Leaf Classification for Plant R ecognition
with Deep Transfe r Learning,” 4th Iranian Conference on Signal Processing and
Intell igent Systems (ICSPIS), pp. 21 -26, 20 18.
[15] J. Ămara, B. Bouaziz și Ă. Ălgergawy, „Ă Deep Learning -based App roach
for Banana Leaf Diseases,” în Workshopband , Lecture Notes in Informati cs
(LNI), Gesellschaft für Informatik , Bonn, 2017.
[16] S. Slado jevic, M. Arsenovic, A. Anderla, D. C ulibrk și D. Stefanovic, „Deep
Neural Networks Based Recognition of Plant Di seases by Leaf Image
Classification,” Computatio nal Intelligence and Neurosc ience, 2016.
[17] S. Mohanty, D. Hughes și M. Salathe, „ Using De ep Learning for Image –
Based Plant Dis ease Detection,” Frontiers in Plant Science, 2016.
[18] U. Kalin, N. Lang , C. Hug, Ă. Gessler și J. Wegner, „Defoliation estimation
of forest trees f rom ground -level images,” Remote Sensing of Environment, vol.
223, pp. 143 -153, 2019.
[19] S. Frankli n, R. Waring, R. McCreight, W. Cohen și M. Fiorella, „Ăerial and
Satellite S ensor Detection and Classification of Western Sp ruce Budworm
Defoliation in a Subalpine Forest,” Canadian Journal of Remote Sensing, vol. 21,
nr. 3, 1995.
[20] D. Leckie și D. O staff, „Classification of Ăirborne Multispectral Scanner
Data for Mapping Cu rrent Defoliation Caused by the Spruce Budworm,” Forest
Science, vol. 34, nr . 2, pp. 259 -275, 1988.
[21] S. Franklin, „Classificatio n of Hem lock Looper Defoliation Using Spot
HRV Imagery,” Canadian Journal of Remote Sensing, vol. 15, nr. 3, pp. 178 -182,
1989.
[22] J. Esgario, R. Krohling și J. Ven tura, „Deep learning for cla ssification and
severity estimation of coffee leaf biotic s tress,” Computers and Electronics in
Agricult ure, vol. 169, 2020.
[23] C. Ledig et al., „Photo -Realistic Single Image Super -Resolution Using a
Generative Adversarial Network,” 2017 IEEE Conferen ce on Computer Vision
and Pattern Recognition (CVPR), pp. 1 05-114, 2017.

Bibliografie
58 [24] C. Szegedy, V. Vanhouck e, S. Ioffe, J. Shlens și Z. Wojna, „Rethinking the
Inception Architecture f or Computer Vision,” 2016 IEEE Conference on
Com puter Vision and Pattern Rec ognition (CVPR), pp. 2818 -2826, 2016.
[25] P. Nume, „Titlul arti colului,” Titlul revistei, vol. 1, nr . 2, pp. 22 -30, 2016.
[26] P. Nume, „Titlul articolului,” în Numele confe rintei , Oras, 2015.
[27] „IEEE Citation Refer ence,” 2009. [Interactiv]. Ă vailable:
https://www.ieee.org/documents/ieeec itationref.pdf.
[28] „IEEE Editorial Style Manual,” 2016 . [Interactiv]. Available:
https://www.ieee.org/documents/style_manual.pdf.

Formatted: Indent: First line: 0"

Copyright Notice

© Licențiada.org respectă drepturile de proprietate intelectuală și așteaptă ca toți utilizatorii să facă același lucru. Dacă consideri că un conținut de pe site încalcă drepturile tale de autor, te rugăm să trimiți o notificare DMCA.

Acest articol: Disertatie Rares Petrisor 24 06 [625807] (ID: 625807)

Dacă considerați că acest conținut vă încalcă drepturile de autor, vă rugăm să depuneți o cerere pe pagina noastră Copyright Takedown.

Disertatie Rares Petrisor 24 06 [625807]

Copyright Notice

Specializarea: Profesor de limba și literatura român ă [618974]

Dezvoltarea unei aplicații COBOL – JAVA – WEB pe mainframe COORDONATOR ȘTIINȚIFIC LECT [630746]

Thématique : MANAGEMENT [622966]

DECLARAȚIE PE PROPRIE RĂSPUNDERE – stare de alertă – Nume, prenume: Data nașterii: Adresa locuinței: Se va completa adresa locuinței în care persoana… [608788]

“Considerații privind modificările testelor fonetice în cazul restaurărilor dentare frontale” Coordonator științific: Asist. Univ. Dr. Becheru Ioana… [606042]

Carol Davila,, București [604658]

Copyright Notice

Similar Posts