Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Insect identification using Artificial Neural Networks (ANN)

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F08%3A00042029" target="_blank" >RIV/00216224:14310/08:00042029 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Insect identification using Artificial Neural Networks (ANN)

  • Popis výsledku v původním jazyce

    Introduction: The progress in information technology has opened opportunities for the computer-assisted taxonomy. Methods: The use of ANN requires a training database in which specimens, correctly identified by experts, are included. For ANN inputs can be used digital images, optically sensed wing beat frequency spectra, near-infrared reflectance spectra, bioacoustic recordings, chemotaxonomy or morphometry. An ANN model is designed to find a relationship between the characters (=input) and species (=output). The quality of the training set is an essential prerequisite to obtaining reliable identifications. Results: Our case studies used morphometric data mostly. The high percentage of correctly identified specimens (about 97 %) is promising for a wider use of ANN. Conclusions: ANN is cheap and non-destructive suitable also for type material or permanently mounted slides. ANN have the potential to enhance the practice of routine identification with a non-expert as technical help.

  • Název v anglickém jazyce

    Insect identification using Artificial Neural Networks (ANN)

  • Popis výsledku anglicky

    Introduction: The progress in information technology has opened opportunities for the computer-assisted taxonomy. Methods: The use of ANN requires a training database in which specimens, correctly identified by experts, are included. For ANN inputs can be used digital images, optically sensed wing beat frequency spectra, near-infrared reflectance spectra, bioacoustic recordings, chemotaxonomy or morphometry. An ANN model is designed to find a relationship between the characters (=input) and species (=output). The quality of the training set is an essential prerequisite to obtaining reliable identifications. Results: Our case studies used morphometric data mostly. The high percentage of correctly identified specimens (about 97 %) is promising for a wider use of ANN. Conclusions: ANN is cheap and non-destructive suitable also for type material or permanently mounted slides. ANN have the potential to enhance the practice of routine identification with a non-expert as technical help.

Klasifikace

  • Druh

    O - Ostatní výsledky

  • CEP obor

    EG - Zoologie

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

  • Návaznosti

    Z - Vyzkumny zamer (s odkazem do CEZ)<br>S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2008

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů