番茄病害的颜色平衡和超像素融合方法

沙特国王大学学报基于色彩平衡和超像素融合的番茄病害Saiqa KhanSahan，Meera Narvekar印度孟买D.J.Sanghvi工程学院阿提奇莱因福奥文章历史记录：收到2020年2020年8月14日修订2020年9月8日接受2020年9月15日网上发售保留字：番茄病害检测颜色平衡超像素聚类K-means聚类算法方向梯度直方图金字塔（PHOG）灰度共生矩阵A B S T R A C T许多国家依赖农业。然而，农民面临的最大挑战是与植物有关的疾病。植物中最易被观察到的部分是叶片，而病斑叶片图像的分割存在光照不均匀和自然环境复杂等问题。为了克服这些问题，所提出的方法是基于颜色平衡和超像素的融合。首先，将输入图像转换为色彩平衡的图像，以消除不均匀照明的影响。其次，使用超像素操作从变换后的图像中创建紧凑区域，并将经验导出的阈值应用于超像素的颜色通道和颜色直方图（HOG），以将不需要的背景从叶片图像中分离出来。应用K均值聚类来找到患病的感染图像。HOG的一种扩展形式，HOG金字塔（PHOG）与灰度共生矩阵（GLCM）的功能被用来表示患病的感染部分。最后，比较了不同的分类器，选择随机森林（RF）进行疾病分类。为了评估所提出的方法的鲁棒性，进行了实验，以测试其准确性有效地从不同的农场，从互联网上下载的图像和植物村的颜色数据集采集的自然图像。结果表明，该方法在使用交叉验证的组合数据集上实现了93.12%的准确率，表明该方法在存在杂乱背景的情况下对疾病进行分类是有效的。将所提出的系统与ALDD方法（Dhaygude和Kumbhar，2013）、MVBPDR（Habib等人，2018）、AIMSD（Araujo和Peixoto，2019）和CCF（Ma等人，2017年）。该系统的新颖之处在于，该方法对所有不同的数据集都是有效的，并通过真阳性率（TPR）、假阳性率（FPR）、假阴性率（FNR）、阳性预测值（PPV）、假发现率（FDR）、准确度和F1评分来评价。©2020作者由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍植物Solanum Lycopersicum的番茄蔬菜通常被称为番茄植物。该植物属于茄科茄属植物。番茄被认为是世界上最大的消费蔬菜之一。然而，它的生产受到影响，主要是因为在印度多个地区的疾病爆发。因此，番茄*通讯作者。电子邮件地址：saiqa. mhssce.ac.in（S. Khan），meera. narvekar@djsce.ac. 在（M. Narvekar）。沙特国王大学负责同行审查制作和主办：Elsevier植物是一个小时的需要，因为它是有益的监测大作物领域。所提出的方法是用来分类生物疾病，如早疫病，晚疫病和壳针孢叶斑病。它们看起来一样，在叶子上出现的图案几乎相似。随着技术的发展，许多计算机视觉算法已经被开发出来，以应对在自动疾病检测过程中遇到的问题图像预处理的主要目的是使患病区域比其他图像区域更可见它遇到的困难，如（a）照明和光谱反射率的变化（b）输入图像的低对比度（c）图像大小和类型的变化。应用于预处理的过程是图像对比度增强、颜色空间转换、图像缩放以及图像裁剪和滤波（Ali等人，2017年; Sun等人，2019年）。预处理之后，分割是计算机视觉的下一个阶段。它用于识别图像中 可 能 有 资 格 作 为 患 病 感 染 区 域 的 区 域 ， 这 简 化 了 后 期 阶 段（Basavaiah和Anthony，2020; Singh和Misra，https://doi.org/10.1016/j.jksuci.2020.09.0061319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comS.汗，M。纳尔韦卡尔沙特国王大学学报35072017年）。分割过程存在若干挑战，例如(a)当闪电条件与训练图像不同时，基于颜色的分割失败。（b）由于初始种子选择，基于区域的分割在处理中花费太多时间，以及（c）纹理变化。例如，K均值聚类用于将叶片图像划分为不同数量的聚类，其中一个或多个聚类包含患病的感染部分。研究表明，选择用于分割的聚类的数量可以是四个或五个。如果图像是以数字方式捕获的，则有无数的计算机视觉算法可用于从图像中提取特征。要突出的模式决定了提取的特征的有用性。图像特征是图像的特征，为了避免误分类，图像特征应具有平移、旋转和尺度不变性。分类是下一步，它是一种监督学习技术，用于确定样本所属的类别，它取决于一个或多个独立的输入变量。它总是用于预测离散输入类。分类的主要挑战是提高分类精度与真实世界的数据集和测试结果上的数据集是不同于它正在被训练的dataset. Several分类器已被使用和测试在过去，如支持向量机（SVM），神经网络（NN），模糊分类器，K-最近邻（KNN）等。所列的研究结果有许多缺点。例如，如前所述，在自然环境中捕获的图像具有影响分割过程的阴影和不均匀照明。除此之外，真实世界的图像包含土壤和在影响分割过程中起重要作用的其他对象。土壤颜色与早疫病和晚疫病疫区基本相同，但质地不同。此外，特征提取被认为是至关重要的检测，因为选定的番茄病害具有相似的特征。在这项工作中，为了增强数据集的多样性，一些图像是在黑色背景下捕获的，一些是在自然环境中捕获的。然而，观察到的主要问题是：（a）由于使用各种相机和移动设备捕获的图像而出现不均匀照明;（a）由于自然环境图像中存在土壤和其他伪影而出现背景问题;（c）区分特征向量生成。这项工作的主要贡献详述如下。1. 预处理包括利用三次插值法对图像进行插值分割是通过应用超像素运算和应用一种新的模式识别技术2. 利用PHOG的形状描述子和基于纹理的灰度共生矩阵特征进行特征提取，利用随机森林分类器进行分类。3. 为了评估和评价性能，准备了四个数据库，包括因特网下载的图像数据集、植物村数据集（Mohanty等人，2016年），组合数据集和自然环境图像数据集。这一组的所有图像都是从位于印度Tansa，Pune，Neral，Badlapur和Laasalgaon的农场收集的所提出的方法的新颖性在于，它以在不同的数据集上产生有效结果的方式进行分割，并使用正确的特征组合来产生分类输出。文章的时间顺序如下：第二部分涉及相关的过去的工作。材料和方法见第3节。第4节涉及实验结果，第5节解释了结论。2. 相关工作植物的某些部分会受到植物病害症状的影响因此，一些研究人员试图解决在植物叶片上的感染的检测和分类中的自动化Abisha etal.Abisha和Jayasree（2019）使用茄子进行研究，并使用高斯滤波器进行预处理，使用直方图均衡和颜色变换在他们的工作中，他们使用基于DWT的图像融合进行病变区域分割。例如，Raielehe et al.Riehle等人（2020）已经使用基于索引的方法进行预分割，并且随后基于HSV颜色模型进行阈值化。在对200个图像数据集进行评估后，他们能够达到97.4%的准确率与此相反，几位作者已经使用Lωaωbω颜色空间，因为它本质上与设备无关并且类似于真实世界的颜色（Ali等人，2017; Zhang等人，2017年）。一些作者在k均值聚类算法之前使用HSV颜色空间（Ramesh和Vydeki，2020）。K-means聚类被几位作者在他们的疾病检测工作中探索。形态学处理是一种后分割努力，以减少误分类的影响（Ma等人，2018年）。直方图的强度是由Jothiaruna等人采用的技术。（2019年）。它是基于选择一个最佳阈值分割。该算法的主要缺点是不适用于复杂图像的分割。Otsu阈值是由几位作者Ma等人提出的另一种技术，2019年。研究人员还使用一些标准对绿色像素进行了掩蔽（Singh和Misra，2017）。简单线性迭代聚类（SLIC）适用于黄瓜病害检测（Ma等人，2018年）。有两种方法可以提取文本特征。一种方法是使用灰度共生矩阵来计算能量、惯性、熵和同质性文本特征。另一种方法是使用Gabor变换。一些研究使用基于颜色的描述符。对于形状，过去考虑面积、周长、质心和直径。支持向量机（SVM）是一种首选的分类技术，由于其高精度和低维数灾难。在工作中使用Cubic SVM（Ali等人，2017年）。Sharif et al.Khan et al.（2019）利用线性SVM（L-SVM）和二次SVM（Q-SVM）来呈现苹果病害检测结果植物村数据集。此外，深度学习方法也被用于植物病害检测。Waheed等人已经将深度神经网络用于玉米病害检测。他们的方法的缺点是简单的背景用于玉米叶数据集（Waheed等人，2020年）。在Chen等人为Rice研究的其他工作中，该系统存在有限数据集测试的问题（Chen例如，2020年）。Lee等人提供了在PlantCLEF2015数据集上训练深度迁移学习模型的动力，以开辟疾病检测的新维度（Lee等人，2020年）。在Mohammad和Abualigah（2019）最近的一项工作中，总结了特征选择方法，并使用先进的磷虾群算法进行聚类。在同一作者的其他工作中，k均值聚类用于聚类，高级遗传算子用于特征选择。2.1. 过去方法表1呈现了过去进行的关于植物物种、性状表型、胁迫类型、输入预处理、特征提取、机器学习算法中使用的分类器和样本大小的工作。S.汗，M。纳尔韦卡尔沙特国王大学学报3508×表1机器视觉和机器学习在疾病检测方面的工作总结Sr.没有引用的工作植物物种性状表型应力类型输入预处理特征提取机 器 学 习算法样本量1孙茶树炭疽病、褐枯病、水疱生物SLIC、GLCM纹理特征SVM场内等人枯萎病，Exobasidium vexans Massee，1308（2019年）茶拟盘多毛孢菌图像2哈比卜木瓜黑斑病，白粉病，褐色生物对比度增强，转换自共现SVM128等人（2018年）斑点，植物色素，和炭疽病RGB到CIELωaωbω，图像分割矩阵，统计图像特征3谢里夫柑橘炭疽病、溃疡病、结痂、黑变病生物混合造影剂拉伸，病变质地，颜色，SVM柑橘等人分割几何疾病（2018年）数据集4谭可可疾病感染水平生物色彩平衡算法（Limare等人，SVM场内等人2011），图割算法，K均值60（2018年）聚类图像5张苹果和互隔，马赛克，锈病生物基本-平滑，增强，去噪，PHOG图像C-SVM场内等人黄瓜对齐，颜色空间转换，SLIC描述符300（2018年）4. K-means聚类图像Sun等人声称，组合的SLIC和SVM方法可以准确地提取茶树中疾病的显著性图（Sun等人，2019年）。我们提出的方法使用SLIC与HOG背景减除。Habib et al.（2018）提出的方法仅在128张图像上训练。与此不同的是，所提出的方法在更多数量的图像上进行训练和测试。Sharif等人（2018）使用了加权分割方法，与其他方法，如他们的图像在所有测试数据集中都有一个简单的灰色背景。 Tan等人（2018）使用aω和bω通道用于k = 5的聚类和五折交叉验证技术给出了86.96%的准确率。主要的缺点使用了少量的测试图像。Zhang等人提出的工作遭受了不适当的特征提取的缺点。在所提出的工作中，我们融合了纹理，统计和形状特征，以创建一个更强大的功能集。3. 材料和方法3.1. 数据采集为了验证该方法的有效性，在番茄病叶图像数据集上进行了实验，该数据集由四个不同的数据集组成 在这些数据集中，一组由Android Redmi 6 Pro与12 MP相机，IOS iPhone 10 X与12 MP相机手机和数码相机佳能Powershot拍摄的图像组成，最大垂直分辨率为3000 像 素 ， 最 小 焦 距 为 12 mm ， 位 于 Tansa （ Wada 区 ） ，Badlapur，Karjat和Laasalgaon，印度。为了减少照明的影响，一些图像是通过左手保持黑纸和右手点击照片来捕获的为了增加所收集的真实世界数据的多样性，在学院跑道上进行单独的布置以保持十株番茄植物，如图1B所示。1 .一、3.2. 拟议方法所提出的方法有四个主要步骤组成（a）输入图像预处理（b）感染区域分割（c）特征提取和最后（d）分类。详细的建议方法如图所示。 二、Fig. 1.数据采集（a）番茄植株设置（b）健康叶片（c）健康叶片。3.2.1. 预处理在这项工作中，输入图像首先调整为256 256双立方插值方法。然后，简单的色彩平衡算法（Limare等人，2011）被应用于全局调整强度。它还减少了不必要的照明条件。颜色平衡算法对R、G、B图像的三个颜色通道进行拉伸，以赋予它们最大范围[0，255]。这是通过将仿射变换应用于每个颜色通道以获得最大通道值为255和最小值为0来实现的。可能有一些图像具有非典型的0和255值。因此，该算法在应用仿射变换之前执行裁剪。色彩平衡是用在这项工作，因为它只是做了双重工作S.汗，M。纳尔韦卡尔沙特国王大学学报3509p.Σ图二. 提出了鉴定番茄病叶的方法学框图。色彩平衡和增强。图3示出了对输入图像进行预处理的结果。3.2.2. 一种病变感染区域图像分割是模式识别过程中最重要的实体（Sharif等人，2018），因为它会影响分类结果。在我们的工作中，患病感染区域的识别分两个阶段进行，其中第一阶段通过丢弃背景来完成感兴趣图三.对自然环境图像（a）原始图像（b）尺寸调整图像（c）色彩平衡图像的图像预处理结果。第二阶段涉及患病感染区域的识别。为了促进这一点，实现了使用特征提取器（HOG和颜色）的基于超像素的优化分割，产生由I感染表示的新的感兴趣区域图像，X;Y具有比基于LAB的k均值分割更好的结果（Habib等人，2018）和基于HSV的阈值化技术（Dhaygude和Kumbhar，2013），如图2所示。四、从结果中可以看出，该方法有效地去除了图像中的背景伪影。在图5中，第一行具有灰色背景的输入图像（Mohanty等人， 2016年），而第二行有互联网下载的图像，第三行有自然环境图像。在我们的方法中，简单线性迭代聚类（SLIC）的应用被示出为从输入图像提取超像素，并且因此是优选的，因为该算法非常简单并且在多年的时间段内已经示出了巨大的结果（Liu等人，2011; Achanta等人， 2010年）。SLIC算法需要5维Lωaωbω聚类，其中Lωaωbω表示CIELωaωbω颜色通道，x和y是像素的坐标in an image图像.Lωaωbω是计算机视觉中流行的颜色空间因为它与RGB颜色空间不同，它类似于人类视觉。任何彩色图像的超像素的近似大小是n/N，其中n是图像中的像素数，N是作为算法输入的超像素算法间隔是Sn=N。假设的N质心是Cp/L p;a p;b p;x p;y p ，其中p = 1，2. N.在任何随机的两个质心，距离计算为：S.汗，M。纳尔韦卡尔沙特国王大学学报3510×图四、优化的分割步骤（a）色彩平衡图像（b）超像素图像（c）基于色彩约束的结果（d）基于色彩和HOG的结果。图五. 结果比较（a）原始图像，（b）基于HSV的分割，（c）基于k均值的分割和（d）建议的分割结果。Scolorinfo¼q黄色黄色L黄色1黄色-黄色L黄色2黄色黄色2黄色黄色2黄色2黄色3黄色a黄色1黄色-黄色3黄色a黄色2黄色2黄色2黄色2黄色3黄色2黄色3黄色b黄色1黄色-黄色3黄色b黄色2黄色2黄色2黄色2黄色3黄色2黄色S空间信息<$q空间信息x空间信息1空间信息-空间信息x空间信息2空间信息y空间信息y空间信息1空间信息-空间信息y空间信息y空间信息2空间信息y空间信息ð1Þð2Þ使用超像素中心周围的区域2S2S的距离度量进行聚类。在分配之后，进行更新步骤以通过拾取驻留在超像素中的所有像素的平均值来重新计算聚类中心。重复分配和更新步骤，直到错误消退。这里，使用L2范数计算误差当量（1）计算颜色相关参数的距离，当量（2）计算x和y空间坐标的距离。因此，任何两个像素之间的距离取决于颜色和空间接近度这两个参数。在将距离转换为单个新的距离度量之前，需要对颜色和空间接近度进行归一化，这通过以下方式实现：此外，进行后处理以将一些不相交的像素分配给附近的超像素。利用直方图特征提取图像数据的特征它通过计算每个像素的梯度和方向信息给出除了边缘存在信息之外的边缘方向这两个参数是在本地化的人计算D¼q.ffiffi ffiSffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi ffi=ffiffi ffiNffiffi ffiffiffiffiffiffiffi ffiΣffi ffi2ffiffiffi ffiþffiffiffi ffi.ffiffiSffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffi=ffiffiffiNffiffiffiffiffiffiffiffiffiΣffiffi2ffiffið3Þner，意味着图像被分割成不同的块，并且对于它们，进行计算。最后，为这些其中，等式中的N颜色（3）可以被设置为某个常数，因为色距确实变化（Achanta等人，2010年）。但是，Ndist可以设置为S。在SLIC算法的第一个初始化步骤中，初始中心被映射到具有S像素间距的网格。在随后的聚类步骤中，将图像的每个像素分配给最近个街区.在第二阶段，K-均值聚类应用于分割图像，以找到患病的感染区域。该算法通过初始化聚类数和初始质心来实现。背景丢弃图像的每个像素被分配给新颜色inf ο颜色空间信息DistS.汗，M。纳尔韦卡尔沙特国王大学学报3511我ðÞ我我我123N聚类基于其与中心的欧几里德距离来居中。迭代地，中心被更新，因此，像素值被改变。smIogX;Y ;如果m>thresh2在每次迭代中自然分配当分配的输出像素簇值没有进一步变化时，该过程停止简单地说，本文提出的优化分割方法包括三个部分：（1）利用SLIC对原始图像进行超像素分割;（2）利用HOG和超像素的平均颜色变化得到背景废弃叶片图像;（3）利用k-means聚类得到病害感染区域图像。拟议工作的步骤详细说明如下：1. RGB颜色空间到Lωaωbω颜色空间0;如果m6thresh 2其中XHOG是超像素的HOG描述符的值。当，其在超像素上计算的最大值大于阈值2时。当量（5）在输出中满足得到超像素这两个条件的融合满足，导致优化的最终分割图像，其中背景包括黑色纸张，土壤，阴影或任何其他东西被丢弃，树叶被留下，如图所示。 四、4. 利用k-means聚类得到感染病灶图像K均值聚类，采用无监督的聚类方法输入图像IogX;Y 首先进行色彩平衡以产生IcbX;Y. 然后为了将优化的分割图像分割成多个聚类，其中每个聚类图像表示不同的从RGB颜色空间转换到Lωaωbω颜色空间IlabX;Y . 这输入图像的方面。使用颜色空间是因为这是设备无关的，并且接近。类似于人类的视觉系统。 它提高了能见度(a) 步骤1：随机初始化中心。C0;C0;C0线和线段感染点的像素。2. 获取转换图像的SLIC超像素。在该步骤中，实施SLIC超像素算法以生成N个超像素，并且它们被表示为x1;x2. xN。N的值是根据经验得出的，对于我们的实现，它是100。超像素块算法的使用使得后续步骤高效，这是由于这样的事实，而不是在单个像素上进行处理。可以评估每个超像素的特征，以获得优于其他方法的分割益处。可以评估每个超像素的特征，以获得优于其他方法的分割益处。超像素包含像素，这些像素具有相似的颜色特征。3. 用于去除不需要的背景的超像素图像的细化。如果所访问的超像素xi，其中i = 1. . N满足以下约束之一，则它将存在于最终优化的分割图像中。(a) 颜色约束当量针对每个超像素执行（4）以丢弃不想要的背景并且帮助选择感兴趣区域。如前所述，如果背景中存在阴影，如图3所示。它们通过应用颜色约束来去除。S.maxn8xinvachannel;8xinvbchannel将优化的分割图像分成n个聚类，其中n的值使用肘方法计算。(b) 步骤2：计算所有三个输出中心中最小的一个C1;C2;C3作为Cfinal。(c) 步骤3：选择中心为Cfinal的聚类3.2.3. 特征提取特征提取是图像表示的关键。它被用于医疗成像，监控，光学字符识别（OCR），农业等领域。在本节中，解决的主要问题是使用特征提取器找到患病感染图像的准确表示。为了解决这个问题，我们的特征向量由纹理、统计和形状三种不同类型的特征组成。特征提取的完整流程如图所示。 六、PHOG是HOG的扩展，其中探索了空间金字塔属性（Zhang等人，2018年，2017年）。它给出了受影响区域的频域表示。灰度共生矩阵（GLCM）被用来计算图像的纹理。该方法引导测量图像中某个位置P（i，j）与其相邻像素之间按照某个距离和方向的灰度级强度水平的出现。在我们的工作中，患病感染区域的RGB图像转换它的灰度级形式和它的GLCM计算通过假设dis-哪里sm我IogX;Y我;如果m>thresh1距离= 2，角度=0°。在这项工作中，对比度（C），能量（E），相关性（q）和同质性（H）和相异性（D）的GLCM功能，最初提出的Haralick等。（1973年）。能量熵0;如果m6thresh 1由方程式s（m）是颜色起作用的阈值函数，在阈值中占主导地位，其中x在v中一 信道 和v_b_channel中的x分别表示每个超像素的反转的a_ω_channel的平均值和b_ω_channel的平均值当这两个值的最大值大于阈值1时，将被认为是优化分割图像的一部分。thresh1的值是根据经验得出的，以在由各种图像组成的输入数据集上工作。(b)空间形状约束。对比度、均匀性和相关性特征用于在原始的14个Haralick特征中找到像素的空间信息。除了形状和纹理提取器之外，统计特征在我们寻求感染区域的表示方面也很重要。因此，考虑以下文本特征。1. Mean（l）：对于患病区域中的P个像素和非患病区域中的QP N GSC I基于空间形状约束的HOG形状描述子，用于优化感兴趣区域分割的在前一步中进行。在基于颜色的分割之后，许多不想要的区域保留在图像中。因此，为了去除它们，HOG被包括作为附加的空间约束。S.我是X。8xHOG涡轮增压器 5英寸l¼i-12. 标准偏差（r）：由等式给出。（七）r<$rXGsc-l2=Ni-13. 方差（r2）：方差由等式计算（八）、ð6Þð7Þ哪里（（S.汗，M。纳尔韦卡尔沙特国王大学学报3512XN健康的叶子图像以相同的比率分类但在1/1¼见图6。特征提取过程的流程图。r2¼Gsc-l2=N8i-14. 峰度：计算公式如下：下载的图像数据集，我们自己收集的图像数据集和组合数据集。在第一个实验中，从Plant Village数据集拍摄了484张图像，如图 所 示。 7、他们是256× 256尺寸，并对其结果进行了测试和评价，1个PN公司简介280：20技术在第二个实验中，50个互联网-Ni1.Σð9Þ加载图像的早疫病，晚疫病，壳针孢叶斑病，1个PN2公司简介5. 偏度（c）：它由平均值（l）、众数（mo）和显示器中所有像素的灰度强度的标准偏差（r）缓解区域：第三个199现实世界的四种疾病的图像早疫病，叶矿工，昆虫攻击和潜叶蝇与早疫病已经考虑进行评价。第四个实验展示了所有三个数据集的组合图像。 最优值c¼l-mo3.2.4. 分类ð10Þ在分割阈值1和阈值2中使用的阈值是通过使用以下方程组经验地导出：thres h1¼.马X。xa通道l-N=311分类是最后一步，分类是决策树，支持向量机（SVM），k-最近邻，baidom分类器，模糊分类器，和ensem，技术精湛正如Amancio等人所做的工作中提到的那样我阈值2¼ f maxfHOG图像g= 2ð12Þ4RS.汗，M。纳尔韦卡尔沙特国王大学学报3513对各种分类器进行了比较，作者强调了事实上，虽然测试真实世界的数据是有益的。是总是希望将数据集上的性能与不同程度的多样性（Amancio等人， 2014年）。此外，委员会认为，他们强调要选择一个分类器，在不同的，具有不同参数设置的不同数据集在此提出的工作中，随机森林分类器是根据其性能在分类问题上。经过认真分析，得出随机森林提供最佳结果。它创建决策树，通过投票的方式得到每棵树的结果。4.实验结果与评价所提出的算法的性能在Plant Village数据集（Mohanty等人，2016年），互联网S.汗，M。纳尔韦卡尔沙特国王大学学报3514当量（11）在超像素的ω通道上应用最大值，以及N代表图像中的超像素数。当量（12）使用HOGfor the whole整个image图片.分类器包括线性判别分析（LDA）、K-最近邻（KNN）、CART、随机森林(RF)朴素贝叶斯和支持向量机（SVM）用于评价对于随机森林分类器，使用100棵树，支持向量机采用径向基核功能据说树越多，树就越粗壮-埃斯特群岛实施了七项措施来检查绩效，该算法的优点是真阳性率（TPR），假阳性率阳性率（FPR）、假阴性率（FNR）、阳性预测值（PPV）、错误发现率（FDR）、准确度和F1评分。所有的病叶图像都用python进行了处理和分类2.7 OpenCV，在Windows 10下运行在个人计算机上，内存为12 GB，运行时环境为Linux。S.汗，M。纳尔韦卡尔沙特国王大学学报3515图7.第一次会议。数据集的样本图像（a）植物村数据集（Mohanty等人， 2016），（b）互联网下载的图像，（c）真实世界图像数据集，以及（d）组合数据集。表2植物村数据集的早疫病性能指标分类器TPRFPRPPVFNRFDRF1评分精度LDA0.88010.1100.94百分之九十七KNN0.80.080.770.190.220.79百分之八十八推车0.850.0140.960.150.040.89百分之九十五RF0.910.0130.950.070.040.93百分之九十八SVM0.920.60.330.060.660.49百分之四十九1. 植物村数据集（Mohanty等人， 2016年）：表2显示了所有分类器与来自数据集的早疫病番茄疾病的参数的比较（Mohanty等人，2016年）。随机森林分类器实现了98%的最大准确率，并记录了0.013的最小FPR值。这表明该算法取得了较好的分类效果。表3显示了不同分类器在评估晚疫病中的结果比较。然而，随机森林实现了97%的准确性，最低FPR为0.01。表4显示了用不同分类器对壳针孢叶斑病的结果比较。使用随机森林分类器方法可获得95%的最大准确度，0.07 FP率。LDA对壳针孢叶斑病也有类似的表现现在，表4显示了TPR、PPV、FNR、F1评分和准确度的所有四种疾病的分类结果，其中使用随机森林分类器实现了最大召回率。表4和每个表之间的主要区别1 -3是关于评估性能的疾病。表4清楚地表明，随机森林优于其他分类器。总体混淆矩阵如图所示。8.第八条。2. 互联网下载图像数据集：从互联网上下载了57幅图像，包括早疫病、晚疫病、壳针孢叶斑病三种病害和一幅健康类图像。使用平衡数据集。表6显示了这种情况下的结果，其中使用随机森林分类器实现的最大准确度为83%。表1数据集。然而，表5示出了在因特网下载的数据集上的性能，并且这已经示出了所提出的方法在不同的输入数据上工作的能力。3. 真实世界数据集：该数据集包含从农场和大学露台上拍摄的图像，并由印度达波利的Balasaheb Sawant Konkan Krishi Vidyapeeth博士的病理部门团队进行分类。图像是四种疾病早疫病，昆虫攻击，潜叶蝇和潜叶蝇与早疫病。表7示出了图1中捕获的图像的结果。一个自然的环境。4. 组合数据集：该数据集由来自植物村，互联网下载和现实世界农场的图像组成。基本目的是在数据集中引入可变性，以评估其对现实世界中遇到的各种类型的有效性。表8显示了我们提出的使用TPR、PPV、FNR、F1评分和准确度的组合数据集的5. 比较分析：所提出的方法的结果与过去的工作和交叉验证，使用10倍，以显示准确性。表9示出了所提出的方法在植物村数据集上 实 现 了 97.2% 的 最 高 准 确 度 （ Mohanty 等 人 ， 2016 ） 与Dhaygude和Kumbhar（2013）基于机器视觉的番木瓜疾病识别（MVBPDR ）（Habib et al.，2018）、AIMSD （Araujo和Peixoto（2019））和CCF（Ma等人， 2017年）。在Dhaygude和Kumbhar（2013年）中进行的工作使用了绿色像素的掩膜用于分割目的，并且他们仅表3植物村数据集晚疫病的表现措施分类器TPRFPRPPVFNRFDRF1评分精度LDA0.60.060.700.40.64百分之八十七KNN0.60.060.70.40.290.64百分之八十六推车0.950.050.830.050.170.88百分之九十五RF0.890.0120.940.10.050.92百分之九十七SVM00.060110百分之七十四S.汗，M。纳尔韦卡尔沙特国王大学学报表43516植物村防治壳针孢叶斑病的措施分类器TPRFPRPPVFNRFDRF1评分精度LDA0.970.070.890.030.110.93百分之九十五KNN0.90.070.850.090.140.87百分之九十一推车0.90.060.80.080.130.88百分之九十二RF10.070.8500.140.92百分之九十五SVM0.40.030.860.590.130.55百分之七十八点三表5对所有四种疾病的业绩计量。分类器TPRPPVFNRF1评分精度LDA0.910.910.090.89百分之八十九KNN0.680.680.320.67百分之六十八推车0.950.950.050.95百分之九十四RF0.940.930.060.9392.78%SVM0.370.360.630.3241.23%在真实世界和互联网下载的图像上进行测试时，分割结果很差Ma等人（2017）提出的工作集中在使用颜色综合特征（CCF）进行分割。我们考虑了纹理特征来评估性能。如前所述，使用不同类型的数据集评估结果5. 结论和未来展望图8.第八条。使用随机森林分类器的所有四种类型疾病的混淆矩阵使用的纹理特征包括对比度、能量、均匀性和相关性为特征萃取然而，MVBPDR该方法采用Lωaωbω颜色空间上的k-均值算法进行图像分割，利用纹理特征和统计特征进行特征提取。Araujo和Peixoto（2019）为一个提出了一种新的大豆多病害自动识别方法（AIMSD），该方法在Lωaωbω颜色空间中使用k-均值进行分割，在HSV空间中使用k-均值找到最大值的轮廓最大优 势区域以消 除不需要的元 件的干扰。 因为他们 只在digipathos上测试了算法所提出的方法是能够自动检测和分类的番茄病害使用超像素为基础的优化分割在自然图像中。由色彩平衡算法组成的预处理步骤有助于减少照明的不必要影响，并有助于有效的局部最优阈值选择，其适用于不同类型的图像数据集。提出了一种基于HOG和颜色变化的新方法，有效地将树叶从背景中分离出来。基于PHOG形状描述符和灰度共生矩阵纹理特征的特征提取在提供特定疾病模式的唯一性方面被证明是有效的。我们已经实现了分类使用不同的分类器和随机森林使用100棵树证明有效地获得所提出的方法的性能。将所得结果与Dhaygude和Kumbhar（2013）以及Habib等人的结果进行了比较。（2018）、AIMSD（Araujo和Peixoto（2019））和CCF（Ma等人，2017年）。使用估计参数的比较分析表明，与其他现有的方法的整体有效性。然而，已经注意到，在用于分类的特征方面仍有改进的空间。可以设计更广泛的特征集以更好地表示分割图像。我们希望通过扩展收集的图像数据集并评估深度学习模型的结果来扩展这项工作，其中我们的分割图像将作为输入。颜色矩、直方图等特征可以与纹理特征相结合，生成一个综合的特征集。如果证明有效，结果也可用于其他类型的应用（见表9）。表6互联网下载数据集关于所有四种疾病的业绩计量。分类器TPRPPVFNRF1评分精度LDA0.850.90.150.85百分之八十二点九KNN0.750.710.250.72百分之七十五推车0.850.850.150.83百分之八十三RF0.790.790.220.79百分之八S.汗，M。纳尔韦卡尔沙特国王大学学报表43517十三SVM0.250.060.250.10百分之二十五S.汗，M。纳尔韦卡尔沙特国王大学学报3518表7针对真实世界数据集的所有四种疾病的性能测量分类器TPRPPVFNRF1评分精度LDA0.870.880.130.86百分之八十三KNN0.220.240.880.23百分之二十九推车0.750.750.250.75百分之七十五RF0.780.790.220.78百分之八十七点五SVM0.420.480.580.3241.66%表8综合数据集对所有四种疾病的业绩衡量分类器TPRPPVFNRF1评分精度LDA0.820.810.080.8百分之八十一KNN0.410.50.590.3842.30%推车0.810.810.090.880.76%RF0.860.870.140.8684.66%SVM0.40.230.60.26百分之二十六点九二表9对过去的方法进行性能分析。方法数据集ALDDMVBPDRAIMSDCCF法提出（Dhaygude和Kumbhar，2013年）（Habib等人，2018年）（Araujo和Peixoto，2019）（Ma等人，（2017年）厂村百分之九十六点三九百分之九十六61.45%百分之九十六点二一百分之九十七点四二（Mohanty等人，（2016年）互联网下载百分之八十百分之九十三点五38.33%百分之八十点八三百分之九十四现实世界百分之八十一点一百分之八十二55.41%百分之八十三点二百分之八十四点四组合87.72%89.18%48.75%百分之九十一百分之九十三点一八竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。致谢我们谨向李先生表示感谢Swapnil Dekhane先生，孟买TansaFarm的研究主任，协助数据收集过程，并向由Dr.M. Joshi（植物病理学系主任）Dapoli，印度，将所有收集的图像分类为不同的疾病。作者要感谢所有编辑和匿名评论者的建设性和及时的建议。引用Abisha，S.，Jayasree，T.，2019.图像处理技术及人工神经网络在茄子叶片病害检测中的应用。 IETE研究杂志，1-13。Achanta，Radhakrishna，Shaji，Appu，Smith，Kevin，Lucchi，Aurelien，Fua，Pascal，Süsstrunk，Sabine，2010.切片超像素。技术报告。阿里 ，胡 萨姆， 拉里 ，M. I. Nawaz ，Muhammad Zohaib， Sharif ，Muhammad ，Saleem，B.A.，2017年。基于颜色直方图和纹理描述符的柑橘病害症状自动检测。计算机和电子学在农业138，92-104。Amancio ， Diego Raphael ， Comin ， Cesar Henrique ， Casanova ， Dalcimar ，Travieso ， Gonzalo ， Bruno ， OdemirMartinez ， Rodrigues ， FranciscoAparecido，da Fontoura Costa，Luciano，2014.监督分类器的系统比较。PloS One9（4），e94137.Araujo，Juliana Mariana Macedo，Peixoto，Zelia Myriam Assis，2019。大豆多种病害自动识别新方案。农业计算机与电子167，105060。Basavaiah，Jagadeesh，Anthony，Audre Arlene，2020.基于