没有合适的资源?快使用搜索试试~ 我知道了~
沙特国王大学学报一种深入的鱼病自动识别方法马里兰州Jueal Miaa,Mar,Rafat Bin Mahmuda,Md.Safein Sadada,Hafiz Al Asada,Rafat Hossainba孟加拉国达卡水仙国际大学计算机科学与工程系b孟加拉国朗布尔,迪纳杰布尔,哈吉穆罕默德达内什科技大学渔业学院。阿提奇莱因福奥文章历史记录:2021年6月9日收到2021年12月12日修订2022年2月22日接受2022年3月9日网上发售保留字:鱼病识别专家系统分割算法分类评价矩阵A B S T R A C T鱼类在我国乃至全世界的粮食和营养安全中发挥着重要作用。因此,必须增加鱼的产量。但是,由于许多疾病,它正在减少,这些疾病可能会恶化国民经济。事实上,由于缺乏数据和高水平的专业知识,在鱼病方面没有进行过任何有效因此,我们的目标是有效地识别鱼病,可以帮助偏远的农民谁需要适当的支持养鱼。在早期阶段识别疾病攻击的鱼可以帮助我们采取必要的措施,以防止疾病的传播。在这项工作中,我们对专家系统进行了深入分析,这些专家系统可以继续使用智能手机捕获的图像并识别疾病。该方法首先选择两组特征,然后采用分割算法从无病部分中检测出有病部分。此外,八个突出的分类算法,相应地实现了性能的衡量,使用per-perception评价矩阵。随机森林的准确率达到88.87%,这是有希望的。版权所有©2022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. 介绍孟加拉国是重要的内陆渔业国家之一渔业部门在我国国民经济中发挥着至关重要的作用根据2018- 2019年孟加拉国渔业统计年鉴有很多人为了生计而从事这一行业。孟加拉国总人口中近12%的人直接或间接从事这一部门(孟加拉国渔业统计年鉴,2019年)。1.2在内陆渔业部门工作的有100万人,在海洋渔业部门工作的有30万人。鱼类提供了我国动物蛋白摄入量的55%(渔业和水产养殖国家概况,2021年)。根据2018- 2019年孟加拉国渔业统计年鉴*通讯作者。电子邮件地址:hafiz 15 -10175@diu.edu.bd(H.A.阿萨德)。沙特国王大学负责同行审查制作和主办:Elsevier2018-2019年,这证明孟加拉国是鱼类养殖的领先国家之一。在过去12年中,渔业平均增长率为12%。在过去的三十年里,孟加拉国(Aftabuddin等人,2016年)。根据Prothom Alo的报告,孟加拉国在鱼类生产方面排名第八(孟加拉国鱼类生产排名,2021年)。图中显示了孟加拉国业余渔民在捕鱼时的固定情况。1.一、孟加拉国通过出口鱼和与鱼有关的产品获得大量外汇。根据孟加拉国2018-2019鱼的传染病不仅影响鱼的产量,而且影响鱼的质量和数量.每年大约有15%的鱼产量因感染疾病而减少,当这些鱼在厨房里准备好时,养殖者敏锐地意识到他们在发展中国家的投资瘫痪。如果不采取适当措施,这种疾病将减少鱼类产量,从而使国民经济恶化。细菌、病毒和真菌是引起鱼类疾病的主要原因。鱼类常见的疾病有:流行性溃疡综合征、溃疡、皮肤曙红、鳃损伤、烂鳍烂尾等。我们主要进行了https://doi.org/10.1016/j.jksuci.2022.02.0231319-1578/©2022作者。由爱思唯尔公司出版代表沙特国王大学这是一个在CC BY-NC-ND许可证下的开放获取文章(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.com马里兰州J. 米娅,RB。马里兰州马哈茂德S.Sadad等人沙特国王大学学报7175Fig. 1. 孟加拉国的鱼类捕捞流行性溃疡综合征(EUS)、烂鳍烂尾病的研究此外,我们还与新鲜的鱼没有疾病。传统的评估是非常困难的,不能提供一个标准的结果。它有许多缺点。它浪费时间和金钱。因此,技术鉴定是减少金钱和时间损失的及时步骤。此外,它增加了鱼的产量,保证了人体内的蛋白质。计算机视觉方法是现代流行的方法之一。它被广泛用于疾病的识别。在这项研究中,我们已经实现了一个深度计算机视觉方法的自动鱼病识别。为我们的研究工作提出的专家系统已在图2中示出。首先,在数码相机或智能手机的帮助下捕获数字图像。然后将捕获的图像上传到移动应用程序以处理结果。图像经过一些步骤在专家系统上进行处理。专家系统首先从图像的无病区域中识别出有病区域。并根据图像的特征进行疾病识别。之后,专家系统将结果返回给用户。2. 相关作品鱼类生产中的失败是由于冗余和无计划的步骤而发生的,这些步骤可能导致各种疾病。对于业余养殖者来说,人工识别鱼病并不是一项没有错误的任务。因此,基于计算机视觉的自动化方法可能是减少疾病的一个相当大的解决方案。鱼病识别分为两个问题,即鱼病的检测,病区和疾病分类只有两个工作已经进行了识别一种鱼病。因为这方面的作品很少。为此,本文综述了果树病害防治的有关工作。Malik等人(2017)提出了一种使用图像处理技术进行自动鱼类识别的模型。他们已经确定了由真菌病原体引起的流行性溃疡综合征(EUS)疾病。这种疾病总是被人们误认,因为它看起来像溃疡。在这项工作中,图像分割是由直方图均衡化的方法,应用后,他们应用Canny的边缘检测技术。他们应用两种特征描述符技术HOG和FAST来提 取 图 像 的 特 征 。 本 文 采 用 两 种 神 经 网 络 和 K-NN ( NearestNeighbor)算法进行分类。Chakravorty等人(2015)陈述了一种借助PCA方法从鱼的图像中检测鱼病的模型,其中K均值聚类用于基于颜色特征的分割。为了提高疾病识别的准确性,他们引入了HSV图像和形态学运算。该系统使用了四种患有流行性溃疡综合征(EUS)的鱼类图像。在提取特征后,采用主成分分析方法形成特征向量,并根据欧氏距离进行分割。很少的数据集用于他们的实验,这是不足以确保所提出的系统的性能。López-Cortés等人(2017)提出了一种检测导致鲑鱼死亡的传染性病原体的模型。将质谱技术和机器学习技术相结合,建立一个自动化模型,用于疾病的分类和预测。其模型的准确度等于或大于92%。张(2017)说明了用于黄瓜疾病识别的基于机器视觉的技术。他们用420幅图像处理了7种疾病。采用K-均值聚类从图像中提取特征.从病变信息中提取组合的形状和颜色特征,然后使用稀疏表示(SR)进行分类。其模型的准确率为85.7%。Habib等人(2020)对菠萝蜜疾病的识别进行了深入的研究。他们使用K-均值聚类算法作为分割,从捕获的图像中提取特征。为了评估绩效,相应采用了9个分类器。在所有的分类器中,随机森林在性能评估矩阵方面表现出色。该系统的精度为89.59%,误差为10.41%。它们遵循的步骤是图像采集、去噪、图像分割、特征提取、分类、输出生成。他们的数据集由480张图像组成,分为5类,图二、专家系统识别鱼病(EUS,鳍和尾腐烂)。马里兰州J. 米娅,RB。马里兰州马哈茂德S.Sadad等人沙特国王大学学报7176XXK-非疾病图像Ghyar和Birajdar(2017)提出了一种使用纹理和颜色特征的水稻叶病识别模型。他们使用SVM和ANN作为分类算法,准确率分别为92.5%和87.5%120图像数据-考虑到我们发现强度值为I,微分系数为Ix,Iy和Ixy。内插强度表面的方程写为:3 3在他们的工作中使用了几套。对于图像分割,他们使用阈值方法,从水稻叶片图像中提取了13个特征。Aftabuddin等人(2016年)对养鱼户的鱼病状况和补救措施进行了调查。他们对196名农民进行了关于鱼类疾病的访谈和焦点小组讨论。研究表明,由于缺乏知识和兽医支持服务,疾病会损害淡水养殖业。Habib等人(2019)提出了一种用于菠萝蜜疾病识别和分类的自动计算机视觉方法。他们还使用K-均值聚类作为分割算法,从捕获的图像中提取特征。他们用了360个数据来进行这项研究。图像从色彩空间到RGB的转换是通过应用sx;ycmnxm yn; 1单位面积其中c_mn然后利用直方图均衡化增强图像对比度。令n和m是列方向和行方向的像素频率。Ik是颜色强度,ck是像素中的频率,l是图像中颜色强度的合理水平图像的每个像素都包括颜色强度Ik,借助于称为直方图均衡化的技术,将其映射到类似类型的像素中因此,颜色映射图像如下构建(Gonzales和Woods,2008)。I0¼TIkl-1Xci2K-means聚类。他们使用了两个特征集,由10个特征组成。 他们的模型锰含量支持向量机分类器识别率为88.67%。Wei等人(2018)提出了一种使用图像处理技术进行皮肤病识别的模型。在模型中引入灰度共生矩阵(GLCM)对图像进行分割。准确地提取了分割图像的特征。他们使用支持向量机作为分类算法,并取得了95%的准确率。Samajpati和Degadwala(2016)使用传统的机器学习方法进行苹果水果识别。他们使用了80张图像来训练模型。采用K-均值聚类作为分割算法,提取图像的特征.在分割算法的帮助下提取了13个特征,用于训练模型。随机森林分类器为他们提出的系统提供了更好的准确性。Mia等人(2019)陈述了一种用于各种当地水果识别和分类的农业医学专家系统。他们用240个图像来处理六种水果。他们还使用K-均值聚类作为分割算法来提取图像的特征。SVM分类器提供了90.79%的准确率,这对于他们提出的系统来说是足够有希望的。总而言之,我们建议的专家系统如下:.我们了解到,在识别两种疾病以及健康鱼方面还没有做任何工作。我们提出的系统将作为一个有助于鱼类生产的自动化系统,可以丰富我们的国民经济。因此,我们第一次进行这项研究,以识别鱼类疾病。我们的系统提取的特征作为疾病分类的决定因素,这将为在这种情况下进一步分类奠定坚实的基础。对分类模型进行了深入的分析,这将提高所提出的专家系统的性能。经过实验分析,可以看出,我们的系统达到的精度是有希望的。3. 研究方法3.1. 法应用图 3显示了自动化鱼类识别的逐步方法,其中k= 0,1,.. .,L1.一、仅仅依靠原始图像很难获得好的结果为此,进行了地震资料的去噪、对比增强等处理在数字图像的对比度增强之后,完成从RGB到L*a*b* 的颜色转换。分割算法K均值聚类用于L*a*b*颜色空间,其中L是亮度层首先,将图像从L*a*b*转换为CIE(国际照明委员会),命名为颜色空间XYZ(颜色转换算法,2019)。The 因此,图像被分割成不同的部分与K均值聚类算法的帮助该算法的目的是分组相似和不相似的对象。然后,从原始图像中减去图像的复杂背景。因此,我们得到了清晰的图像,其中病变区域作为分割的输出,这已经被Burney证明(Burney和Tariq,2014年6月)。还有一些其他的分割算法,即,大津但是K-均值聚类比其他分割算法更有效通过实现该算法,疾病区域从无病区域分离。我们发现了2个特征集,包括10个特征,即共生矩阵和统计。此外,八个突出的分类算法被用来分类的鱼的疾病。因此,深入的实验已经做了,以找出最好的分类器,使用性能评估矩阵。实现的分类模型有Logistic回归、BPN、CPN、梯度提升、SVM、随机森林、K-Star、KNN.准确性不能仅仅是绩效评估矩阵因为可能不完全适合于估计所采用的具有未标记数据集的分类模型的性能。除了精确度之外,还有一些其他的评估矩阵来测量所采用的专家系统的性能,如(Tan等人,2006)和(Han等人,2012年)。对于二进制混淆矩阵,计算真阳性(TP但是在多类中,有两个以上的类可以使用下面的公式(3)计算。易于识别。从图中可以看出,所采用的专家系统从患病和健康的彩色图像开始,Ceij]n×n:103×鱼.在获取图像之后,借助双三次插值(Keys,1981),将其调整为固定大小对于多类来说,没有直接的技术来计算TP可以容易地看出,根据(Habib等人, 2020)混淆矩阵C●●●●马里兰州J. 米娅,RB。马里兰州马哈茂德S.Sadad等人沙特国王大学学报7177×××.产品名称:Þ1FP-100X轴X X×TPFFNFP-100公司简介图三. 鱼病自动识别的工作过程。multiclass是nn矩阵(其中n> 2)。在nn矩阵,n分别是行数和列数。我们已经找到了n2记录从nn矩阵。TPTPcecc:104XF评分2×TP100 122×TP双FP双FNFPR¼. FP×100μ m%: 1013μ mFNR¼.FN ×100μ m%: 140μ mFPi¼j¼1;jneji:1000TPFFN应用10倍交叉验证技术,如(Habib et al.,2020)和(Tan等人,(2006年)估计FNi½eij: 6j¼1;j因此,使用等式(8)-(14)来确定所采用的分类器的性能最后,我们找到了最理想的分类器分类鱼病识别。n n电话号码:+75 212121j¼ 1;k1;j-ik-i通过采用所采用的技术,我们可以建立二进制二维22个方阵,由各个类别的混淆矩阵的平均结果组成。最后,采用性能评价矩阵即准确度、灵敏度或真阳性率、特异度或真阴性率(TNR)、F1评分、精确度、假阳性率(FPR)和假阴性率(FNR)来评价所采用的鱼病识别专家系统的性能。所有评价矩阵的计算方法如下:3.2. 鱼类疾病及特征疾病的深入调查对建立一个准确分类的系统起着至关重要的作用。在这个任务中,图像采集是第一步,其中一些图像被恢复用于训练和测试。数码相机和移动相机用于捕捉这些图像。我们不仅收集了患病鱼的图像,而且还收集了健康鱼的图像。拍摄的图像质量不同。图像为RGB格式。一对夫妇的图像,流行性溃疡综合征(EUS)和鳍和尾腐烂病影响的鱼显示在图。 四、● 流行性溃疡综合征:EUS是一种常见的鱼类疾病。精度.TP-2000100Σ它8¼ �P于我��%:100%Cete真菌。EUS会在患病的鱼身上造成可怕的损伤病变在相邻表面上最常见,在患病鱼身体的任何部位。 它迅速蔓延,感觉力不足。TP ×100μ g%:109μ g特异性¼。TN ×100μ m%:100μm精密度1/4。TP×100μ g%:≤11μg的水(疾病向导,2019年)的报告。鳍和尾鳍腐烂:尾鳍和尾鳍腐烂是热带鱼类最常见的疾病它是由革兰氏阴性菌,如弧菌,气单胞菌和假单胞菌。受疾病影响的鱼在鳍和尾巴上有病变和侵蚀鳍或尾缘大部分时间都变成白色,但在某些情况下可能是黑色和棕色。鳍和尾的一部分已经腐烂和下降(拉赫曼等人, 2010年)。n●马里兰州J. 米娅,RB。马里兰州马哈茂德S.Sadad等人沙特国王大学学报7178X1流量:¼XnPðI-IÞi×1n21个P-ti1 ði- Þ图四、常见鱼病:(a)流行性溃疡综合症(EUS)(b)鳍和尾腐烂(c)健康。健康:鱼体无斑点,尾巴和鳍都很好。鱼应该是新鲜的。我们使用了两种类型的特征集来进行我们的研究n意思是,ni¼1ð16Þ即统计和灰度共生矩阵(GLCM)。我们.2- 2-从两个功能集中选择了10个功能所采用的分类模型基于提取的输入图像的特征来对疾病进行正确分类。计算机视觉在另一个背景下也有一些Habib等人方差r:rni-:171/1-我...(2020)提出了一种使用上述特征识别菠萝蜜疾病的方法。因此,我们选择了Habib等人已经使用的功能。(2020年)。标准偏度(Skewness)M:1800偏差(r)、方差(r2)、均值(l)、峰度(j)和偏度(c)是我们研究的选定统计特征如果我是n4ðIi-IÞ像素的灰度强度和Ir,-I,IM标准偏差,峰度(Kurtosis)1/1n-2002年-3分19秒所有像素粒子的灰度强度的平均值和模式很奇怪。所述特征的方程式如下所示vuPnI-I2标准偏差:r/¼¼n:1500日元1n1/1Haralick等人(Haralick等人,1973)陈述了在该领域中使用GLCM特征的实验。他们已经研究了五个GLCM特征在从图像中对疾病进行分类方面起着重要作用如果g(x,y)是具有lg灰度级的大小为让我们假设一些变量,即(p1,q1)和图五、逐步改变图像。(a)疾病。(b)获得的图像。(c)调整图像大小(300× 300像素)。(d)对比度拉伸图像。(e)受疾病影响的分段地区。●Ir马里兰州J. 米娅,RB。马里兰州马哈茂德S.Sadad等人沙特国王大学学报7179X X2P-(p2,q2)是g(x,y)中的两个像素,r是距离,a是两个像素与纵坐标之间的角度。根据(Naikwadiand和Amoda,2013年),GLCM P(i,j,r,a)方程如下:P(i,j,r,a)=j(p1,q1),(p2,q2)2K×L:r,a,g(p1,q1)=i,g(p2,q2)=jj.以及sx,sy和mx,my是GLCM的行和列和灰度共生矩阵特征方程如下:lg-1lg-1对比度:Ci-jPi;j21ð20Þ在我们的研究中使用了五种类型的灰度共生矩阵特征,联系我们lg-1lg-1对比度(C)、熵(S)、能量(E)、相关性(q)和同质性(H)。其中P(i,j)是估计的GLCM的第(i,j)项:lg是图像中灰度级的总量相关系数:q<$iP<$0ijP i;jlxlyj¼0rx ryð22Þ图六、从一对三个不同类别的图像中提取的特征的表示马里兰州J. 米娅,RB。马里兰州马哈茂德S.Sadad等人沙特国王大学学报7180PL=½x-f]。MiiXXX X2j01i-j2表2表1分类收集的数据集。类别名称图像数量EUS 211尾巴和鳍腐烂99健康175共计4854. 实验评价基于计算机视觉的鱼病识别与分类农业医学专家系统如图2所示。这个数字只是表明了一种假设,即需要在早期阶段识别鱼病以阻止疾病传播的渔民可以通过智能手机或其他数字设备捕获图像。不同的设备具有不同的屏幕尺寸,这可能会影响系统的准确性。因此,不同尺寸的图像被转换为300× 300像素的固定尺寸。图像分类器的详细规格分类器规格每个袋子的随机森林大小=训练数据大小的百分比= 100%。迭代次数=随机森林中的树数= 100树的最大深度= 0从不同的角度和视角拍摄。 此外,图像的对比度增强的直方图均衡技术的帮助下。对比度增强后采集图像上采用的K-均值聚类分割技术为图像特征提取。使用提到分割算法患病区域是提取梯度提振要优化的损失函数。“越轨行为”指的是提升阶段数= n_estimators(int type)= 100(默认值)无病地区。图5示出了图像分割的示意图。K-均值聚类作为一种分割方法表现突出BPN网络拓扑:全连接双层前馈(10-传递函数:Sigmoid函数,scx1e-cx-1学习率,c= 0.27。动量率,a=0.21。CPN网络拓扑:全连接双层前馈(10-层1|第二章:学习率,c1| 2 = 0.35。层2|第三章:学习率,c2| 3 = 0.25。KNN曼哈顿距离,101/1权向量W =(w1 ;w2;w3 ;........................... w10)=n ×1n.k = 3。SVM线性函数用作C的核值为250043。K*手动混合设置= 20%启用熵自动混合设置=仅符号类指定治疗模式中的缺失值Logistic多项模型回归Logistic函数:logitqlq- ln 1-qlg-1lg-1熵值S:S-Pi;jlogPi;j23联系我们lg-1lg-1能源部:E¼Pi;j24联系我们lg-1lg- 1算法比Rozario等人已经陈述的任何其他算法, 2016年。这些是图像识别的最重要步骤为了评估分割算法的性能在完成数据训练后,我们使用图1中所示的系统进行了测试。 六、我们使用了六张鱼的图像,包括四种疾病以及两张健康的鱼的图像。从所有的图像中,三个被正确识别,其他三个被错误识别,如图6所示。我们总共使用了485张图像,用于三个类别,包括两个疾病类别(即:EUS,鳍和尾腐)和健康鱼图像。所有的图片都是从当地的鱼市和渔场收集的。表1中已经描述了按类别的图像数据。交叉验证(Han等人,2012年; Tan等人, 2006)技术被用来评估我们的专家系统。在我们采用的模型中应用了10倍交叉验证技术按照这种方法,九个部分用于训练目的,一个部分用于测试目的。训练完成后,我们利用测试数据的混淆矩阵计算了性能评价矩阵。我们模型的获得混淆矩阵是Habib等人(2020)已经解释的三个二进制(2类)。在得到矩阵后,根据表2所示的分类器进行逐步实验评估。在系统性能测量的分类器。我们使用了八个断言的分类器,即逻辑回归,BPN,CPN,梯度提升,SVM,随机森林,K-Star,KNN。它们并不是被随意采用的,而是有意识地包括了更广泛的所有类别。所有变量的值都是通过培训过程。计算变量用于评估均匀度:H/X XP/i;j/i1/4¼ð25Þ性能显著几性能矩阵即准确度、灵敏度、特异性、精密度、F1评分,表3所有分类器的性能评价矩阵。分类器度量精度错误率灵敏度特异性精度F1-分数FPRFNRLogistic回归83.64%百分之十六点三六69.94%87.01%71.71%70.31%百分之十二点九九30.06%BPN85.02%百分之十四点九八72.37%88.00%74.84%72.95%百分之十二27.63%CPN84.74%15.26%73.56%88.59%76.60%74.28%11.41%26.44%随机森林百分之八十八点八七百分之十一点一三80.01%91.08%82.40%80.91%08.92%百分之十九点九九SVM77.04%22.96%百分之五十九点二一81.56%60.02%百分之六十七点八七百分之十八点四四40.79%梯度提升86.67%百分之十三点三三74.93%89.22%78.24%75.76%百分之十点七八百分之二十五点零七K-Star79.24%20.76%64.43%83.88%64.42%百分之六十四点三五百分之十六点一二35.57%马里兰州J. 米娅,RB。马里兰州马哈茂德S.Sadad等人沙特国王大学学报7181KNN81.03%百分之十八点九七百分之三十四点九九84.58%百分之六十七点四五65.11%百分之十五点四二百分之三十四点九九马里兰州J. 米娅,RB。马里兰州马哈茂德S.Sadad等人沙特国王大学学报表47182所有分类器的类性能评估矩阵分类器疾病度量精度错误率灵敏度特异性精度F1分数FPRFNRLogistic回归EUS79.79%百分之二十点二一81.99%78.10%74.25%77.93%21.90%百分之十八点零一鳍和尾腐烂81.44%百分之十八点五六百分之四十点四91.97%56.34%47.06%08.03%59.60%健康89.69%百分之十点三一87.43%百分之九十点九七84.53%85.96%09.03%12.57%BPNEUS百分之八十点八三百分之十九点一七82.94%79.20%75.43%79.01%20.80%17.06%鳍和尾腐烂83.51%百分之十六点四九44.44%百分之九十三点五二63.77%52.38%06.48%55.56%健康百分之九十点七二09.28%89.71%91.29%85.33%87.47%08.71%百分之十点二九CPNEUS81.44%百分之十八点五六84.36%79.20%百分之七十五点七五79.82%20.80%15.64%鳍和尾腐烂84.33%15.67%45.45%百分之九十四点三67.16%54.21%05.70%54.55%健康91.75%08.25%百分之九十点八六百分之九十二点二六86.89%88.83%07.74%09.14%随机森林EUS88.66%11.34%62.63%百分之九十五点三四77.50%69.28%04.66%37.37%鳍和尾腐烂百分之八十五点九八百分之十四点零二87.68%84.67%81.50%84.48%百分之十五点三三百分之十二点三二健康91.96%08.04%89.71%百分之九十三点二三88.22%88.96%06.77%百分之十点二九SVMEUS76.70%23.30%24.24%百分之九十点一六38.71%29.81%09.84%75.76%鳍和尾腐烂68.66%31.34%71.09%66.79%62.24%66.37%33.21%百分之二十八点九一健康85.77%百分之十四点二三82.29%87.74%79.12%80.67%12.26%17.71%梯度提升EUS百分之八十五点一五百分之十四点八五47.47%百分之九十四点八二百分之七十点一五56.62%05.18%52.53%鳍和尾腐烂82.27%17.73%85.31%79.93%76.60%80.72%百分之二十点零七14.69%健康92.58%07.42%百分之九十二百分之九十二点九87.98%89.94%07.10%08.00%K*EUS77.11%22.89%百分之三十八点三八87.05%43.18%40.64%百分之十二点九五61.62%鳍和尾腐烂72.78%百分之二十七点二二69.19%百分之七十五点五五68.54%68.86%百分之二十四点四五30.81%健康87.84%百分之十二点一六85.71%89.03%81.52%83.56%百分之十点九七百分之十四点二九KNNEUS79.79%百分之二十点二一29.29%百分之九十二点七五50.88%37.18%07.25%70.71%鳍和尾腐烂73.20%26.80%77.73%69.71%66.40%71.62%30.29%22.27%健康90.10%09.90%88.00%91.29%85.08%86.52%08.71%02.00%图7.第一次会议。所有实现的分类器的ROC曲线马里兰州J. 米娅,RB。马里兰州马哈茂德S.Sadad等人沙特国王大学学报表47183FPR和FNR,相应地在表3中示出。所有分类器的类性能评估矩阵也在表4中示出。从表3可以看出,随机森林分类器在执行的上下文中在所有分类器中变得显著。表5所有采用的分类器的AUC值。分类器AUC随机森林0.8971梯度提升0.8776BPN0.8581CPN0.8553Logistic回归0.8508KNN0.8215K*0.8020SVM0.7825曼斯相比之下,SVM和K * 并行提供最差的准确性即使随机森林提供了最高的准确性,也有一些其他突出的分类器,如梯度增强,与随机森林相比,它也提供了良好的准确性。随机森林和梯度提升的准确率分别为88.87%和86.67%,这是足够接近的。从表4中我们还注意到,它可视化了所有分类器的类性能评估矩阵。它指出,个体类别的最高准确率是由随机森林实现的,对于EUS为88.66%,对于鳍和尾腐烂为85.98%我们发现,梯度提升分类器在非疾病或健康类别中的考虑到所有这些观察结果以及分析所有八个指标,我们可以说随机森林在用于识别鱼类疾病的所有九个分类器中表现最好。我们使用了另一种方法来评估所有分类器的性能采用的方法名称是接收机操作-马里兰州J. 米娅,RB。马里兰州马哈茂德S.Sadad等人沙特国王大学学报7184表6相关研究与我们工作的对比分析研究工作处理对象的若干类数据大小用技术分割算法功能集最佳分类器精度这项工作Malik等人(2017年)鱼类疾病32485NM机器学习机器K-Means聚类直方图均衡10NM随机森林神经网络百分之八十八点八七NMChakravorty等人(2015年)疾病鱼2NM学习机K-means聚类NM关于K-NNPCANMZhang等人(2017年)疾病黄瓜7420学习机K-means聚类NM稀疏85.70%Wei等人(2018年)皮肤3NA学习机K-means聚类NM代表权(SR)SVM百分之九十Habib等人(2020年)菠萝蜜5480学习机K-means聚类10随机森林百分之八十九点五九Samajpati和苹果380学习机K-means聚类13随机森林(60-03 The Dog(2016)学习百分之一百Mia等人(2019年)水果6240机K-means聚类10SVM百分之九十点七九Rozario等人(2016年)水果363学习机K-means聚类,修正的K-meansNMNMNM学习集群,大津NM* =未提及。ROC曲线,用于可视化几个分类器的比较性能。因此,我们使用ROC曲线来衡量分类器的性能。此外,如果ROC曲线下的面积等于1,则分类器的性能被认为是足够有希望的。从图中可以看出。 7,随机森林优于所有分类器。与随机森林相比,SVM的性能最低所有分类器的AUC值如表5所示。5. 比较分析正如我已经说过的,没有一个有效的工作已经做了鱼病识别,处理两种鱼病以及健康的鱼。为了评估所提出的专家系统的识别率,需要与已发表的相关研究工作进行比较。只有两个工作已经做了鱼病识别,但他们进行了他们的研究工作,只有一种疾病,这是有限的数据量和准确性相比。此外,大多数实施的工作是在另一种情况下完成的,并且限于表6所示的用于识别水果和蔬菜疾病的计算机视觉方法的感知。可以看出,他们的努力在认可上是好的,但基于实践证据的细致的绩效评估仍然不足。因此,我们努力在疾病识别的背景下比较各种研究论文,以准确地调查性能。此外,我们已经测量了我们的系统的性能相比,其他现有的工作是有前途的。不同相关研究工作与我们工作的对比分析见表6。我们的系统达到的准确率是近89%,这表明我们提出的专家系统的识别率是足够好的。6. 结论和今后的工作本文对基于计算机视觉的鱼病识别的必要性虽然鱼病识别是一项艰巨的工作,但我们的工作做得很好。两种类型的功能集已被用来进行这项研究。为了提取特征,K-均值聚类算法已被使用。采用分割算法对数码相机或智能手机拍摄的数字图像进行手机.提取的特征已被用作八个独特的分类器中的输入。此外,性能评估矩阵用于评估性能。在所有的分类器中,随机森林在矩阵方面表现突出。总之,我们提出的系统实现的准确率为88.87%,这是有希望的。然而,仍有一些需要改进的地方。因此,未来的工作可能是增加数据集,并就更广泛的鱼类疾病开展工作。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。引用2018-2019年孟加拉国渔业统计年鉴。可在线访问:http://fisheries.portal.gov.bd/[最后访问日期:2021年5月17日]。渔 业 和 水 产 养 殖 业 国 家 概 况 。 可 在 以 下 网 址 获 得 : http://www.fao 。org/fishery/facp/BGD/en [Last accessed on April 30,2021].Aftabuddin , S. , Nurul Islam , M. , Bhuyain , M.A.B. , Abdul Mannan , M. ,Mahbub Alam,M.,2016.孟加拉国西南部淡水养殖场的鱼类疾病和养殖户采取的对策。孟 加 拉国J. 祖儿 44(1),111-122。孟 加 拉 国 在 鱼 类 生 产 中 排 名 , 可 在 线 查 阅 : https://en.prothomalo.com/bangladesh/Bangladesh-ranks-eighth-in-fish-production [上次访问于2021年4月30日]Malik,Shaveta,Tapas Kumar,Sahoo,A.K.,“识别鱼病的图像处理技术。在2017年IEEE第二届信号和图像处理国际会议(ICSIP)上,pp。55比59 IEEE,2017年。Chakravorty,H.,保罗河,巴西-地Das,P.,2015.图像处理技术检测鱼病。Int. J. Comput.Sci. Security(IJCSS)9(2),121-131.López-Cortés,X.A.,Nachtigall,F.M.,奥拉特,V.R.,阿拉亚,M.,Oyanedel,S.,迪亚兹,V.,雅各布,E.,Ríos-Momberg,M.,洛杉矶桑托斯2017.三文鱼养殖业中病原体的快速检测。Aquarium 470,17-24。Zhang,S.,(1991),中国农业科学院,Wu,X.,中国农业科学院,你Z张,L.,2017.基于稀疏表示分类的黄瓜叶片图像病害识别。Comput.电子农业。134,135-141。Habib , Md Tarek , Md Jueal Mia , Mohammad Shorif Uddin , and FarrukAhmed. 沙特国王大学学报-计算机与信息科学(2020)。Bhagyashri S. Ghyar和Gajanan K. Birajdar,Md Tarek Habib,Md Robel Mia,Md Jueal Mia,Mohammad Shorif Uddin和FarrukAhmed。“菠萝蜜病害识别的计算机视觉方法”在国际计算智能联合会议上,pp。343-353. Springer,新加坡,2019年。马里兰州J. 米娅,RB。马里兰州马哈茂德S.Sadad等人沙特国王大学学报7185韦湖,澳-地美国,Gan,Q.,吉,T.,2018.基于图像颜色和纹理特征的皮肤病识别方法。Comput. 数学方法Med. 2018年Samajpati,B.J.,Degadwala,S.D.,2016.基于随机森林分类器的苹果果实病害检测与分类混 合 方 法 。 在:2016年国际通信和信号处理会议(ICCSP),pp。 1015-1019Mia,Md Robel,Md Jueal Mia,Anup Majumder,Soummo Supriya,and Md TarekHabib.“ 基 于 计 算 机 视 觉 的 本 地 水 果 识 别 ”Int. J. Eng. Adv. Technol. 9 , no. 1(2019):2810-2820.凯斯河,1981.用于数字图像处理的三次卷积插值。IEEETrans. 声音。语音信号处理。 29(6),1153-1160。冈萨雷斯,R.C.,伍兹,R.E.,颜色转换算法,在线提供:http://cs.haifa.ac.il/hagit/courses/ist/Lectures/Demos/ColorApplet2/t_convert.html#RGB%20to%20XYZ%20%20XYZ%20to%20RGB [最后访问于2019年10月12日]伯尼,S.M.A.,塔里克,H.,2014年6月。图像分割的K均值聚类分析。Int. J. Comput.应用96(4),1-8。Tan,P.- N.,Steinbach,M.,库马尔,V.,2006年。数据挖掘导论艾迪生-韦斯利。汉,J.,Kamber,M.,裴杰2012.数据挖掘的概念和技术。爱思唯尔疾病指南流行性溃疡综合征(红斑病),可用在 线 : https://thefishsite.com/disease-guide/epizootic-ulcerative-syndrome-red-spot-disease [Last accessed on October 12,2019].拉赫曼,M.M.,Ferdowsy,H.,Kashem,MA,Foysal,M.J.,2010.孟加拉国印度鲤鱼和攀鲈的尾和鳍腐烂病。 《生物科学杂志》 10(8),800-804。Haralick , R.M. , Shanmugam , K. , 丁 斯 坦 岛 , “ 图 像 分 类 的 纹 理 特 征 ” , IEEETransactions on Systems,Man ,and Cybernetics,vol. SMC- 3,issue 6,pp.610-621,11月26日,日内瓦一九七三年Naikwadiand,S.,Amoda,N.,‘‘Advances in image
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功