没有合适的资源?快使用搜索试试~ 我知道了~
沙特国王大学学报基于机器视觉的番木瓜病害识别马里兰州Tarek Habiba,b,Anup Majumderb,A.Z.M.贾卡利亚b,莫瑞姆阿克特a,Mohammad Shorif Uddina,Farruk Ahmedca孟加拉国达卡贾汉吉尔纳加尔大学计算机科学与工程系b孟加拉国达卡水仙国际大学计算机科学与工程系c孟加拉国达卡孟加拉国独立大学计算机科学与工程系阿提奇莱因福奥文章历史记录:收到2018年2018年6月7日修订2018年6月13日接受在线提供2018年保留字:木瓜病农业医学专家系统机器视觉k-均值聚类支持向量机A B S T R A C T多年来,基于视觉的木瓜病害识别系统的研究很少,以帮助遥远的农民,其中大多数人需要适当的支持种植。由于基于视觉的技术的进步,我们找到了一个很好的解决这个问题。番木瓜病害识别主要涉及两个具有挑战性的问题:一是病害检测,二是病害分类。考虑到这种情况下,在这里,我们提出了一个在线的基于机器视觉的农业医疗专家系统,处理通过移动或手持设备捕获的图像,并确定疾病,以帮助遥远的农民解决问题。一些实验表明,建议的专家系统的效用。首先,我们从区分属性的角度提出了一组特征。采用K均值聚类算法从采集的图像中分割出疾病侵袭区域,然后提取所需的特征,利用支持向量机进行疾病分类。超过90%的分类精度已经实现,这似乎是好的,以及有前途的比较性能与最近报道的相关工作。©2018作者制作和主办:Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。1. 介绍孟加拉国是一个发展中国家,人口稠密,人口的突出部分依赖农业。正是农业管理了就业,占该国总人口的47%(孟加拉国农业,xxxx)。很容易认识到,农业对国内生产总值的贡献也很大,占总产值的16%(孟加拉国农业,xxxx)。孟加拉国在满足国内需求后,开始出口农产品。为了维护这一地位,*通讯作者:孟加拉国达卡贾汉吉尔纳加尔大学计算机科学与工程系。电子邮件地址:md. yahoo.com(M.T. Habib),anupju.cse20@gmail. com(A.Majumder ) , jakaria2768@diu.edu.bd ( A.Z.M. Jakaria) , ecs_morium@yahoo.com ( M.Akter ) , shorifuddin@gmail.com ( M.S.乌 丁 ) ,farruk60@gmail.com(F.Ahmed)。沙特国王大学负责同行审查农产品的品质必须保持适当的照顾。在孟加拉国,识字率仅为64.6%(2018年识字率国家列表),大多数农民都是文盲。他们几乎没有受过任何先进农业技术的训练。同样,也有一些问题发挥作用。其中之一是交通问题,为此,他们不能轻易到达农业中心。即使他们需要任何建议,他们也无法到达适当的地方寻求帮助。另一个问题是由于缺乏教育,农民对先进技术的无知。他们对古老的农业工具和机械感到舒适。如果为他们提供适当的支持,以生产更好和无病的作物,那么这将对他们非常有益。读者应该保留这个记住,在本文中,我们提出了一种基于在线机器视觉的农业医学专家系统,该系统对通过移动或手持设备捕获的图像进行处理,并确定疾病对产品的污染。在众多农产品中,我们选择了木瓜,这是孟加拉国一种非常受欢迎和大量种植的水果兼蔬菜。它不仅是种植在坚实的土地,但也在院子里的业余园丁如图1所示。在栽培期间,番木瓜受到多种病害的侵袭,https://doi.org/10.1016/j.jksuci.2018.06.0061319-1578/©2018作者。制作和主办:Elsevier B.V.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/)。制作和主办:Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页:www.sciencedirect.comM.T. Habib等人 /沙特国王大学学报-计算机与信息科学32(2020)300-309301图1.一、孟加拉国的木瓜种植:(a)专业农民大规模种植木瓜(b)业余园丁在庭院种植木瓜损害因此,农民面临着巨大的经济损失。据报道,孟加拉国的木瓜收获后损失估计约为39.9%,真菌病是其中之一。主要原因(Hamim等人 , 2014 年 ) 。 它 也 被 发 现 于 ( Hamim et al. , 2014 ) 通 过 对Mymensingh地区成熟番木瓜的调查,炭疽病是成熟番木瓜最有害的真菌病害。本文对基于机器视觉的番木瓜病害识别方法进行了深入的探索性研究我们提出了一个农业医学专家系统,可以处理木瓜图像,并识别其中的任何疾病的污染提出了一种用于识别疾病的特征集图像处理技术用于从图像中提取特征然后利用支持向量机(SVM)对疾病进行该系统几乎可以实时工作。本文的其余部分组织如下。第二部分介绍了农业医学专家系统的体系结构。第3节描述了解决自动水果缺陷检测问题的解决方案的当前状态。第四节介绍了这些疾病及其特征。本节还介绍了特征提取机制。第5节描述了我们系统的整个方法。第6节给出了结果和讨论。最后,总结、局限性和未来范围见第7节。2. 文献综述基于机器视觉的疾病或故障识别问题可以分解为两个领域,即故障检测和故障分类。一些研究者将他们的工作仅限于故障检测,而另一些则包括故障检测和分类。然而,很少有人尝试基于机器视觉的水果病害识别,特别是集中在木瓜。Dubey和Jalal(2014),Barbedo(2013)和Raut和Ingole(2017)在他们的评论作品中,不仅深入研究了自动水果和蔬菜分类以及水果和叶子疾病识别的最新方法,还研究了通过部署这些方法获得的性能。值得注意的是,这些综述工作都没有提供任何关于番木瓜疾病的研究进展。Chopaade和Bhagyashri(2016)进行了基于不良工作的图像处理,仅用于解决疾病检测问题。他们没有遵循基于视觉的方法,这就是为什么没有特征,也没有使用分类器。他们只进行了基于直方图的分割检测水果叶(包括木瓜)疾病。因此,他们的工作不能被认为是一个成功的基于视觉的应用。Samajpati和Degadwala(2016)提出了一种用于苹果果实病害检测和分类的混合方法。 所谓混合,他们指的是功能的融合。他们提出了两种类型的特征,即基于颜色的特征和基于纹理的特征,它们总共由十三个特征组成。在他们的混合工作中考虑了三种类型的苹果果实感染。在他们杂乱的工作中,首先利用K均值聚类技术分割出苹果图像中的病害部分,然后结合颜色和纹理特征对病害进行随机森林分类,或者将这两个步骤颠倒进行。对于分类,他们在训练数据集中使用了七十(70)张图像,在测试数据集中每类使用了十(10)张图像。 由于采用了不同的特征融合方法,因此其准确率在60%-100%之间。他们没有对获得的性能结果进行任何分析,而只是显示了不同的准确性。Batule et al.(2016)进行了非常不知情和模糊的工作。虽然他们提出了一种方法来检测叶片疾病,通过使用噪声去除技术和k-均值聚类分割,几乎所有的细节都在他们的论文中缺失。他们还留下了分类任务未完成,只是告诉他们的工作可以扩展到支持向量机,以分类疾病。 事实上,他们既没有提出一个特征集,也没有使用SVM进行分类。Kurniawati等人(2009年)试图采用基于视觉的方法仅识别三种水稻病害。他们分别使用两个阈值分割技术,即局部熵和大津,以提取特征。 他们研究过两种类型的人,即形状和颜色,总共由五(5)个特征组成的特征。这意味着他们的研究工作跨度相当低。虽然他们声称使用基于规则的分类器,但在这方面没有提供详细的信息。这就是为什么他们的方法获得的准确率(局部熵为94.7%,Otsu为61.2%)并没有表现出任何鲁棒性。Rozario等人(2016)使用了基于图像处理的方法。这意味着他们的工作只集中在检测水果和蔬菜的缺陷上,即苹果、香蕉、西红柿和土豆。他们没有进行任何分类工作。Naikwadi和Amoda(2013)应用了一种可疑的和弱信息的基于视觉的方法来识别植物叶病。他们不仅没有提供植物数量的信息,而且也没有提供所获得的准确性。 他们声称只使用了三十二(32)个图像样本。 他们声称使用十(10)个颜色和纹理特征与神经网络处理技术来识别五种植物叶病,但大多数相关信息在他们的论文中缺失。尽管Kumar和Suhas(2016)声称应用基于视觉的方法来识别不同的水果疾病,X-j¼-3<116YnYnXX¼YnZn4 5:刘伟263726372637Y24-54 5302号公路Habib等人 /沙特国王大学学报-计算机与信息科学32(2020)300- 309由于遗漏了许多重要的细节,他们的工作变得有问题,而且信息不足。他们声称使用十(10)种不同的水果,但处理的疾病数量他们没有被报道。他们声称使用了243张图像的数据集,但他们没有提到他们用于分类的特征数量。从本质上讲,他们已经把工作的介绍弄得一团糟。重要细节信息的缺失削弱了它们所获得的约然后利用直方图均衡化技术增强图像的对比度。假设C是像素中的列数,即宽度,R是像素中的行数,即height,nk是具有颜色强度rk的像素的数量,并且L是图像中可能的颜色强度级别的总数;然后通过使用(1)将具有颜色强度rk的每个像素映射到具有颜色强度s k的对应像素来获得经处理或颜色映射的图像。K87.47%。考虑到上述研究工作,我们可以得出结论,没有人对sk<$TrkL 12019-04-25j¼0番木瓜病害识别此外,大多数涉及水果或蔬菜或叶病识别的作品都很差,不合格。因此,目前的研究状况与实际工作存在着明显的差距。3. 系统架构基于机器视觉的在线番木瓜病害识别农业医学专家系统的体系结构如图2所示。它起源于这样的假设,即某人(即农民或用户)使用移动电话或手持设备捕获受疾病影响的番木瓜的图像,其中所提出的移动电话或手持设备可以是便携式的App已经安装。然后heshe将图像发送到我们的其中k0; 1;. ;L1:然后将直方图均衡图像从RGB颜色空间转换到L *a*b* 颜色空间。之所以发生这种转换,是因为Aqil Burney和Tariq(2006)报告说,与RGB颜色空间相比,k-均值聚类在L *a*b* 颜色空间中对图像 的 分 割 效 果 要 首 先 , 按 照 ( ColorConversion Algorithms ,xxxx ) 从 RGB 颜 色 空 间 向 CIE ( International Commission onIllumination,国际照明委员会)XYZ颜色空间进行变换,如(3)电话:+86-21- 537150传真:+86-21 -537150传真:+86-21- 537150电话:+86-021- 8888888传真:+86-021-88888888Z电话:0556 - 8888888传真:0556 -88888888B专家系统使用APP。收到图像后通过前端软件的互联网,它被发送到后端服务器,在那里我们的农业医疗专家系统安装。系统将根据输入图像给出反馈反馈为了将XYZ颜色空间转换为L *a*b* 颜色空间,我们假设Xn、Yn和Zn是参考白色的三刺激值。我们更多地假设,将作为SMS发送到用户(t1116如果t> 0: 008856前端软件。f7:787t16如果测试60: 008856:444,4. 研究方法图3示出了基于机器视觉的番木瓜病害识别问题的解决方案框架。它以一个然后我们可以按照(颜色转换算法,xxxx)写L<$a<$as和b<$as的方程8 .第八条。Σ13Y有缺陷的木瓜的彩色图像图像数据在本地采集以及互联网。首先,将图像转换为通过使用双三次插值(双三次Lω¼YYn:903:3Y- 十六岁如果Yn >0:008856:如果Y60:008856ð5Þ插值,xxxx)。假设强度值I和导数-aω1/450 0。F. X-fY:6在四个角(0,0),(0,1),(1,0)处已知函数px,py和pxy和单位平方的(1,1)。然后,插值强度表面-可以用(0)来写face。Xnbω20 0。F.YðYnÞF. Z系列7px;yaijxi yj;1联系我们其中ij是系数。然后,图像被分割成若干个区域,使用k-均值聚类技术。因此,可以区分故障部件从无故障的部分。从故障部分,然后两种类型的功能图二. 基于机器视觉的在线农业医学专家系统体系结构。33-X×X×TPFFNFP-100公司简介FP-100FNFUNTPn1/4 ×%:×j¼1;j我JK基于k-均值聚类的图像特征提取:1. 共生矩阵特征2. 统计特征SVMs检验结果输出RGB 颜 色 空 间 到 L*a*b* 颜色空间基于直方图均衡的对比度调整大小为固定大小的图像捕获图像的输入基于对疾病的分析,提出了一种特征集,该特征集包括M.T. Habib等人 /沙特国王大学学报-计算机与信息科学32(2020)300-309303图三. 基于机器视觉的番木瓜病害识别问题的解决方法。形成向量,即共现和统计。我们将在下一节(即第5节)中详细描述这些功能。我们采用这些特征向量的支持向量机。支持向量机可以看作是线性分类器的扩展形式。在众多的应用领域中,支持向量机被证明具有很高的分类精度,其性能往往优于其他分类器。它最初是为二进制分类问题设计的,但我们的问题是多类的。为了处理我们的多类问题,我们使用了许多支持向量机与一对休息(1-r)的方法(谭等人, 2006年)。在使用训练数据集训练支持向量机在性能分析中,准确度不是分类器的实际性能的严格度量,因为它可能不太适合评估从不平衡数据集导出的分类模型,即,不同类别中的观测值的数量变化很大。因此,不仅准确性,而且还需要一些其他指标来敏锐地评估分类器的性能,如Tan等人所述。(2006)和Han等人(2012)。二元问题的混淆矩阵报告了假阳性(FP)、假阴性(FN)、真阳性(TP)和真阴性(TN)的数量。在多类的情况下,即对于大于2类的问题,其混淆矩阵的维数为n n(n> 2).据观察,该矩阵包含n行,n列和总共n n个条目根据该矩阵,不可能直接计算FP、FN、TP和TN的数量。根据该方法,类别i的FP、FN、TP和TN的值被计算为(混淆矩阵,xxxx):TPi¼aii:108mmnFPi¼aji:109j¼1;jnFNi¼aij:10000j¼1;j- i精度TP100 12公司简介灵敏度:<$13μ m特异性¼TN×100%:1400精密度TP×100%:15000FPR¼FP× 100%:1016μ mFNR¼FN×100%: 1017mm我们使用保持方法(Tan等人,2006; Han等人,2012),以便根据等式(12)-(17)中所示的评估度量来评估我们的分类器的性能。然后,我们应用受试者工作特征(ROC)曲线比较我们总共使用的三个分类器的相对性能。5. 疾病和特征描述5.1. 疾病描述疾病分析是我们方法中非常重要的一部分,因为它有助于正确理解疾病造成的缺陷,并为适当的特征提供线索在这项工作中,我们已经处理了五种疾病,经常发生在孟加拉国,即黑斑病,白粉病,褐斑病,疫霉枯萎病和炭疽病。所有疾病发作的图片如图所示。 四、TN 1/4微米Xa:1000k¼1;k5.2. 特征提取继续这种方法,最终的混淆矩阵,这是2 - 2维,包含所有类的n通过使用混淆矩阵,准确度、灵敏度、特异性、精密度、假阳性率(FPR)和假阴性率(FNR)的识别系统进行计算。在我们的SVM经过训练之后,使用测试数据集根据这些指标来衡量性能。因此,支持向量机准备将木瓜图像分类为有故障和无故障。基于混淆矩阵,准确度、灵敏度、特异性、精密度、FPR和FNR以百分比估算为:统计和灰度共生矩阵(GLCM)的特征,用于识别疾病。Tarek Habib和Rokonuzzaman(2011)已经证明了统计特征在纺织品缺陷识别方面的区别性。由于在这项工作中,我们也在寻找缺陷,我们选择了TarekHabib和Rokonuzzaman(2011)中提出的一些歧视性统计特征。这里讨论这些特征Mean(l):如果在故障区域中存在N个像素,在无故障区域中存在M个像素,并且故障区域中的像素的灰度颜色强度由GS表示,则●NXX2PXX2联系我们ÞXXL-1L-1●R×N1/1GSi-lN相关性:q<$i<$0j<$0:125Ωj/4。 N1/1Σ2I¼Pi¼¼304号公路Habib等人 /沙特国王大学学报-计算机与信息科学32(2020)300- 309图四、一些疾病在孟加拉国各地经常发生(a)黑点。(b)白粉病(水果)。(c)白粉病(叶)。(d)褐斑。(e)疫霉疫病。(f)炭疽病NGSl¼i¼1ð18Þ均匀性(H)。等式(24)L-1L- 1● 标准偏差(r):如果在故障区域中存在N个像素,其中GS和l表示像素和所有像素的平均灰度颜色强度,sPr¼ð19Þ对比度:Ci-j2Pi;j:24联系我们PL-1PL-1i:j:Pi;j- lx:lyr:rxy● 方差(r):如果在故障区域中存在N个像素,其中GSL和L表示像素的灰度颜色强度,各像素的灰度颜色强度,L-1L- 1能源:E¼Pi;j:26联系我们r2¼N1/12I20N熵SL-1L- 1 P i j logP ij27● 峰度(j):如果在故障区域中存在N个像素,其中GS和:¼-联系我们;;L表示像素灰度颜色强度,分别缩放所有像素的颜色强度,然后4均一性:H<$XXPi;j;281个PN公司简介i0j01i-j21名PN1名GSi-1名2其中lx、ly、rx和ry是期望值和方差值之和分别用于行和列矩阵条目偏度(c):如果用l、r和Mo分别表示故障区域中所有像素的灰度颜色强度,6. 实验评价氯钼ð22Þ我们按照我们的基于机器视觉的木瓜疾病识别方法进行了调查实验,如图3所示。的除了统计特征之外,一些GLCM特征这是Haralick等人(1973)首次提出的。这些特征已被证明是从图像中提取纹理特征的有用方法,因为它们通过一次考虑两个像素之间的关系来提供感兴趣像素处的强度变化这里讨论的功能假设f(x,y)是一个M×N像素的二维数字图像,灰度级数为L。我们进一步假设(x1,y1)和(x2,y2)是f(x,y)中的两个像素,距离为d,两者之间的角度为纵坐标是h。然后,GLCMP(i,j,d,h)变为(双三次插值,xxxx):Pi;j;d;hjfx1;y1;y22M×N:d;h;fx1;y1I;f在这项工作中,五个灰度共生矩阵的特点,即对比度(C),相关性(q),能源(E),熵(S)和我们的方法的出发点是捕获木瓜的图像。收集了有缺陷和无缺陷的木瓜的一百二十八个彩色图像。拍摄的图像大小不同。在我们的实验中使用不同大小的图像,考虑到不同的人将使用自己的设备捕获木瓜图像并发送到我们提出的专家系统的因素,如图所示。 二、首先,将所捕获的图像转换成大小为300 300像素。此尺寸是根据手持设备的尺寸选择的。然后,通过使用基于(1)的颜色强度映射来进行图像的对比度拉伸。然后,颜色映射图像分割成若干区域使用k均值聚类技术。这种分割算法被选中 , 因 为 它 比 大 多 数 其 他 现 有 的 分 割 算 法 有 更 好 的 性 能 报 告inRozario et al.(2016).因此,故障部件与无故障部件分离。图5中示出了所有类型故障的逐步图像。表1和图6显示了k-均值聚类分割在不同故障2我-3分21秒N(300×300像M.T. Habib等人 /沙特国王大学学报-计算机与信息科学32(2020)300-309305黑点:白粉病:褐斑:疫霉疫病:炭疽病:1024×768像素(a) (b)图像(c)图像(d)图像(d) 对比增强图像(e) 分割图像图五. (a)疾病,(b)捕获的图像,(c)调整大小的图像,(d)对比度增强的图像,(e)疾病攻击的分割区域。通过将k均值标记与手动标记的地面实况图像进行比较。我们从表1中看到,相对于地面实况图像,黑斑病和炭疽病被收缩,而白粉病、褐斑病和疫霉枯萎病被展开。炭疽病是最局部化和褐斑是最不局部化。需要良好的分割质量,因为它影响后续步骤的性能。为了评估k均值聚类分割的性能,手动标记使用地面实况图像。 性能结果在表1中给出。我们总共使用了129张番木瓜的彩色图像(有病和无病)。图7示出了两个测试图像,其中示出了所有提取的特征的值。 在这两者之间,一个被正确分类,另一个被错误分类。我们将整个样本数据集分为两部分,即训练部分和测试部分。我们使用了保持方法(Tan例如,2006年),用于选择保留给225×225像素1400×940像素260×194像素1400×928像素2我(2)0i¼1306号公路Habib等人 /沙特国王大学学报-计算机与信息科学32(2020)300- 309表1k-M是对不同疾病下的分割区域相对于地面真实值进行聚类。其中一个用于训练,另一个用于验证。我们固定三分之二(56张图像)的训练集用于分类器构建,而剩余的三分之一(28张图像)故障类别接地估测区域偏离区域图像)用于误差估计。我们重复holdout方法五次,以找到最终训练的分类器。在每次执行holdout方法后,我们使用测试集来了解分类器的性能。对五次发现的结果进行平均,以形成多类接下来是使用分类器的问题。我们使用线性支持向量机的不可分离的情况下,我们的分类。 我们有训练数据{(x1,d1),(x2,d2),(x84,d84)},其中xi=(l,r,S,r2,j,c,C,................................q,E,H)是输入向量;di= ±1。那么拉格朗日乘子{a1,a2,.. .,计算最大化目标函数的α84}:黑点:28 28 28QaXai-1XXaiajdidjxTxj:291/1联系我们受限制(1)P28aidi¼06Cfori1 2286ai¼; ;.. ;白粉病:褐斑:疫霉疫病:炭疽病:(a) 疾病(b) 手动地面实况(c) k-均值聚类分割其中C是作为i的上限值的正参数。在我们的工作中,我们对C使用了一个高数值。我们通过训练过程设置支持向量机的所有参数。我们使用了四种内核,即线性,多项式,sigmoid和高斯。由于它们的精度在我们的测量范围内变化仅为±0.75,而线性核是其中最简单、处理时间最少的一种,最后我们采用线性核。所进行的逐步实验的总结示于表4中。为了分析经训练的分类器的性能,形成最终的二进制混淆矩阵,如表5所示。然后根据该矩阵计算准确度、灵敏度、特异性、精密度、FPR、FNR,如表6所示,每个类别的准确度如表7所示。从表6中我们可以看出,准确率为95.2%;这意味着整体识别率足够好。灵敏度为85.6%,这意味着对无故障样本的识别率不是很高,这就是为什么假阴性率有点高(14.4%),这是不好的。同样,特异性为97.12%;这意味着识别错误样本的比率有点高;这就是为什么假阴性率有点低(2.88%),很好.精确度为85.6%,这意味着无故障样本识别率不高。按照本文迄今为止所描述的方式,我们在实验上评估了其他两个分类器,即决策树和朴素贝叶斯,以通过比较使我们的断言严格,如表8所示。这两种分类器的详细规格见附录A。从表8中可以看出,SVM的性能优于其他两种见图6。 (a)疾病,(b)人工确定受影响地区(c) 使用k-均值聚类估计受攻击区域培训和测试。我们将样本数据集分成大约三分之二(84张彩色图像)用于训练,大约三分之一(45张彩色图像)用于测试。 为了避免模型过拟合问题(即具有低训练误差和低泛化误差),我们使用验证集。 按照这种方法,我们将将原始训练数据集分成两个较小的子集。一分类器的六个性能指标,其中决策树分类器通过在这六个性能度量方面击败朴素贝叶斯分类器而处于中间。为了 使我们 的断言 更加严 格, 我们使 用了受 试者工 作特 征(ROC)曲线。ROC曲线可以用作比较许多分类器性能的视觉工具。此外,ROC曲线下面积(AROC)提供了另一种评估哪种分类器平均更好的方法。如果模型是完美的,那么它的AROC必须等于1。一个分类器的性能优于另一个分类器,疫病百分百百分之一百零九点一一+9.11%混淆矩阵和由此产生的六个二进制混淆矩阵炭疽病百分百百分之九十三点一七-6.83%(混淆矩阵,xxxx),如表2和表3所示。然后总百分百一百一十四点八+22.46%对结果进行分析。真相区域w.r.t.地面实况w.r.t.地面实况黑点百分百89.76%-10.24%白粉病百分百123.09%+23.09%褐斑百分百159.33%+59.33%M.T. Habib等人 /沙特国王大学学报-计算机与信息科学32(2020)300-309307白粉病白粉病(84.526,89.042,4.731,7409.903,1.361,0.282、0.988、0.923、0.256、0.889)(70.55,75.254,4.89,4616.157,1.602,0.382,0.49、0.948、0.278、0.924)白粉病疫病(a) 实际疾病(c)图片后k-(b) 捕获图像均值聚类分割(d)提取特征向量,X=(μ,σ,S,σ2,κ,γ,C,ρ,E,H)(e) 公认疾病图7.第一次会议。从两个错误的木瓜图像中提取的所有特征的值,其中一个是正确分类的,另一个是错误分类的。(a)实际疾病,(b)捕获的图像,(c)k-均值聚类分割后的图像,(d)提取的特征向量。(e)公认的疾病。表2多类混淆矩阵。预测类黑点褐斑白粉病疫病炭疽病无故障实际类别黑点6.500010褐斑070.5000白粉病0061.500疫病0.501600炭疽病0.50.5006.50无故障00.5000.56.5表3每个类的二进制混淆矩阵表4进行的逐步实验总结实验步骤方法/所用调整双三次插值对比度增强直方图均衡k-均值聚类L *a*b* 颜色空间支持向量机分类器线性核,一个高数值的C表5最后的混淆矩阵包含所有六个类别的平均值预测类+-实际班级+6.42 1.08-1.08 36.42308公吨Habib等人 /沙特国王大学学报-计算机与信息科学32(2020)300- 309表6我们的SVM分类器的度量性能结果。表9三个实验评估的分类器的AUC值。度量值分类器AUC精度百分之九十五点二SVMs百分之九十七点零三灵敏度百分之八十五点六决策树88.93%特异性百分之九十七点一二朴素贝叶斯百分之八十点八九精度百分之八十五点六假阳性率2.88%假阴性率百分之十四点四7. 结果的对比分析表7每个疾病类别的准确性。疾病分类值为了评估我们所提出的农业医学专家系统在识别番木瓜疾病上的优点,我们需要比较一些最近发表的相关研究成果。对文献的调查表明,大多数表8炭疽病95.07%无缺陷95.24%由于没有使用共同的木瓜病害样本数据库,因此很难对不同方法的优点进行公平比较。在过去的几年里,木瓜病害识别研究出现了一些令人鼓舞的趋势,但基于实际假设的系统和比较性能评价还没有出现三个实验评估分类器的比较分类器精度灵敏度特异性精密度错误阳性率假阴性率足够了。尽管存在这些局限性,我们还是试图回顾与番木瓜病害检测和分类相关的数值结果,以评估我们工作的比较优点。表10示出了不同方法的所有方法的概述。树NaiveBayes77.78% 33.33% 86.67% 33.33%13.33%66.67%就基于视觉的番木瓜病害识别而言,SVM分类器表现得更好。这项工作的目的(Chopaade和Bhagyashri,2016)是使用图像处理技术识别影响水果作物的叶病,而分类器和准确性没有提到。在苹果果实病害识别中(Samajpati和Degadwala,2016年),有一个更大的ROC。在这项工作中,所有三个类别的ROC曲线在图8中示出了这些因子,并且在表9中示出了它们的曲线下面积(AUC)。从图8中可以看出,SVM的性能优于其他两个分类器,其中决策树分类器击败了朴素贝叶斯分类器,处于中间位置表9中的AUC值加强了这一论断图8.第八条。所有三个实验评估的分类器的ROC曲线以80幅图像为样本数据量,采用随机森林分类器对例进行分类,在功能上。实施图像处理技术以检测(Batule等人,2016)使用SVM对叶病和疾病进行分类,但他们没有提到任何特定的叶以及所提出的方法的效率。为了开发用于识别水稻叶病的系统(Kurniawati等人,2009)两种阈值方法已被应用于94个水稻叶片图像。采用局部熵阈值法和大津阈值法的分类准确率分别为94.7%和61.2%,但系统中没有进行分类。论文(Rozario等人,2016年)介绍了一种基于计算机视觉的方法来识别几种水果(苹果,香蕉)和蔬菜(番茄,土豆)的缺陷区域。这种方法只能检测水果或蔬菜的缺陷区域,而不能对病害进行分类。在论文(Naikwadi和Amoda,2013)中,使用直方图匹配检测植物叶病,并且训练过程包括来自每类叶的32个样本。分类是通过预先训练的神经网络实现的,但没有提到准确性。关于本节开始讨论的场景,我们获得的90%以上的准确度证明是足够好和有希望正如我们之前提到的,由于图像数据集缺乏一致性,即捕获的图像具有不同的分辨率,背景纹理和故障,性能评估和预期应用的性质,明确比较我们的方法与其他作品的优点是不明智的10.80.60.4SVMs决策树朴素贝叶斯0.200 0.2 0.4 0.6 0.81FPR褐斑病百分之九十六点八四94.71%研究报告仅限于概念论证机器视觉策略的检测和分类白粉病百分之九木瓜疾病没有的支持的适当数值TPRSVMs百分之九十五点二百分之八十五点六百分之九十七点一二百分之八十五点六2.88%百分之十四点四包括我们的作品。决定86.67%60.0%百分之九60.0%8.0%40.0%在调查工作中(Dubey和Jalal,2014年),据报道,M.T. Habib等人 /沙特国王大学学报-计算机与信息科学32(2020)300-309309表10我们的工作与其他人的工作比较的结果。处理的方法/工作完成对象问题域样本量分割算法执行的分类功能集大小分类器精度此作品木瓜(水果和叶子)识别126图像k均值聚类p10 SVM 90.15%Chopaade和02 The Dog(2016)木瓜芒果香蕉(叶)基于NM直方图的阈值化×NA NA NA02 The Dog(2016)苹果(水果)识别80张图片k均值聚类p13随机森林分类器60%-100%Batule等人(2016年)Leaf(新墨西哥州)表彰NMk-means clustering×NANANAKurniawati等人(二零零九年)稻谷(叶)识别94张图片局部熵阈值p5基于规则分类器百分之九十四点七Rozario等人( 2016)苹果,香蕉,土豆,番茄(水果)大津法61.2%检测63张图片k-means聚类×NA NA NM改性k-均值聚类Otsu方法Naikwadi和Amoda(2013)植物(叶)识别32个样本k-均值聚类p10神经网络NM库马尔和苏哈斯水果识别243k-均值聚类NMk近邻87.47%(2016年)图像C均值聚类1NM:未提及。2NA:不适用。8. 结论和今后的工作本文介绍了一个基于机器视觉的农业医学专家系统。本文提出了一个由10个特征组成的双特征集来解决番木瓜病害识别问题。图像处理技术已经被用来提取特征。利用支持向量机对番木瓜病害进行了分类,并通过分析同类工作的结果,评价了我们工作的相对优点。我们达到了90.15%的准确率,这是很好的,也是有希望的。未来仍有可能利用非常大的图像数据集来覆盖更广泛的木瓜疾病。附录A(See)的方式表A.1详细说明了两个分类器决策树和朴素贝叶斯。分类器规格哈米姆岛阿拉姆,M.Z.,阿里,文学硕士Ashrafuzzaman,M.,2014. Mymensingh成熟番木瓜收获后真菌病害的发病率。J. Bangladesh Agric. Univ. 12(1),25-28.杜贝,S.,Jalal,A.,2014.图像处理技术在果蔬分析中的应用。 J. 内 特尔系统 24(4),405-424。Barbedo,J.G.A.,2013年。用于检测、量化和分类植物病害的数字图像处理技术(SpringerPlus-2013)。Raut,S.,Ingole,K.,2017年4月。基于图像处理技术的叶片病害检测研究进展。Int.Res. J. Eng. Technol. (IRJET)4(4),2044-2047。Chopaade,P.B.,Bhagyashri,K.,2016.基于图像处理的果树叶部病害检测与分类。在第三次全国会议期间在通信,计算和电子技术的进步(ACCET-2016),印度,2016年2月11日至12日。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 通 信 和 信 号 处 理 国 际 会 议 ( ICCSP ) ,Melmaruvathur,pp。 1015- 1019Batule,V.B.,查万,G. U.,副总统萨纳普Wadkar,K. D.,2016.基于图像处理和支持向量机的叶片病害检测。J. Res. 02(02),74- 77.Kurniawati,N.N.,阿卜杜拉,S.N.H.S.,Abdullah,S.,Abdullah,S.,2009.水稻病害诊断的图像处理技术研究。在:2009年软计算和模式识别马六甲国际会议,pp。272- 277Rozario,L.J.,Rahman,T.,Uddin,M.S.,2016年5月。水果和蔬菜中缺陷区域的分割。国际计算机Sci. Inf. Security 14(5),399-406. Naikwadi,S.,Amoda,N.,Nov.2013年。 图像处理技术在乳腺癌检测中的 应用进展决定树杂质度:基尼指数信息增益:熵最小分割次数= 2树的最大深度=1[扩展节点直到所有叶子是纯的或直到所有叶包含少于最小数目的分裂样本。植物病害 国际应用创新工程管理杂志。 2,168-176.库马尔,Y.H.S.,Suhas,G.,水果病害的鉴定与分类。In:In proc. RTIP2R 2016,pp.382双三次插值,在线提供:https://en.wikipedia.org/wiki/Bicubic_插值。[Last访问于2018年4月10日]。AqilBurney,S.M.,塔里克,H.,2006年。图像分割的K均值聚类分析天真Bayes高斯分布:平均值(m)方差(r2)概率密度函数(f),其中2艾迪森-韦斯利颜色转换算法,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[最后一次访问于2018年4月10日]。F1e-αx-lα引用pTan,P.- N.,Steinbach,M.,库马尔,V.,2006年。数据挖掘导论 艾迪森韦斯利汉,J.,Kamber,M.,Pei,J.,2012.数据挖掘的概念和技术。爱思唯尔混淆矩阵,可在线获取:https://en.wikipedia.org/wiki/混淆矩阵。[Last访问于2018年4月10日]。马里兰州哈比卜 Tarek,Rokonuzzaman,M., 2011. 区分特征选择,孟加拉国的农业,可在线查阅:https://en.wikipedia.org/wiki/Agriculture_in_Bangladesh。[Last访问于2018年4月10日]。按识字率列出的国家列表,可在https://en.wikipedia.org/wiki/List_of_countries_by_lite
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