菠萝蜜病害自动识别的研究与评估

沙特国王大学学报菠萝蜜病害自动识别技术的深入研究马里兰州Tarek Habiba，b，Md.Jueal Miab，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：2020年1月8日收到2020年3月18日修订2020年4月25日接受2020年5月5日网上发售保留字：菠萝蜜病农业医学专家系统判别特征k-means聚类分类器随机森林A B S T R A C T孟加拉国由于人口众多，经济和粮食安全广泛依赖农业在这方面，有效地种植植物并增加其产量变得非常重要。果实受多种病害的侵袭，产量和质量都会下降。事实上，甚至没有一项研究工作是为了自动识别菠萝蜜疾病，以方便那些需要适当种植支持的偏远农民。假设我们的背景是菠萝蜜病害的识别，主要提出了两个挑战性的问题，即病害的检测和病害的分类。在这项研究中，我们进行了深入的调查，农业医疗专家系统，该系统与数字图像采集与手机或其他手持设备，并识别疾病。已经进行了详尽的实验，以评估我们打算的专家系统的可行性。首先，选择一个判别特征集。将k均值聚类分割用于检测受疾病侵袭的菠萝蜜的图像的受疾病影响的区域并且从这些区域提取特征。然后通过使用九个现成的分类算法来完成疾病的分类，以彻底评估分类器在七个突出的性能指标指标中的优点随机森林被发现优于所有其他classi- fiers的所有指标的数量，达到接近90%的准确性。相反，逻辑回归不仅显示了接近75%的准确性的最差结果，而且还显示了其他一些最差的度量值。©2020作者（S）。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. 介绍孟加拉国是一个农业国，大部分人口直接或间接依赖农业。农业部门为孟加拉国的整个经济发展做出了卓越的贡献。根据世界银行提供的数据，农业占孟加拉国总就业人数的39%以上（孟加拉国：农业就业）。此外，根据世界银行提供的数据，农业部门占该国国内生产总值的14.74%农业）。这一部门包括农作物、畜牧业、林业和渔业。因此，必须有一个可持续的，有价值的，*通讯作者。电子邮件地址：md. yahoo.com（M.T. Habib）。沙特国王大学负责同行审查制作和主办：Elsevier孟加拉国是一个人口稠密的国家，因此，我们需要一个有能力的、环境友好的农业系统，以确保孟加拉国人民的长期粮食安全因此，本届政府将农业部门因此，我们必须对农产品进行适当的护理，以确保食品安全。质量的一个重要方面是无病产品。读者应该记住，我们的背景是对菠萝蜜疾病的认识。我们提出了一个农业医学专家系统，它利用手机或其他手持设备获取的图像进行处理，不仅检测产品的患病部位，而且还识别疾病。在各种农产品中，我们有菠萝蜜，孟加拉国的国果它是广泛生产的农场土地，以及一个家庭花园的业余园丁，如图所示。1.一、在种植方面，菠萝蜜排名第三，在生产方面，孟加拉国在所有水果中排名第二。孟加拉国的菠萝蜜年产量为469，500吨，种植菠萝蜜的土地面积为25，110公顷在孟加拉国，它占整个水果产量（菠萝蜜）的约22%菠萝蜜受到各种疾病的侵袭https://doi.org/10.1016/j.jksuci.2020.04.0181319-1578/©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.comM.T. Habib等人 /沙特国王大学学报-计算机与信息科学34（2022）1200-12091201Fig. 1. 孟加拉国的菠萝蜜生产：（a）专业农民大规模生产菠萝蜜。(b)业余园丁在家里生产菠萝蜜。在种植期间造成重大损害农民承担着巨大的经济损失.一项调查（Rahman和Afroz，2016）表明，约66%的菠萝蜜树受到真菌病害的侵袭，这导致受影响树木的寿命缩短，导致菠萝蜜的质量和数量损失此外，Haq（2006年）认为菠萝蜜的收获后损失可能高达30本文采用计算机视觉方法对菠萝蜜病害自动识别进行了深入的探索性研究。提出了一个农业医学专家系统，该系统对菠萝蜜的数字图像进行处理，识别出菠萝蜜的病害和污染部位。Habib et al.（2018）已经提出并证明了一套识别水果疾病的判别特征。我们的研究中也使用了这些特征。为了提取特征，使用图像处理技术，并已使用九个突出的分类算法进行疾病的分类，以七个性能指标的量，以便可以评估和比较分类器的优点。概括而言，我们的研究工作的主要贡献是：首次尝试解决菠萝蜜病害自动识别问题。为菠萝蜜病害的分类提供了一个系统的判别特征库。深入探讨不同分类背景下菠萝蜜病害的识别方法，以利于今后的研究。实验结果表明，该方法在菠萝蜜病害图像数据集上具有很强的竞争力2. 相关作品基于机器视觉的水果病害自动识别系统可以分解为两个问题域，即病害检测和病害分类。相当多的研究人员将他们的工作定义为疾病检测，而一些研究则将疾病检测和分类结合起来。我们知道，事实上，没有一个单一的工作已经执行了自动化菠萝蜜疾病识别。 然而，对于其他水果病害的自动识别，如木瓜、苹果、番石榴等，已经进行了一些努力，此外，对于蔬菜病害的自动检测或识别，如柠檬、豆类、番茄等，也已经进行了一些努力。Samajpati和Degadwala（2016）提出了一种混合方法，即特征融合，用于苹果背景下的水果病害识别。虽然这是自动识别苹果疾病的第一步，但一些问题使其受到质疑。他们已经准备了他们的功能集使用十三个不同的功能。 所有的特征都是基于纹理和颜色来选择的。在他们的工作中只处理了三种苹果病害。采用k-均值聚类分割法分离出苹果图像中的缺陷部分，然后结合纹理和颜色特征，采用随机森林分类器对病害进行分类。在分类的情况下，70幅图像和10幅图像已分别用于训练和测试。由于采用了不同的特征融合，因此获得的准确度从60%到100%不等。Habib等人（2018）介绍了一种计算机视觉方法，以预防木瓜疾病。在他们的作品中使用了129幅图像。他们已经使用了两种类型的功能的功能集，总共积累了十个功能。他们已经部署了k-均值聚类算法来分割出疾病发作的部分，以便可以提取特征。三个分类器分别用于完成分类任务。已经发现，支持向量机（SVM）表现出95.2%的准确率击败其他两个分类器。虽然这项工作（Habib et al.，（2020）使用六个更突出的分类器，SVM仍然是最好的，优于所有其他分类器，而k-NN表现最差，准确率为71.11%。Kumar和Suhas（2016）已经部署了一种计算机视觉方法，来识别一些不同水果的病害。事实上，他们的工作对读者来说是可疑和模糊的，因为一些重要的信息丢失了。他们声称有10种不同的水果被用于检测疾病，但他们的工作中没有提出疾病的名称。他们使用了243张图片进行测试。他们的工作被认为是杂乱无章的。由于一些重要信息的缺失，它们得到的分类正确率即使达到87.47%也不能被接受。Chopaade和Bhagyashri（2016）完成了糟糕的研究工作，仅检测分类以外的疾病。他们没有使用计算机视觉方法来检测这种疾病，因此，他们的工作中既没有特征也没有分类器。他们刚刚提出了基于直方图的分割来识别果树叶片病害。因此，我们可以说，他们的尝试是不可接受的一个检测水果疾病。Rozario等人（2016）使用图像处理技术进行水果和蔬菜检测。他们的工作主要集中在检测水果和蔬菜和水果的缺陷，即香蕉，苹果，土豆和番茄。在他们的工作中没有使用分类器。Hosen等人。（2018）做了另一项工作，●●●●XXX--小行星1202Habib等人 /沙特国王大学学报-计算机与信息科学34（2022）1200- 1209基于颜色分割的水果检测方法他们还将工作重点放在从3D图像中检测水果的错误部分，即苹果，香蕉和橙子。他们使用了水果的3D图像处理3D图像在算法上复杂且耗时。此外，他们使用任何分类器从输入图像中检测特定的疾病名称已经做了一些工作来检测或识别叶病。Mokhtar et al.（2015）致力于番茄叶病的检测。他们的数据集由800张健康和患病番茄叶片的图像组成。他们使用了大量的灰度共生矩阵（GLCM）的特征进行二进制分类。他们使用具有不同核函数的支持向量机，以便绕过分割过程对二进制类进行分类。分级分割涉及绕过自动水果识别的问题，该问题在（Mia等人，2019年）为例。此外，尽管线性核支持向量机的准确率达到了99.83%，但他们的研究方法和有限的应用领域使他们的工作变得薄弱。Batule等人（2016）已经处理了叶的疾病识别，但他们的工作非常不知情和可疑。他们使用k均值聚类来提取特征，然后他们进行了噪声去除技术来检测疾病。但是他们的工作中缺少一些重要的信息。他们已经完成了他们的工作，声称他们将它们是推理机、知识库、知识库获取工具和解释工具。推理机处理农业医学专家系统内部的整个工作流程。为了提供专业知识，所有组件一起工作。推理机是协调知识流到专家系统其他部分的组件。它是专家系统的一部分，以类似于人类专家的方式提供预测，建议和答案。4. 研究方法4.1. 方法说明图中描绘了用于解决基于机器视觉的菠萝蜜病害识别问题的整个方法的框图。3.第三章。从图中可以看出。 该方法从患病菠萝蜜的彩色图像开始。首先，从这个图像转换成一个预定大小的图像，应用双三次插值（Keys，1981）。假设I是强度值，Ix、Iy和Ixy是可以在单位正方形的四边形角（1，1）、（1，0）、（0，1）和（0，0）处感知的微分系数，则内插强度表面以如下方式书写3 3在将来尝试使用SVM他们没有提出任何fea-真集或SVM分类器。以同样的方式，Naik和Sivappagari（2016）提出了一项关于识别某些水果和蔬菜叶子疾病的例如芒果、番石榴、菜豆和柠檬。他们只使用了非常少的功能。分别采用支持向量机和神经网络进行分类，其中神经网络取得了较好的分类效果。然而，不一致的描述和许多重要细节的缺失使他们的工作变得苍白无力。3. 系统架构通过图2描述了用于识别菠萝蜜病害的农业医学专家系统的结构设计。假设某人（例如农民或园丁）用手机或其他手持设备捕获担心受到疾病侵袭的菠萝蜜的图像，其中已经安装了农业医学专家系统的移动应用。然后他/她将图像输入到安装的应用程序。该系统利用其专业知识作出决定。 整个农业医学专家系统将驻留在远程服务器中。安装的专家系统应用程序可以通过互联网向服务器发送更新请求，并更新自己。整个农业医学专家系统由若干相互关联的集成组件组成。sx;ycmnxm yn; 1单位面积其中c_mn是系数。然后应用直方图均衡技术拉伸图像的对比度通过让n是通过列的像素的计数，即宽度，m是通过行的像素的计数，即宽度。height，c k是包含颜色强度I k的像素的计数，l是图像中允许的颜色强度水平的计数，然后将包含颜色强度Ik的每个像素映射到包含颜色强度I0k的相应像素应用直方图均衡化，找到颜色映射的图像（Gonzales and Woods，2008）。l1kI0ktIkmci21/4其中k= 0，1，.. .，L1.一、然后，该图像经历从RGB颜色空间到L*a*b*颜色空间的转换，因为Burney和Tariq（Burney和Tariq，2014）已经断言，k均值聚类算法在分割L*a*b*颜色空间中的图像方面优于RGB颜色空间中的图像。首先，如颜色转换算法中所述，以如下方式执行从RGB颜色空间到CIE（国际照明委员会）XYZ颜色空间的转换：图二. 提出了农业医学专家系统的结构设计。×3nX轴n×我知道YW：903：3YW如果Y68：856 ×10-3j¼1;jj1; k1;1×6475 64图像采集输出一代调整为预定大小的图像分类器对比度拉伸特征提取颜色空间从RGB到L*a*b* 的图像分割CPNBPN随机森林SVMs开膛手Logistic回归k近朴素贝叶斯决策树nM.T. Habib等人 /沙特国王大学学报-计算机与信息科学34（2022）1200-12091203图三. 菠萝蜜病害自动识别问题的解决方法。2X 323：240479 × 10 0-1： 53715× 100- 4： 98535×10-132R3数据即不同类别中的实例数量相差很大。Y¼-9： 69256× 10-11： 875992× 100 4： 1556× 10-2Z5： 5648× 10-2 - 2： 04043× 10-11： 05731175×64G75：ð3Þ存在基于（混淆矩阵）的一些其它评估矩阵，如（Tan等人，2006）和（Han等人，2012），用于测量分类器的性能。二进制（混淆矩阵）表示真阳性（TP）、假阴性为了将XYZ颜色空间转换为L *a*b* 颜色，空间中，Xw、Yw和Zw被假定为参考白色的三刺激值。如果假设更多的是，（FN）、假阳性（FP）和真阴性（TN）。对于多类问题，即多于2类的问题，（混淆矩阵）（M）如下所示：2019 -04 -2200：00：003如果t>8： 856 10-3;116ð4Þ电话：+86-21-68888887： 787t16if6 8：856 × 10-3可以很容易地注意到，多类（混淆矩阵）M我们可以按照颜色转换算法中描述的以下方式使L *、a* 和b* 相等。是一个n（n> 2）方阵。它有n行和n列，总共有n2个条目。对于多类矩阵，没有直接的方法来计算FP，FN，TP，8116Y116如果Y>8：856×10-3YYw计算为：aω500 f. X轴华氏500度 Y6TPi¼eii：109¼Xw--一种. YYwYw. Z轴ZW：刘伟FPi¼Xeji：10然后通过应用k均值聚类方法（Habib等人，2018年）。因此，受疾病侵袭的部分与无疾病部分分离。从被攻击的部分，包括两种类型的特征，共现特征和统计构造的特征向量。不久，nFNi½eij：11j¼1;j这些特征将在下面的部分（4.2节）中详细解释以上述方式提取的特征向量被馈送到TNi¼XXejk：2012年一些分类器在以便培训和然后试验. 九jk现有技术的分类器是从许多现成的分类器中选择的。它们是C4.5，重复增量修剪产生误差减少（RIPPER），k-最近邻（kNN），朴素贝叶斯，逻辑回归，支持向量机（SVM），反向传播神经网络（BPN），反向传播神经网络（CPN）和随机森林。通过建立多个性能指标的测试数据集，对它们进行了全面的检验，从而找出了最合适的分类模型在性能分析领域，准确度不能被认为是衡量分类器实际性能的严格指标，因为它可能不适合从不平衡的不Lω¼：ð5Þ和TN。根据（混淆矩阵）中所述的多类矩阵的规则，类ibω<$200f-200f：107B进行此过程，最终（混淆矩阵）到达的形式的一个正方形矩阵的尺寸2 2，并包括平均数量的n混淆矩阵为每个类。通过将该最终（混淆矩阵）付诸行动，为分类器计算准确性（识别率）、错误率（误分类率）、灵敏度（真阳性率）、特异性（真阴性率）、精度、FPR（假阳性率）和FNR（假阴性率）（Tan等人，2006; Han等人，2012年）。在对分类器进行训练后，使用测试数据集对分类器的性能进行评估到基于（混淆矩阵）的性能度量的量。性能评价指标，即准确度、错误率、灵敏度、特异性、精密度、FPR和FNR按以下方式以百分比计算：.产品名称：ÞX1流量：¼nIrP-我X X2FN×%：10%n1n1/1n小行星1204Habib等人 /沙特国王大学学报-计算机与信息科学34（2022）1200- 1209准确度¼。TP≤ TN× 100℃%：≤13 ℃- I; IM;I r是像素的灰度强度，并且-I;IM;Ir是均值，众数，公司简介错误率FPFN100 14公司简介和所有像素的灰度强度的标准差，这些特征的对应方程如下：你知道的。ffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffiffiffiffiffiffin我...1/1：感觉活力.TP100Σ15utP2我-我特异性¼。TN×100%：1016n平均值l lni¼1Ii：2019年10月21日精密度1/4。TP×100μ g%：1017μ g.2011年10月-102公司简介FPR¼. FP×100μ m%：1018μ m方差r2：r2¼n-1/1我我：1220FP-100偏度（Skewness）FNR¼.TPFNFUN ×100%：10191N .I-I204我们使用交叉验证方法，如Tan et al.（2006）和Han等人（2012），为了找到在性能指标方面使用的分类模型峰度（Kurtosis）1/1Pn .-2002年2月2日-3：124小时如等式（13）-（19）所示。我们进一步使用受试者工作特征（ROC）曲线，并考虑其下的区域，以评估所使用的九个分类器的可分性程度最后，通过对不同方向的分类方法进行比较，得出了最适合菠萝蜜病害自动识别的分类器。4.2. 疾病和特征病害的目视检查是系统开发中的一个重要步骤，它有助于我们准确地了解缺陷的识别因素，为我们提供合适的特征依据。在这项研究中，我们主要进行了四种在孟加拉国普遍存在的菠萝蜜疾病。它们是虫害、根霉腐烂病、粉红病和叶斑病。所有这些受疾病侵袭的菠萝蜜的样本图像如图4所示。我们使用了两种类型的功能，即统计功能和GLCM功能。我们通过从这两种特征类型中挑选特征来制作我们的特征集。特征集用于基于各种分类器的疾病识别。Habib和Rokonuzzaman（2011）提出了一项质量工作，该工作是在纺织品缺陷识别的背景下完成的。他们在工作中使用了显著的统计特征.在这项工作之后，我们采用了迷人的歧视性统计特征，其有效性已在Habib和Rokonuzzaman（2011）中得到证明。在这项工作中，我们选择了五个统计特征，即标准差（r）、均值（l）、方差（r2）、偏度（c）和峰度（j）。 如果在故障区域中存在n个像素，其中I是我们还选取了Haralick（1973）提出的一些GLCM特征。他们已经表明，灰度共生矩阵特征是非常有用的检测故障部分从图像中，因为他们给出了一个例子的强度变化在像素的浓度，通过分析的关系，在两个像素内的同时。设g（x;y）是一个大小为K×L的二维灰度图像，灰度级为 lg假设（p1，q1）和（p2，q2）是g（x，y）中的两个像素，距离为r，两者与纵坐标之间的角度为a。然后，如（Naikwadiand，2013）中所述，GLCMP（i，j，r，a）以以下等式的形式到达：Pi;j;r;ajfp1;q1;p2;q22K×L：r;a;gp1;q1l;gp2;q2ljgj：ð25Þ因此，我们使用了五个GLCM特征，即即对比度（C）、相关性（q）、熵（S）、能量（E）和均匀性（H）。 读者也可以浏览（Habib et al.， 2018年，了解更多关于这些功能的信息。这些特征的相应方程如下，其中P（i，j）是计算的GLCM的第（i，j）项; lg是图像中灰度级的总数; lx，ly和rx，ry是GLCM的行和列和的平均值和标准差。lg-1lg-1对比度：Ci-jPi;j：26联系我们FP-100¼TPþÞ标准偏差：r/¼ð20Þ我我图四、孟加拉菠萝蜜的四种常见疾病（a）根霉腐烂病。（b）虫害和疾病。叶斑病。（d）粉红病。rrx yXX×(300×300像P P图像lg-1lg- 1M.T. Habib等人 /沙特国王大学学报-计算机与信息科学34（2022）1200-12091205lg-1lg-1ijPi;j-lxly表1k-均值聚类分割的区域为不同的疾病相对于地面真理。相关性q：q0j 0：127lg-1lg-1熵值S：S-Pi;jlogPi;j：28疾病地面实况区相对于地面实况的分离区域相对于地面真值的像差区域联系我们lg-1lg- 1能源部：E¼X XPi;j2：290联系我们均匀度：H：HXXPi;j：30¼使用颜色强度映射来完成，即，直方图均衡化。此后，使用k均值聚类将对比度增强的彩色图像分割成一些区域，因为1/45. 实验评价j01i-j2k-means聚类算法优于其他现成的算法，分割算法，其在Rozario et al.（2016年）。以这种方式，受疾病影响的部分与无疾病部分分离。所有疾病类型的图像变化的逐步影响如图所示。 五、我们提出了一个深入的调查后，我们的方法用于如图3所示的自动菠萝蜜疾病识别。它开始于这样的假设，即想要正确识别菠萝蜜疾病的人，即农民或园丁，使用智能手机或手持设备捕获菠萝蜜图像。考虑到来自不同背景和背景的不同人，我们对输入的原始图像进行了尺寸调整。然后将调整大小的图像变换为300 - 300像素的预定大小的图像。通过考虑不同手持设备的不同配置，选择了该预定尺寸图像的对比度拉伸是图像分割是机器视觉的基础工作，因为质量特征提取取决于质量的图像分割。为了评价k-均值聚类分割算法的性能，将人工标记的地面真实图像付诸行动。表1中定量提供了不同菠萝蜜病害的预测结果以及地面实况，图6中以图片形式示出。我们从表1中观察到，相对于地面实况图像，病虫害、粉红病和根霉腐烂病缩小，只有叶斑被拉伸。我们还观察到，在pest病虫害：叶斑病：粉红病：根霉腐烂：(a) 疾病（b）采集的图像（c）调整大小的图像(d) 对比度拉伸（e）分割图像图五. (a)疾病，（b）采集的图像，（c）调整大小的图像（300× 300像素），（d）对比度拉伸图像，（e）受疾病影响的分割区域。病虫害和疾病的100%的百分之九十六点零八-3.93%叶斑100%的一百二十四点二八+24.22%粉红病100%的百分之六十七点一五-32.85%根霉腐烂病100%的91.62%-8.38无病无病根霉根霉小行星1206Habib等人 /沙特国王大学学报-计算机与信息科学34（2022）1200- 1209(a) 病害：病虫害叶斑病粉红病根霉腐烂病(b) 手动地面实况：(c) k-均值聚类细分：图六、与地面实况相比，不同疾病的分割性能结果（a）疾病。（b）手工勾画菠萝蜜受影响部分的地面实况(c) 使用k均值聚类计算菠萝蜜的受影响部分。（70.87，49.52，2913.88，0.98，2.34，0.33、0.96、3.78、0.39、0.93）（56.51，26.35，2084.37，2.44，8.44，0.33、0.93、2.83、0.58、0.94）（80.74，86.34，3812.21，0.35，1.69，1.22、0.88、6.04、0.11、0.76）（48.87，18.48，1363.56，2.47，7.45，0.17、0.96、1.86、0.67、0.97）病虫害和疾病的(a)实际类(b) 获取图像(c) 后图像k均值聚类分割(d) 提取特征向量，F=（σ，μ，σ2，γ，κ，C，ρ，S，E，H）(e)公认的阶级图7.第一次会议。从一对无病菠萝蜜图像和一对受疾病侵袭的菠萝蜜图像中提取的所有特征的图示，其中两个被正确识别，另外两个被错误识别。(a)攻击疾病，（b）获取的图像，（c）应用k均值聚类的图像分割，（d）提取的特征向量F。(e)公认的疾病。和疾病，其中以粉红病的错误率最高（32.85%）。此外，图7示出了菠萝蜜的四个测试图像（两个是无疾病的，两个是受疾病影响的），其中提供了提取的所有四个特征向量。在无病菠萝蜜的前两个图像中，一个被正确识别，另一个被错误识别。同样，在最后两幅受疾病侵袭的菠萝蜜图像中，一幅被正确识别，另一幅被错误识别。我们总共使用了四百八十（480）彩色图像的患病和无病菠萝蜜。由于菠萝蜜是季节性的，因此很难收集到如此多的图像无病水果.整个图像数据的大部分是使用不同分辨率的不同相机在本地收集的，其余部分来自互联网。使用不同分辨率的不同照相机，考虑到农民或园丁被假定用手机或其他手持设备捕获担心受疾病侵袭的菠萝蜜或其叶子的图像的因素。收集的数据集的类分布如表2所示。这些类别是前面在第4.2节（疾病和特征描述）中讨论的疾病以及无病类别。这一类的图像由完美的杰克水果只。然而，整个图像数据集被分成两个拆分信¼101p-：pP¼j-jP;否则M.T. Habib等人 /沙特国王大学学报-计算机与信息科学34（2022）1200-12091207表2收集的数据集的类分布。类别频率根霉98疾病与疾病88粉红病74叶斑病104无病116共计480最后，利用测试数据集对部分分类器的性能进行了测试。在该过程中，根据（混淆矩阵）中描述的方法形成单类多类（5类）（混淆矩阵然后构造最终的二进制（混淆矩阵）。在这个实验阶段，我们需要使用一些分类器。我们总共使用了九个非常明显的分类器他们是C4.5，RIPPER，k NN，朴素贝叶斯，逻辑回归，支持向量机，随机森林、BPN和CPN。它们并不是被随意挑选出来的，而是经过深思熟虑的，以涵盖更大范围的分类词。所有这些分类部分，即培训和测试。为了进行评估，我们使用了交叉验证方法（Tan等人，2006）;（Han等人，2012年）。根据该方法，每个特征向量被用于九次训练和一次测试，这意味着我们使用十重交叉验证。在使用不同的值之后，找到了10个，其误差被最小化。当数据集训练模型是通过训练过程固定的，如表3所示。实验结果表明，所有这些分类器的性能进行评估后。它们以不同的主要性能评价指标表示，即准确度、错误率、灵敏度、特异性、精密度、FPR和FNR，分别如公式（13）-（19）所示，并在表4中提供。另外我们表3所用九种分类器的详细规格分类器规格C4.5分离标准：增益比，GR¼D信息¼S-D信息：Pvklgk¼1p pRIPPER规则构建度量=FOIL0s信息增益pLG1111LG00分 0秒k近邻用于修剪的数据数量= 3。修剪度量= p-npn-1：度量：曼哈顿距离，d Mx if i：1/1权向量W =（w1，w2，w3，，w10）=（1）1×n.k= 3。朴素贝叶斯高斯（正态）分布：均值，m= 0。方差，r2= 1。概率密度函数，pdf x1e-αx-lα2Logistic回归模型：多项逻辑函数：logitlognlogitlog支持向量机内核：线性函数C =250043。每个袋子的随机森林大小=训练数据大小的百分比= 100%。树的最大高度=无限制整数。随机选择的属性数量=0。BPN网络拓扑：全连接双层前馈（10-15-5）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（10-11-5）ðÞ ¼pffi2ffipffiffiffir22对2：层1| 2：训练算法：无监督学习（Kohonen）8>1如果zargminsP10xf2传递函数：fz;：联系我们0我...我...层2| 3：训练算法：监督学习（Grossberg）传递函数：f c = 1。学习率，c2| 3= 0.25。表4所有分类器的度量性能。分类器精度错误率灵敏度特异性精度FPRFNRC4.582.92%百分之十七点零八54.47%88.91%55.13%百分之十一点零九45.53%开膛手79.92%20.08%48.75%87.16%52.24%百分之十二点八四51.25%k近邻75.70%百分之二十四点三39.43%84.64%42.90%百分之十五点三六60.57%朴素贝叶斯百分之八十点一二百分之十九点八八51.06%87.53%45.34%百分之十二点四七百分之四十八点九四Logistic回归74.83%百分之二十五点一七35.60%84.04%37.45%百分之十五点九六64.40%SVMs87.92%百分之十二点零八69.29%百分之九十二点四六69.32%7.54%30.71%随机森林百分之八十九点五九百分之十点四一74.20%百分之九十三点五一73.61%6.49%25.80%BPN83.17%百分之十六点八三56.64%89.44%56.28%百分之十点五六43.36%10学习率，c1| 2 = 0.35。>CPN85.68%百分之十四点三二60.52%91.15%64.70%8.85%39.48%小行星1208Habib等人 /沙特国王大学学报-计算机与信息科学34（2022）1200- 1209表5所用所有分类器的类别（疾病和无疾病）准确性分类器类别（疾病和无疾病）根霉病虫害和疾病的粉红病叶斑无病C4.582.92%81.67%83.33%百分之八十点八三82.92%开膛手75.63%85.21%87.29%81.04%70.42%k近邻70.42%82.23%81.25%71.25%百分之七十三点三三朴素贝叶斯76.25%百分之八十点八三86.25%79.79%77.50%Logistic回归72.50%76.67%百分之八十三点七五69.17%72.08%SVMs百分之八十九点三八87.71%87.08%88.13%87.29%随机森林百分之九十二点五88.96%百分之九十点八三88.75%86.88%BPN84.79%81.67%83.54%82.70%83.13%CPN86.31%87.29%82.92%85.42%86.45%表6我们的工作和其他最近的作品之间的比较结果做工作处理对象问题域数据集分割算法分类地位特征数量分类器精度这项工作菠萝蜜（水果和识别480张图片k-均值聚类p10随机百分之八十九点五九叶）Habib等人（2018）木瓜（水果和叶）森林识别126幅图像k均值聚类p10支持向量机90.15%02 The Dog（2016）苹果（仅限水果）识别80幅图像k均值聚类pHabib等人（2020）木瓜（水果和识别129图像k-均值聚类p叶）库马尔和苏哈斯（2016）水果识别243张图像k-均值聚类pNMk-最近87.47%Chopaade和Bhagyashri（2016）木瓜，芒果，香蕉（只有叶子）C均值聚类基于NM直方图的阈值检测邻居×NA NA NAMokhtar等人（2015）叶（NM）检测800图像手动裁剪p36线性SVMNARozario等人，2016年苹果、香蕉、番茄(only水果）1NM：未提及。2NA：不适用。检测63张图像k均值聚类×NA NA NM改进k-均值聚类Otsu法已经计算了由每个分类器分别针对菠萝蜜的所有疾病所达到的准确度，其在表5中提供。从表4中可以注意到，随机森林在考虑的所有度量方面优于所有其他分类器，其中逻辑回归的度量最差。虽然最高的准确率（89.59%）和最低的错误率（10.41%）是由随机森林实现的，但支持向量机，CPN和BPN也表现出良好的对于除准确性外的五个指标从表5中我们还注意到，对单个病害类别的最高准确度是通过对根霉腐烂病的随机测试实现的，其量化为92.5%。与此相反，对于单个病害类别，kNN对于根霉腐烂和RIPPER对于无病害类别的准确率最低，为70.42%。结果的统计显著性意味着效应的存在，而实际显著性表明效应的程度。研究领域的知识和专业知识被应用于确定该效应是否足够大以在现实世界中有意义。考虑到所有七个指标，我们可以说随机森林在所有九个分类器中功能最好，菠萝蜜疾病自动识别的背景6. 结果的比较讨论为了评价拟建立的菠萝蜜病害农业医学鉴定专家系统的质量，需要对最近发表的一些相关研究成果进行比较。在第2节中已经提到，没有一项工作集中在菠萝蜜的疾病不孕症关于菠萝蜜疾病识别的研究工作使得公平地比较我们的方法的优点是困难的与此相反，大多数相关的论文工作仅限于阐述机器视觉识别水果病害的策略，而没有提供足够的数值结果及其与其他类似工作的一致性。近年来，果树病害识别研究取得了一些令人鼓舞的成果，但基于实际指标的严格性能评价还很不够。针对这种情况，我们尝试回顾与水果病害识别相关的数值结果，以评估我们工作的比较优势。表6显示了包括我们的工作在内的不同工作的所有方法的比较视图关于表6中描述的场景，我们获得的接近90%的准确度可以说是足够好和有希望的。7. 结论和今后的工作对基于机器视觉的农业医学专家系统进行了详尽的探索，特别是以菠萝蜜为对象。我们已经使用了两组功能，共包括10个成员，以识别菠萝蜜疾病。图像处理技术已经被用来提取特征，然后分别馈送到九个分类器。我们已经能够用随机森林分类器找到预期的结果。尽管菠萝蜜疾病识别的研究工作是贫瘠的，但我们可以声称我们的系统全面表现良好。准确率为89.52%。这既好又有前途本文的研究工作和取得的成果表明菠萝蜜病害的自动化研究具有很大的潜力13随机(60-森林百分之一百10线性svm百分之九十五点二M.T. Habib等人 /沙特国王大学学报-计算机与信息科学34（2022）1200-12091209识别. 在菠萝蜜疾病识别方面还有大量的未来工作要做，以解决具有非常大的数据集的更广泛种类的菠萝蜜疾病我们热切期望这项努力能使其他一些当地水果，如芒果、西瓜、番荔枝等，而不是仅仅局限于菠萝蜜。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。引用孟加拉国：农业就业，可在线查阅：https：//www.theglobaleconomy.com/Bangladesh/Employment_in_agriculture[Lastaccessed on May 17，2019].孟 加 拉 国 ： 农 业 在 国 内 生 产 总 值 中 所 占 份 额 ， 可 在 线 查 阅 ： https ： //www.theglobaleconomy.com/Bangladesh/Share_of_agriculture[LastaccessedonMay 17，2019].菠萝蜜，在线提供：http://en.banglapedia.org/index.php? title=菠萝蜜[Last accessedon May 20，2019].Rahman，M.A.，Afroz，M.，2016. 菠萝蜜病害的调查与思考孟加拉国流胶病的控制措施。《生态友好型农业》，J. 9（2），10-14。哈克，N.，2006.菠萝蜜：木菠萝。RPM Print and Design，WestSussex，UK，p. 一 百零七哈比卜，麻省理工学院，Majumder，A.，Jakaria，A.Z.M.，Akter，M.，Uddin，M.S.，艾哈迈德，F. 2018.基于机器视觉的番木瓜病害识别。J. King Saud University. 信息科学https://doi.org/10.1016/j.jksuci.2018.06.006网站。Samajpati，B.J.，Degadwala，S.D.，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，2016年，pp. 1015-1019哈比卜，麻省理工学院，Majumder，A.，Nandi，R.N.，艾哈迈德，F.Uddin，M.S.，2020年。木瓜病害识别中量词的比较研究。国际计算智能联合会议论文集智能系统的算法。新加坡斯普林格库马尔，Y.H.S.，Suhas，G.，水果病害的鉴定与分类图像处理和模式识别的最新趋势（RTIP2R），pp。382-390，印度，2016年12月16-17日。Hosen，M. I.，Tabassum，T.，Akhter，J.，伊斯兰教，MI，2018.基于颜色分割技术的水果缺陷检测。国际计算机Sci. Inf. Security 16（6），215-223.Chopaade，P.B.，Bhagyashri，K.，基于图像处理的水果作物叶病检测和Rozario，L.J.，Rahman，T.，Uddin，M.S.，2016.水果和蔬菜中缺陷区域的分割。Int.J. Comput. Sci. INF. Security 14（5），399-406.Batule，V.B.，查万