基于机器学习对番茄真菌病的分类的比较研究:GLCM纹理特征的应用

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 植物病理学 植物病理学

背景情况:

• 植物疾病导致全球农业产量大幅下降.
• 准确识别番茄真菌叶病是具有挑战性的,因为细微的症状变化.
• 开发自动检测系统对于疾病管理至关重要.

研究的目的:

• 评估机器学习模型来分类四种番茄真菌叶病.
• 评估灰色水平共发生矩阵 (GLCM) 纹理特征在疾病分类中的有效性.
• 确定用于自动检测番茄病的最佳性能分类器.

主要方法:

• 利用了人工神经网络 (ANN),K-最近邻居 (KNN),随机森林 (RF) 和支持矢量机 (SVM) 算法.
• 从西红叶图像中提取了纹理特征,使用灰色水平共发生矩阵 (GLCM).
• 在Alternaria,Curvularia,Helminthosporium和Lasiodiplodi疾病的数据集上训练和测试模型.

主要成果:

• 人工神经网络实现了最高的整体准确率94%.
• ANN表现出强的表现,平均精度 (93.6%),回忆 (93.8%) 和F1得分 (93.8%).
• 模型显示Helminthosporium和Curvularia疾病之间存在一些混.

结论:

• GLCM的纹理特征对分类番茄叶真菌病非常有效.
• ANN是准确和自动检测这些疾病的有希望的工具.
• 这项技术可以支持农民及时实施预防措施,以提高作物产量和质量.