使用Legion Kernels与并行支向量机器 (LK-PSVM) 和模糊C表示图像分割的新技术进行叶病分类
Manikandan Rajagopal1, Safak Kayikci2, Mohamed Abbas3
1School of Business and Management, Christ (Deemed to be University), Bengaluru, Karnataka, India.
Heliyon
|July 12, 2024
概括
这项研究引入了使用叶子图像分析的自动植物疾病检测系统. 这种新的方法集成了先进的细分和机器学习,以准确有效地分类植物疾病.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 图像处理 图像处理
背景情况:
- 手动识别植物病是耗时且不准确的.
- 需要自动化,高效和准确的解决方案来检测植物疾病.
- 现有的方法缺乏用于精确分类的先进技术解决方案.
研究的目的:
- 开发一种使用叶子图像进行植物疾病检测和分类的新型自动化技术.
- 提出一个综合框架,结合图像处理,细分和机器学习来识别疾病.
- 与传统方法相比,提高植物疾病分类的准确性和稳定性.
主要方法:
- 一种使用 Fuzzy C-Means (FCM) 和 Particle Swarm Optimization (PSO) 进行叶片图像分割的新细分技术.
- 从细分的叶子图像中提取特征.
- 使用新的军团内核和并行支持向量机 (LK-PSVM) 方法进行分类.
- 图像预处理包括使用高斯函数进行背景减去.
主要成果:
- 拟议的LK-PSVM与FCM相结合,实现了高分类准确度.
- 该方法在从不同的叶子图像中区分各种植物疾病方面表现出强大.
- 在38个标签的55400张图像上进行的实验,包括果叶,验证了它的有效性.
结论:
- 综合框架为自动检测植物疾病提供了一个全面而准确的解决方案.
- 拟议的方法在准确性和可扩展性方面显著改进了现有技术.
- 该系统能够有效地处理复杂的数据集和高维特征空间.
更多相关视频
12:08From Voxels to Knowledge: A Practical Guide to the Segmentation of Complex Electron Microscopy 3D-Data
Published on: August 13, 2014
24.5K
09:31Author Spotlight: High-Throughput In Vivo Leaf Inoculation for Accelerating Disease Resistance Screening in Poplar Hybrid Breeding
Published on: September 20, 2024
645
