研究目的
展示一种自动化识别不同作物品种叶片样本图像病害的方法,该方法采用局部二值模式(LBPs)进行特征提取,并利用一类分类法进行分类。
研究成果
开发的模型以葡萄叶为训练数据,用于识别四种不同的健康状况。当前应用的创新点在于其卓越的泛化能力——通过在不同植物物种的多种叶片样本测试中得到验证。结果表明该模型在大多数情况下表现高效:具体而言,在46种测试的植物病害组合中,成功分类了44种,总体成功率高达95%。
研究不足
所提出方法的一些局限性可能源于外在因素(如图像背景和采集条件)以及内在因素(包括分割问题和具有相似症状的不同病症)。
1:实验设计与方法选择:
该方法采用局部二值模式(LBP)进行特征提取,并使用单类分类法进行分类。
2:样本选择与数据来源:
使用智能手机或平板电脑拍摄的具有可见症状的感染叶片图像。
3:实验设备与材料清单:
用于图像采集的智能手机或平板电脑。
4:实验步骤与操作流程:
应用图像分割技术获取目标区域并去除背景。对分割后的图像进行色调-饱和度-明度(HSV)变换。采用GrabCut算法进行图像分割。
5:数据分析方法:
利用LBP直方图训练单类分类器。通过单类支持向量机(SVM)将叶片样本图像分类为目标类和异常值。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容