《Results in Chemistry》:Robust Method for Classification of Agricultural Crops Diseases using LGXP Descriptor
编辑推荐:
农业生产力需要提高以满足人口增长驱动的全球需求。由于环境退化和生物及非生物因子的损失,多种病害影响农业作物并大幅降低产量。作物病害的早期诊断对于以受控方式施用肥料和农药而不损害环境至关重要。研究人员已经开发了各种识别作物病害的方法,从传统技术到最新的机器学习(
农业生产力需要提高以满足人口增长驱动的全球需求。由于环境退化和生物及非生物因子的损失,多种病害影响农业作物并大幅降低产量。作物病害的早期诊断对于以受控方式施用肥料和农药而不损害环境至关重要。研究人员已经开发了各种识别作物病害的方法,从传统技术到最新的机器学习(ML)和深度学习(DL)技术。然而,这些方法通常存在精度降低和计算复杂度高的问题。为了应对这些挑战并设计一个既高效又适合实时硬件实现的框架,研究人员采用了一种有效的特征提取和分类策略。在所提出的方法中,通过应用多尺度、多方向Gabor滤波器,随后进行基于XOR的邻域编码,提取局部Gabor异或模式(LGXP)特征,该特征捕获与病害症状相关的判别性纹理变化。对于分类,研究人员采用支持向量机(SVM)以及不同的核函数(如线性、二次、三次和高斯),以确保在不同数据集上的鲁棒决策边界。在各种核中,线性和粗高斯核取得了更好的病害分类性能。该方法已在多个作物病害数据集上验证,包括水稻、小麦、玉米和芒果,在谷物作物上分别达到了最高的准确率、灵敏度、特异度、F1分数和马修斯相关系数(MCC),分别为100%、100%、100%、100%和1。所提出的方法在计算效率和跨多个病害类别的改进分类性能方面表现出鲁棒性。
全球人口增长对农业生产提出了更高要求,而环境退化及生物/非生物胁迫导致作物病害频发,严重降低产量。早期诊断对于精准施用农药、减少环境危害至关重要。现有作物病害检测方法包括传统图像处理、机器学习(ML)和深度学习(DL)技术,但ML方法依赖手工特征且泛化能力弱,DL方法则计算量大、难以在资源受限环境中部署。因此,迫切需要一种兼具高精度和低计算复杂度的特征提取与分类框架。
研究人员提出了一种基于局部Gabor异或模式(LGXP,一种结合Gabor滤波和异或编码的纹理描述符)特征提取与支持向量机(SVM)分类的作物病害检测框架。该框架通过多尺度多方向Gabor滤波、二值化、XOR编码提取纹理特征,利用最小冗余最大相关性(MRMR)进行特征选择,并采用线性核和粗高斯核SVM进行分类。方法在多个作物数据集(水稻、小麦、玉米、芒果)上验证,取得了卓越性能。该研究发表于《Results in Chemistry》,为农业病害自动化检测提供了计算高效、可实时部署的解决方案。
主要关键技术方法包括:(1)图像预处理:保留红通道并归一化,以突出黄化、坏死症状;(2)分割:生成二值掩膜提取感病区域(ROI);(3)LGXP特征提取:构建3尺度、4方向的Gabor滤波器组,对滤波响应进行全局阈值二值化,然后对邻域像素进行异或编码,形成LGXP模式,并统计归一化直方图作为特征向量;(4)特征选择:采用MRMR算法从3072个特征中选出最优的142个特征,降低冗余;(5)分类:采用线性核和粗高斯核SVM,在15折交叉验证下评估。样本来源:水稻数据集来自印度Lalgudi地区田间采样(2023.6–2024.1,共7857张图像,8类),小麦(5000张,5类)和玉米(4188张,4类)数据集来自Kaggle平台,芒果(4000张,8类)数据集来自Mendeley Data。
研究结果如下:
4.1 计算分析:通过分析LGXP特征提取和SVM分类的计算时间,发现线性核和粗高斯核的推理时间分别为0.0013秒和0.0019秒每张图像,预测速度分别为750和520观测/秒,表明该框架适用于实时硬件实现。
4.2 箱线图可视化:利用箱线图展示了线性核和粗高斯核在不同作物上的性能指标分布。线性核的准确率、灵敏度、特异度、F1分数和MCC的中位数和四分位距均优于粗高斯核,且无异常值,说明线性核性能更稳定。
4.3 基线比较(LBP描述符):以均匀局部二值模式(LBP)为基线,LGXP在所有作物数据集上均显著优于LBP。例如,线性核SVM下,水稻测试准确率从90.58%提升至100%,小麦从94.00%提升至100%,玉米从81.60%提升至100%,芒果从87.12%提升至99.88%。
4.4 与现有工作比较:对比了GLCM-SVM、DL等方法。LGXP+线性核SVM在水稻、小麦、玉米上达到100%测试准确率,芒果上99.88%,均优于GLCM-SVM(90.64%)和DL方法(99.49%、95.60%、88.97%、93.75%),且计算复杂度更低(LGXP为O(K*N),线性SVM为O(n))。
讨论部分指出,线性核在MRMR特征选择后表现优异,因为LGXP特征在选定的低维空间中接近线性可分。粗高斯核由于平滑决策边界,导致相似症状类别(如芒果的煤污病与健康叶、细菌性溃疡与炭疽病)难以区分,尤其在早期阶段。此外,Gabor滤波器参数选择实验表明,3尺度、4方向、15尺寸的滤波器组合能最好地平衡细节保留和噪声抑制。
研究结论部分翻译如下:本研究提出了一个高效的作物病害检测框架,该框架集成了LGXP描述符与SVM分类器。通过从症状叶片区域提取基于纹理的特征,并利用MRMR确保紧凑且信息丰富的特征表示,所提出的流水线展示了强大的判别能力。在多个作物数据集(包括水稻、小麦、玉米和芒果)上的实验验证突出了该框架的鲁棒性。线性SVM核获得了比粗高斯核更好的分类性能。相比之下,粗高斯核在谷物作物病害检测中取得了令人满意的结果,但在水果病害分类中表现较差。研究结果强调了两个关键方面:(i)LGXP描述符结合特征选择能够有效捕获叶片组织中病害引起的变异,(ii)线性决策边界在区分各类特征方面优于非线性核。这使得所提出的框架准确、计算高效,适合在边缘设备上实时实现。