[論文レビュー] A Novel Technique for Grading of Dates using Shape and Texture Features

S. H. Mohana, C. J. Prabhakar|arXiv (Cornell University)|Jan 6, 2015

Spectroscopy and Chemometric Analyses参考文献 19被引用数 6

ひとこと要約

本論文は、統合された形状およびテクスチャ特徴を用いた、ドライフルーツの自動評価のための画認識技術を提案する。ボトムアップフィルタリングおよびしきい値ベースのセグメンテーションの後、輪郭に基づく形状特徴と、カーブレット変換および局所バイナリパターン（LBP）からのテクスチャ特徴が統合される。k-NN分類は、6段階分類において、SVMおよびLDAを上回る最高の正確性を達成した。

ABSTRACT

This paper presents a novel method to grade the date fruits based on the combination of shape and texture features. The method begins with reducing the specular reflection and small noise using a bilateral filter. Threshold based segmentation is performed for background removal and fruit part selection from the given image. Shape features is extracted using the contour of the date fruit and texture features are extracted using Curvelet transform and Local Binary Pattern (LBP) from the selected date fruit region. Finally, combinations of shape and texture features are fused to grade the dates into six grades. k-Nearest Neighbour(k-NN) classifier yields the best grading rate compared to other two classifiers such as Support Vector Machine (SVM) and Linear Discriminant(LDA) classifiers. The experiment result shows that our technique achieves highest accuracy.

研究の動機と目的

• 視覚的特徴に基づいて、非侵襲的かつ自動化されたドライフルーツの等級分け手法の開発を目的とする。
• 手作業による評価の限界を克服し、信頼性が高く再現性のあるコンピュータビジョンベースの代替手法を導入することを目的とする。
• ドライフルーツ画像からの形状およびテクスチャ特徴の統合により、等級分けの正確性を向上させることを目的とする。
• k-NN、SVM、およびLDA分類器の性能を、ドライフルーツの等級分けの文脈で評価および比較することを目的とする。
• 農業の収穫後処理における品質評価のための堅牢なフレームワークを確立することを目的とする。

提案手法

• ドライフルーツ画像のスペキュラー反射および微小ノイズを低減するため、バイラテラルフィルタを適用する。
• 背景からのドライフルーツの分離を目的として、しきい値ベースのセグメンテーションを実行する。
• セグメンテーションされたドライフルーツ領域の輪郭を用いて形状特徴を抽出する。
• セグメンテーションされた果実領域から、カーブレット変換および局所バイナリパターン（LBP）を用いてテクスチャ特徴を抽出する。
• 抽出された形状特徴およびテクスチャ特徴を統合し、分類用の特徴ベクトルを生成する。
• k-NN、SVM、およびLDAの3つの分類器を、統合された特徴セット上で学習および評価し、それぞれのドライフルーツに6段階の等級を割り当てる。

実験結果

リサーチクエスチョン

• RQ1 形状特徴とテクスチャ特徴の組み合わせは、自動ドライフルーツ等級分けの正確性を向上させることができるか？
• RQ2 k-NN、SVM、LDAといった異なる分類器は、統合された形状およびテクスチャ特徴を用いたドライフルーツ等級分けにおいて、どのように性能を発揮するか？
• RQ3 バイラテラルフィルタを用いた前処理は、特徴抽出および分類性能を向上させるか？
• RQ4 カーブレットおよびLBPの使用は、ドライフルーツ画像におけるテクスチャ表現をどの程度改善するか？
• RQ5 k-NNは、SVMおよびLDAに比べ、6段階の異なる品質等級にドライフルーツを分類する際に優れているか？

主な発見

• k-Nearest Neighbour（k-NN）分類器が、テストされた3つの分類器の中で最高の等級分け正確性を達成した。
• 形状特徴とテクスチャ特徴の統合は、個別の特徴セットを用いた場合と比較して、分類性能を顕著に向上させた。
• バイラテラルフィルタは、スペキュラー反射およびノイズを効果的に低減し、その後のセグメンテーションおよび特徴抽出を向上させた。
• カーブレット変換および局所バイナリパターン（LBP）は、ドライフルーツ画像に対して効果的なテクスチャ表現を提供した。
• 提案手法は、6段階のドライフルーツ等級分けにおいて、SVMおよびLDAを上回る最高の正確性を達成した。
• 15ページにわたる分析、表および図を裏付ける実験結果から、提案手法の堅牢性および有効性が確認された。