[論文レビュー] Fusing Color and Texture Cues to Categorize the Fruit Diseases from Images

Shiv Ram Dubey, Anand Singh Jalal|arXiv (Cornell University)|Dec 23, 2014

Smart Agriculture and AI参考文献 26被引用数 7

ひとこと要約

本稿では、画像処理および機械学習を用いたりんご病害の自動分類のための色とテクスチャの融合手法を提案する。K-meansクラスタリングを用いて欠損部をセグメンテーションし、セグメンテーション領域から色およびテクスチャ特徴量を抽出し、多クラスSVMを用いて分類することで、りんごのダービー病、斑点病、腐敗病および健全なりんごを高精度に区別する。

ABSTRACT

The economic and production losses in agricultural industry worldwide are due to the presence of diseases in the several kinds of fruits. In this paper, a method for the classification of fruit diseases is proposed and experimentally validated. The image processing based proposed approach is composed of the following main steps; in the first step K-Means clustering technique is used for the defect segmentation, in the second step color and textural cues are extracted and fused from the segmented image, and finally images are classified into one of the classes by using a Multi-class Support Vector Machine. We have considered diseases of apple as a test case and evaluated our approach for three types of apple diseases namely apple scab, apple blotch and apple rot and normal apples without diseases. Our experimentation points out that the proposed fusion scheme can significantly support accurate detection and automatic classification of fruit diseases.

研究の動機と目的

• 未発見の果物病害による農業分野における経済的損失を軽減すること。
• 画像ベースの自動化された果物病害の検出および分類システムの開発すること。
• セグメンテーションされた病変領域からの色とテクスチャ特徴量の統合により、分類精度を向上させること。
• 実際のりんご病害画像（ダービー病、斑点病、腐敗病、健全なりんご）を用いて、手法の妥当性を検証すること。

提案手法

• K-Meansクラスタリングを用いて果物画像からの病変領域をセグメンテーションする。
• RGBまたはHSV色空間における統計的測定を用いて、セグメンテーション領域から色特徴量を抽出する。
• 局所的バイナリパターン（LBP）やグレーレベル自己相関行列（GLCM）などの手法を用いて、テクスチャ特徴量を抽出する。
• 色特徴量とテクスチャ特徴量を連結して、分類用の単一の特徴ベクトルを構築する。
• 多クラスサポートベクターマシン（SVM）を訓練し、画像を4つのクラスのいずれかに分類する：りんごダービー病、りんご斑点病、りんご腐敗病、または正常。
• 病変ありおよび健全なりんごの標準画像データセットを用いて、システムの評価を行う。

実験結果

リサーチクエスチョン

• RQ1 色とテクスチャ特徴量の統合は、単一モダリティを用いる場合と比較して、果物病害分類の精度を向上させるか？
• RQ2 複雑な果物の背景を有する画像において、K-meansクラスタリングは病変領域を効果的に分離できるか？
• RQ3 多クラスSVMは、複数のりんご病害および健全なりんごを効果的に区別できるか？
• RQ4 本手法は、実世界の変動する照明条件および背景条件下でも効果的に機能するか？

主な発見

• 色とテクスチャ特徴量の統合により、単独で使用する場合と比較して分類精度が顕著に向上した。
• テストデータセット上では、りんごダービー病、斑点病、腐敗病および健全なりんごの区別において、高い精度が達成された。
• K-Meansクラスタリングは病変領域を効果的にセグメンテーションし、病変領域からの信頼性の高い特徴抽出を可能にした。
• 多クラスSVM分類器は、4つの病害カテゴリにおいて優れた一般化性能を示した。