[論文レビュー] Supervised learning for crop/weed classification based on color and texture features

Faiza Mekhalfa, Fouad Yacef|arXiv (Cornell University)|Jun 19, 2021

Smart Agriculture and AI参考文献 14被引用数 6

ひとこと要約

本研究では、ドローンから得られるトウモロコシ畑の画像を用いて、色とテクスチャ特徴量を組み合わせた教師ありSVMベースの手法を提案する。RGB/HSV色特徴量と局所的バイナリーパターン（LBP）テクスチャ特徴量を統合することで、96%を超える分類精度を達成し、色のみまたはGLCMベースの手法よりも顕著に優れた性能を示す。1対1SVM戦略が最も高い精度と計算効率を実現した。

ABSTRACT

Computer vision techniques have attracted a great interest in precision agriculture, recently. The common goal of all computer vision-based precision agriculture tasks is to detect the objects of interest (e.g., crop, weed) and discriminating them from the background. The Weeds are unwanted plants growing among crops competing for nutrients, water, and sunlight, causing losses to crop yields. Weed detection and mapping is critical for site-specific weed management to reduce the cost of labor and impact of herbicides. This paper investigates the use of color and texture features for discrimination of Soybean crops and weeds. Feature extraction methods including two color spaces (RGB, HSV), gray level Co-occurrence matrix (GLCM), and Local Binary Pattern (LBP) are used to train the Support Vector Machine (SVM) classifier. The experiment was carried out on image dataset of soybean crop, obtained from an unmanned aerial vehicle (UAV), which is publicly available. The results from the experiment showed that the highest accuracy (above 96%) was obtained from the combination of color and LBP features.

研究の動機と目的

• ドローン画像における雑草と作物の正確で自動化された検出を可能にすることで、精密農業を向上させること。
• 色は似ているがテクスチャが異なる作物と雑草の誤分類という課題に対処すること。
• GLCMやLBPといったテクスチャ特徴量がSVMベースの分類性能を向上させる有効性を評価すること。
• 農業画像解析における多クラス分類において、1対1と1対多のSVM戦略を比較すること。
• 現実の現場応用に適した計算効率が高く、高精度なソリューションを提供すること。

提案手法

• 本研究では、トウモロコシ畑のドローン画像から得られた15,336個の画像セグメントを含む公開データセットを用いる。対象は土壌、トウモロコシ、雑草（イネ科）および広葉雑草である。
• 色特徴量は、RGBおよびHSV色空間における平均値と標準偏差として抽出される。
• テクスチャ特徴量は、グレイレベロコ occurring マトリクス（GLCM）および局所的バイナリーパターン（LBP）手法を用いて計算される。
• さまざまな特徴量の組み合わせ（色のみ、色＋GLCM、色＋LBP）を用いて、サポートベクターマシン（SVM）分類器を訓練する。
• 2つのSVM戦略（1対1と1対多）を評価し、訓練データセットサイズ（30%、50%、70%）を変化させた上で性能を測定する。
• モデルの性能を比較するために、混同行列と分類精度が用いられる。

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は、ドローン画像におけるトウモロコシ、雑草（イネ科および広葉雑草）、土壌を効果的に区別できるか？
• RQ2 GLCMおよびLBPといったテクスチャ特徴量を追加することで、色のみの特徴量と比較して分類精度がどのように向上するか？
• RQ3 色とテクスチャ特徴量のどの組み合わせが、作物・雑草の識別において最も高い分類精度を達成するか？
• RQ4 本データセットにおいて、1対1と1対多のSVM戦略は、精度と計算効率の面でどのように比較できるか？
• RQ5 提案手法は、リアルタイムの現場応用に耐える計算効率の高さを維持しながら、高い正確性を達成できるか？

主な発見

• 色特徴量とLBP特徴量の組み合わせが、1対1SVM戦略を用いて96.17%の最高分類精度を達成した。
• 色特徴量のみで土壌の分類は100%の正確性を達成した。これは、土壌が緑色の植物と明確に色が異なるためである。
• テクスチャ特徴量、特にLBPを追加することで、作物と雑草の誤分類が顕著に減少し、広葉雑草分類の誤分類率が67%から95.33%に改善された。
• 1対1SVMアプローチが1対多を上回り、96.17%の正確性を達成した一方で、訓練時間を最大40%短縮した。
• LBPに基づくテクスチャ特徴量は、GLCMよりも一貫性があり、特にイネ科雑草と広葉雑草の区別において優れた性能を示した。
• モデルは頑健性とスケーラビリティを示し、訓練データセットサイズが30%から70%に増加するに従い、正確性が向上した。