[논문 리뷰] A Model of Plant Identification System Using GLCM, Lacunarity And Shen Features

Abdul Kadir|arXiv (Cornell University)|2014. 08. 26.

Smart Agriculture and AI인용 수 30

한 줄 요약

이 논문은 회색 수준 공생 행렬(GLCM), 라쿠나리티, 셴 특징을 융합하여 문턱 및 형태 분석을 위한 텍스처 특징을 추출하고 베이지안 학습을 통해 분류하는 새로운 식물 식별 시스템을 제안한다. 이 방법은 Flavia 데이터셋에서 97.19%의 정확도와 Foliage 데이터셋에서 95.00%의 정확도를 기록하여 기존 방법들을 능가하며, 다중 척도 텍스처 및 구조적 특징을 확률적 분류기와 융합함으로써 성능을 향상시킨다.

ABSTRACT

Recently, many approaches have been introduced by several researchers to identify plants. Now, applications of texture, shape, color and vein features are common practices. However, there are many possibilities of methods can be developed to improve the performance of such identification systems. Therefore, several experiments had been conducted in this research. As a result, a new novel approach by using combination of Gray-Level Co-occurrence Matrix, lacunarity and Shen features and a Bayesian classifier gives a better result compared to other plant identification systems. For comparison, this research used two kinds of several datasets that were usually used for testing the performance of each plant identification system. The results show that the system gives an accuracy rate of 97.19% when using the Flavia dataset and 95.00% when using the Foliage dataset and outperforms other approaches.

연구 동기 및 목표

• 기존의 텍스처 및 형태 기반 방법을 뛰어넘는 정확도를 확보하는 강력한 식물 식별 시스템을 개발하는 것.
• GLCM, 라쿠나리티, 셴 특징을 융합하는 것이 식물 잎 식별에 효과적인지 조사하는 것.
• 제안된 모델을 표준 기준 데이터셋에 적용하여 이전 방법들과의 성능을 비교 평가하는 것.
• 특징 융합과 베이지안 분류기의 통합이 식물 식별 시스템의 신뢰성 및 정밀도를 향상시키는지 입증하는 것.

제안 방법

• 시스템은 픽셀 강도 간의 공간적 관계를 캡처하기 위해 회색 수준 공생 행렬(GLCM)을 사용하여 텍스처 특징을 추출한다.
• 라쿠나리티는 다중 척도에서 잎 이미지의 이질성과 텍스처 패턴의 복잡성을 정량화하기 위해 계산된다.
• 셩 특징은 잎의 혈관 패턴의 구조적 및 기하학적 특징을 표현하기 위해 추출된다.
• GLCM, 라쿠나리티, 셴 특징의 병합된 특징 벡터는 최종 분류를 위해 베이지안 분류기에 입력된다.
• 모델은 표준 평가 프rotocols를 사용하여 Flavia 및 Foliage라는 두 개의 표준 데이터셋에서 훈련 및 테스트된다.
• 베이지안 분류기의 최적 입력 표현을 확보하기 위해 특징 선택 및 정규화가 적용된다.

실험 결과

연구 질문

• RQ1 GLCM, 라쿠나리티, 셴 특징의 융합이 개별 특징 세트에 비해 식물 잎 식별 정확도를 향상시키는가?
• RQ2 제안된 시스템은 Flavia 및 Foliage와 같은 기준 데이터셋에서 기존 방법들과 비교해 어떻게 성능을 발휘하는가?
• RQ3 다중 척도 텍스처 및 구조적 특징의 통합이 분류기의 분류 능력을 향상시키는가?
• RQ4 베이지안 분류기의 사용이 식물 식별 시스템의 강건성 및 일반화 능력에 어떤 영향을 미치는가?

주요 결과

• 제안된 시스템은 Flavia 데이터셋에서 97.19%의 분류 정확도를 기록하여 다른 최첨단 방법들을 능가했다.
• Foliage 데이터셋에서는 95.00%의 정확도를 기록하여 다양한 잎 유형 간의 강력한 일반화 능력을 보였다.
• GLCM, 라쿠나리티, 셴 특징의 조합은 개별 특징을 사용하는 것보다 텍스처 및 구조적 표현 능력을 크게 향상시켰다.
• 베이지안 분류기는 융합된 특징 세트를 효과적으로 활용하여 높은 신뢰성과 낮은 오분류 비율을 확보했다.
• 결과는 다중 척도 텍스처 및 형태 특징가 식물 식별 과제에서 매우 상호보완적임을 확인했다.
• 기존 접근 방식에 비해 시스템은 뛰어난 성능을 보이며, 제안된 특징 융합 전략의 효과성을 입증했다.