[논문 리뷰] Fusing Color and Texture Cues to Categorize the Fruit Diseases from Images

Shiv Ram Dubey, Anand Singh Jalal|arXiv (Cornell University)|2014. 12. 23.

Smart Agriculture and AI참고 문헌 26인용 수 7

한 줄 요약

이 논문은 영상 처리 및 기계 학습을 활용하여 사과 병해를 자동으로 분류하기 위한 색상과 질감 융합 방법을 제안한다. K-means 군집화를 사용해 결함 영역을 분할하고, 분할된 영역에서 색상 및 질감 특징을 추출하며, 다중 클래스 SVM을 사용해 분류하여 사과 곰팡이병, 반점병, 부패병 및 건강한 사과를 높은 정확도로 구분한다.

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.

연구 동기 및 목표

• 감지되지 않은 과일 병해로 인한 농업 분야의 경제적 손실을 완화하기 위해.
• 영상 기반의 자동화된 과일 병해 진단 및 분류 시스템을 개발하기 위해.
• 분할된 병변 영역에서 추출한 색상 및 질감 특징을 융합하여 분류 정확도를 향상시키기 위해.
• 실제 사과 병해 영상(곰팡이병, 반점병, 부패병, 건강한 사과 포함)을 대상으로 접근 방식을 검증하기 위해.

제안 방법

• K-Means 군집화를 적용하여 과일 영상에서 병변 영역을 분할한다.
• RGB 또는 HSV 색상 공간에서 통계적 측정을 사용해 분할된 영역에서 색상 특징을 추출한다.
• 국소 이진 패턴(LBP) 또는 회색 수준 공존 행렬(GLCM)과 같은 방법을 사용해 질감 특징을 추출한다.
• 색상 및 질감 특징를 결합하여 분류를 위한 단일 특징 벡터를 생성한다.
• 다중 클래스 서포트 벡터 머신(SVM)을 훈련시켜 영상이 사과 곰팡이병, 사과 반점병, 사과 부패병 또는 정상 중 하나의 클래스로 분류되도록 한다.
• 병변 및 건강한 사과의 표준 영상 데이터셋을 사용해 시스템을 평가한다.

실험 결과

연구 질문

• RQ1 색상 및 질감 특징의 융합이 단일 모odal(모드)을 사용하는 것보다 과일 병해 분류 정확도를 향상시키는가?
• RQ2 복잡한 과일 배경에서 K-means 군집화가 병변 영역을 효과적으로 분리하는가?
• RQ3 다중 클래스 SVM이 여러 종류의 사과 병해와 건강한 사과를 효과적으로 구분할 수 있는가?
• RQ4 실제 환경에서의 다양한 조명 조건과 배경 조건에서 제안된 방법의 성능은 어떠한가?

주요 결과

• 제안된 색상 및 질감 특징 융합 기법은 단일 특징를 사용하는 것보다 분류 정확도를 크게 향상시켰다.
• 시험된 데이터셋에서 시스템은 사과 곰팡이병, 반점병, 부패병 및 건강한 사과를 높은 정확도로 구분했다.
• K-Means 군집화가 병변 영역을 효과적으로 분할하여 병적 영역에서 신뢰할 수 있는 특징 추출을 가능하게 하였다.
• 다중 클래스 SVM 분류기는 네 가지 병변 유형 모두에 걸쳐 뛰어난 일반화 성능을 보였다.