[논문 리뷰] Supervised learning for crop/weed classification based on color and texture features

Faiza Mekhalfa, Fouad Yacef|arXiv (Cornell University)|2021. 06. 19.

Smart Agriculture and AI참고 문헌 14인용 수 6

한 줄 요약

이 연구는 UAV에서 촬영한 soybean 필드 이미지에서 색상 및 텍스처 특징을 사용하여 감독 학습 기반의 SVM 기반 접근법을 제안한다. RGB/HSV 색상 특징와 국소 이진 패턴(LBP) 텍스처 특징를 조합함으로써, 이 방법은 96% 이상의 분류 정확도를 달성하여 색상 전용 또는 GLCM 기반 접근법보다 뚜렷하게 뛰어나며, one-vs-one SVM 전략이 가장 높은 정확도와 계산 효율성을 제공한다.

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.

연구 동기 및 목표

• 정밀 농업을 향상시키기 위해 UAV 영상에서 잡초와 작물을 정확하고 자동으로 탐지할 수 있도록 한다.
• 유사한 색상을 가지지만 텍스처가 다른 작물과 잡초 간의 오분류 문제를 해결한다.
• GLCM, LBP와 같은 색상 및 텍스처 특징가 SVM 기반 분류 성능 향상에 얼마나 효과적인지 평가한다.
• 농업 영상 분석에서 다중분류를 위한 one-vs-all 및 one-vs-one SVM 전략을 비교한다.
• 현장 특화 잡초 관리에 실시간 적용이 가능한 계산 효율성이 높고 정확도가 높은 솔루션을 제공한다.

제안 방법

• 연구는 soybean 필드에서 촬영한 UAV 영상 데이터셋을 공개적으로 이용 가능하게 제공하며, 총 15,336개의 세그먼트로 구성되어 있으며, 토양, soybean, 잔디, 우거진 잡초를 포함한다.
• 색상 특징는 RGB 및 HSV 색상 공간에서 평균과 표준편차로 추출된다.
• 텍스처 특징는 그레이 레벨 공통 행렬(GLCM) 및 국소 이진 패턴(LBP) 방법을 사용하여 계산된다.
• 다양한 특징 조합(색상 전용, 색상 + GLCM, 색상 + LBP)을 사용하여 서포트 벡터 머신(SVM) 분류기가 훈련된다.
• 두 가지 SVM 전략(one-vs-all 및 one-vs-one)을 평가하며, 훈련 세트 크기가 30%, 50%, 70%로 다양할 때 성능을 측정한다.
• 모델 성능 비교를 위해 혼동 행렬과 분류 정확도를 사용한다.

실험 결과

연구 질문

• RQ1 UAV 영상에서 soybean 작물, 잡초(잔디 및 우거진 잡초), 토양을 효과적으로 구분하는 데 색상 및 텍스처 특징가 유용한가?
• RQ2 GLCM 및 LBP와 같은 텍스처 특징를 포함함으로써 색상 전용 특징에 비해 분류 정확도는 얼마나 향상되는가?
• RQ3 색상 및 텍스처 특징의 어떤 조합이 작물/잡초 식별에서 가장 높은 분류 정확도를 달성하는가?
• RQ4 이 데이터셋에서 one-vs-all 및 one-vs-one SVM 전략은 정확도 및 계산 효율성 측면에서 어떻게 비교되는가?
• RQ5 제안된 방법은 실시간 현장 적용을 위해 계산 효율성을 유지하면서도 높은 정확도를 달성할 수 있는가?

주요 결과

• 색상 및 LBP 특징의 조합은 one-vs-one SVM 전략을 사용하여 96.17%의 가장 높은 분류 정확도를 달성했다.
• 색상 특징 전용으로는 토양 분류에서 100%의 정확도를 기록했으며, 이는 토양이 녹색 식물과 다른 색상을 지니기 때문이다.
• 텍스처 특징, 특히 LBP를 추가함으로써 작물과 잡초 간의 오분류가 크게 감소했으며, 특히 우거진 잡초 분류에서 오분류율이 67%에서 95.33%로 감소했다.
• one-vs-one SVM 접근법이 one-vs-all보다 성능이 뛰어나 96.17%의 정확도를 기록했고, 93.92%의 one-vs-all 대비 훈련 시간을 최대 40% 감소시켰다.
• LBP 기반 텍스처 특징는 GLCM보다 더 일관되고 높은 성능을 보였으며, 특히 잔디와 우거진 잡초를 구분하는 데 유리했다.
• 모델는 정확도가 훈련 세트 크기가 30%에서 70%로 증가함에 따라 향상됨에 따라 강건성과 확장성을 입증했다.