[論文レビュー] A Model of Plant Identification System Using GLCM, Lacunarity And Shen Features

Abdul Kadir|arXiv (Cornell University)|Aug 26, 2014

Smart Agriculture and AI被引用数 30

ひとこと要約

本稿では、グレイレベル共同行列（GLCM）、ラクナリティ、シェン特徴を組み合わせた新規の植物識別システムを提案する。このシステムは、テクスチャおよび形状解析に用いられ、ベイジアン学習による分類が行われる。Flaviaデータセットでは97.19%、Foliageデータセットでは95.00%の精度を達成し、マルチスケールのテクスチャおよび構造的特徴と確率的分類器を統合することで、既存の手法を上回る性能を発揮する。

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.

研究の動機と目的

• 既存のテクスチャおよび形状ベースの手法を上回る精度を実現する、信頼性の高い植物識別システムの開発。
• GLCM、ラクナリティ、シェン特徴の組み合わせが植物の葉認識に有効であるかの検証。
• 提案されたモデルを標準ベンチマークデータセットで評価し、先行研究と性能を比較。
• 特徴融合とベイジアン分類器の統合が、植物識別システムの信頼性および精度を向上させることの証明。

提案手法

• システムは、画素強度間の空間的関係を捉えるために、グレイレベル共同行列（GLCM）を用いてテクスチャ特徴を抽出する。
• ラクナリティを計算して、複数スケールにおける葉画像の不均一性およびテクスチャパターンの複雑さを定量化する。
• シェン特徴を抽出して、葉の脈脈パターンの構造的および幾何的特徴を表現する。
• GLCM、ラクナリティ、シェン特徴から得られる統合特徴ベクトルを、最終的な分類のためのベイジアン分類器に供給する。
• モデルは、標準的な評価プロトコルに従い、FlaviaおよびFoliageの2つの標準データセットで訓練およびテストされる。
• 特徴選択および正規化を適用して、ベイジアン分類器の最適な入力表現を確保する。

実験結果

リサーチクエスチョン

• RQ1 GLCM、ラクナリティ、シェン特徴の融合は、個々の特徴セットと比較して、植物の葉識別精度を向上させることができるか？
• RQ2 FlaviaおよびFoliageなどのベンチマークデータセットにおいて、提案されたシステムは既存の手法と比較してどのように性能を発揮するか？
• RQ3 マルチスケールのテクスチャおよび構造的特徴の統合は、分類器の識別力の向上に寄与するか？
• RQ4 ベイジアン分類器の使用が、植物識別システムの堅牢性および一般化性能に与える影響は何か？

主な発見

• 提案されたシステムは、Flaviaデータセットで97.19%の分類精度を達成し、他の最先端手法を上回った。
• Foliageデータセットでは95.00%の精度を記録し、異なる葉の種類にわたる強力な一般化性能を示した。
• GLCM、ラクナリティ、シェン特徴の組み合わせは、個々の特徴を使用する場合と比較して、テクスチャおよび構造的表現の向上を顕著に実現した。
• ベイジアン分類器は、統合された特徴セットを効果的に活用し、高い信頼性と低誤分類率を実現した。
• 結果から、マルチスケールのテクスチャおよび形状特徴は、植物識別タスクにおいて非常に相補的であることが確認された。
• 提案された特徴融合戦略の有効性を裏付けるように、既存のアプローチと比較して優れた性能を発揮した。