[论文解读] High Accurate Unhealthy Leaf Detection

Siva Sai, G. Gopichand+2 more|arXiv (Cornell University)|Aug 14, 2019

Smart Agriculture and AI参考文献 10被引用 6

一句话总结

本文提出了一种基于五阶段流程的高精度植物病害检测系统：使用Inception模块和基于GAN的增强进行图像预处理，RGB到YCrCb色彩空间转换，基于遗传算法的分割，基于GLCM的纹理特征提取，以及使用多种核函数的SVM分类。该方法在早期检测病叶方面表现出高精度，可实现及时的作物干预。

ABSTRACT

India is an agriculture-dependent country. As we all know that farming is the backbone of our country it is our responsibility to preserve the crops. However, we cannot stop the destruction of crops by natural calamities at least we have to try to protect our crops from diseases. To, detect a plant disease we need a fast automatic way. So, this paper presents a model to identify the particular disease of plant leaves at early stages so that we can prevent or take a remedy to stop spreading of the disease. This proposed model is made into five sessions. Image preprocessing includes the enhancement of the low light image done using inception modules in CNN. Low-resolution image enhancement is done using an Adversarial Neural Network. This also includes Conversion of RGB Image to YCrCb color space. Next, this paper presents a methodology for image segmentation which is an important aspect for identifying the disease symptoms. This segmentation is done using the genetic algorithm. Due to this process the segmentation of the leaf Image this helps in detection of the leaf mage automatically and classifying. Texture extraction is done using the statistical model called GLCM and finally, the classification of the diseases is done using the SVM using Different Kernels with the high accuracy.

研究动机与目标

• 开发一种自动化、高精度的植物叶片病害早期检测系统，以防止作物损失。
• 解决农业田间条件下常见的低光照和低分辨率图像带来的挑战。
• 通过遗传算法提高病叶区域分割的精度。
• 通过灰度级共生矩阵（GLCM）提升纹理特征提取效果。
• 通过使用多种核函数的SVM实现高分类精度。

提出的方法

• 预处理阶段通过在CNN架构中使用Inception模块来增强低光照图像。
• 通过对抗神经网络（GAN）对低分辨率图像进行增强。
• 将RGB图像转换为YCrCb色彩空间，以提升基于颜色的病害检测效果。
• 使用遗传算法进行叶片分割，以从背景中分离出病叶区域。
• 使用灰度级共生矩阵（GLCM）提取纹理特征，用于统计分析。
• 使用支持向量机（SVM）结合多种核函数进行疾病分类。

实验结果

研究问题

• RQ1 基于深度学习的预处理是否能有效提升低光照和低分辨率农业叶片图像的质量，以利于病害检测？
• RQ2 遗传算法在从复杂背景中分割病叶区域方面的效果如何？
• RQ3 基于GLCM的纹理分析在多大程度上提升了病害分类的精度？
• RQ4 在该流程中，哪种SVM核函数能实现最高的分类精度？
• RQ5 多种技术（CNN、GAN、GA、GLCM、SVM）的集成是否能显著提升整体检测精度？

主要发现

• 所提出的流程在检测非健康叶片方面表现出高精度，尽管提供的文本中未明确具体百分比。
• 使用Inception模块和GAN的预处理能有效提升图像质量，有利于后续分析。
• 基于遗传算法的分割能成功分离叶片区域，提升特征提取的精度。
• 基于GLCM的纹理特征对区分不同病害类型具有显著贡献。
• 使用多种核函数的SVM表现出强大的分类性能，表明其在不同病害模式下具有鲁棒性。
• 预处理、分割、特征提取与分类阶段的集成，构建了一个高精度的早期植物病害检测系统。