[论文解读] Supervised learning for crop/weed classification based on color and texture features

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

Smart Agriculture and AI参考文献 14被引用 6

一句话总结

本研究提出了一种基于监督SVM的作物/杂草分类方法，用于无人机获取的大豆田图像，利用颜色和纹理特征。通过结合RGB/HSV颜色特征与局部二值模式（LBP）纹理特征，该方法实现了超过96%的分类准确率，显著优于仅使用颜色或GLCM的方法，其中一对多SVM策略在准确率和计算效率方面表现最佳。

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.

研究动机与目标

• 通过实现无人机影像中杂草与作物的精确、自动化检测，提升精准农业水平。
• 解决作物与杂草因颜色相似但纹理不同而导致的误分类问题。
• 评估颜色与纹理特征（GLCM、LBP）在提升SVM分类性能方面的有效性。
• 比较一对多与一对一切SVM策略在农业图像分析多分类任务中的表现。
• 为特定区域的杂草管理提供计算高效且高准确率的解决方案。

提出的方法

• 本研究使用一个公开的无人机图像数据集，包含来自大豆田的15,336个图像片段，涵盖土壤、大豆、草本杂草和阔叶杂草。
• 颜色特征以RGB和HSV颜色空间中的均值与标准差形式提取。
• 纹理特征通过灰度共生矩阵（GLCM）和局部二值模式（LBP）方法计算。
• 使用多种特征组合（仅颜色、颜色+GLCM、颜色+LBP）训练支持向量机（SVM）分类器。
• 评估两种SVM策略：一对多与一对一切，性能在不同训练集大小（30%、50%、70%）下进行测量。
• 通过混淆矩阵与分类准确率比较不同特征组合与SVM策略下的模型性能。

实验结果

研究问题

• RQ1 颜色与纹理特征能否有效区分无人机影像中的大豆作物、杂草（草本与阔叶）及土壤？
• RQ2 与仅使用颜色特征相比，引入纹理特征（GLCM与LBP）如何提升分类准确率？
• RQ3 哪种颜色与纹理特征组合能为作物/杂草区分提供最高的分类准确率？
• RQ4 在本数据集上，一对多与一对一切SVM策略在准确率与计算效率方面如何比较？
• RQ5 所提出的方法能否在保持计算高效的同时实现高准确率，适用于实时田间应用？

主要发现

• 颜色与LBP特征组合在使用一对一切SVM策略时实现了最高的分类准确率96.17%。
• 仅颜色特征在分类土壤时达到100%准确率，因为土壤的颜色与绿色植被明显不同。
• 通过引入纹理特征，特别是LBP，作物与杂草之间的混淆显著减少，将阔叶杂草的误分类率从67%降至4.67%（即分类准确率提升至95.33%）。
• 一对一切SVM方法优于一对多策略，准确率达到96.17%（对比93.92%），且训练时间最多减少40%。
• 基于LBP的纹理特征表现优于GLCM，尤其在区分草本与阔叶杂草方面更为一致且性能更优。
• 模型表现出良好的鲁棒性与可扩展性，随着训练集大小从30%增至70%，准确率持续提升。