14、机器视觉在果蔬疾病识别及患病植物鉴定中的应用

机器视觉在果蔬疾病识别及患病植物鉴定中的应用

果蔬疾病识别方法概述

在果蔬疾病识别领域，主要分为传统机器学习和深度学习两种方法。研究发现，图像调整大小、灰度成像、灰度共生矩阵（GLCM）计算等是基于视觉的果蔬疾病识别的重要步骤。k - 均值聚类分割是果蔬疾病分割中非常流行且常用的方法。疾病通过不同的著名分类器进行分类，其中人工神经网络（ANN）、k - 近邻（k - NN）和支持向量机（SVM）是最常见的。卷积神经网络（CNNs）也被用于果蔬识别。

相关研究对比

以下是不同研究在果蔬识别方面的对比：
|方法/研究|处理对象|解决方案领域|分割算法|分类器|样本大小|准确率|
| ---- | ---- | ---- | ---- | ---- | ---- | ---- |
|Samajpati 和 Degadwala|苹果|传统机器学习|k - 均值聚类|随机森林|80 张图像|未提及|
|Omrani 等人|苹果|传统机器学习|k - 均值聚类|SVM|320 个样本|未提及|
|Habib 等人|菠萝蜜|传统机器学习|k - 均值聚类|SVMs|240 张图像|88.67%|
|Habib 等人|菠萝蜜|传统机器学习|k - 均值聚类|随机森林|480 张图像|89.59%|
|Vakilian 和 Massah|黄瓜|深度学习|不适用|反向传播 ANN|300 张图像|未提及|
|Mokhtar 等人|番茄叶|传统机器学习|梯度聚类算法|SVM|400 张图像|99.83%|
|Habib 等人|木瓜|传统机器学习|k - 均值聚类|SVM|126 张图像|90.15%|