Iconic Research and Engineering Journals·10月6日 · 周二论文农业人工智能与决策模型阅读 2
Machine Learning for Ripeness Classification of Nendra Bale Banana: A Classical Approach Using SVM, kNN, and Random Forest
T. N. Manasa · M Pushpalatha
论文解读
55未达精选线
速览
用HOG特征和经典机器学习对Nendra Bale香蕉四个成熟阶段进行图像分类。
方法
80张原始图像增强至5391张，提取HOG特征，比较SVM、kNN、随机森林。
发现
增强后SVM最优达81.60%，并建立成熟阶段到货架期的概率映射。
机会点
可探索纹理主导型品种的深度学习与多模态融合，提升成熟度识别和货架期预测精度。
影响力8
信息增量18
专业深度15
信源权威6
时效性8
面向印度特色香蕉品种的经典机器学习成熟度分级研究，方法常规、数据规模有限，但无损检测与采后决策支持思路对农业信息化有参考价值。
原文摘要
接受度以及整体货架期。Nendra Bale（Nendran）是一种兼具鲜食与烹饪用途、富含淀粉的印度香蕉品种，其成熟模式明显更多由质地驱动而非颜色驱动，这使其区别于商业上占主导地位、以颜色为主导的品种。本研究提出了一种基于图像的框架，利用经典机器学习对Nendra Bale香蕉的成熟阶段进行分类。研究在日常手机拍摄条件下收集了涵盖四个成熟阶段（青绿、半熟、全黄、过熟）的80张原始图像一手数据集，并扩充至5,391张图像以支持更稳健的模型训练。在原始和扩充条件下，基于方向梯度直方图（HOG）特征对三种经典分类器（支持向量机、k近邻、随机森林）进行了评估。在原始数据集上，kNN取得了最高准确率（76.47%），高于SVM和随机森林（均为70.59%）；数据集扩充后，SVM成为最强且最一致的模型（81.60%），高于kNN（78.62%）和随机森林（74.53%）。研究提出了一种概率性的阶段至货架期映射方法，将预测结果转换为以天为单位的预期剩余寿命。本研究为一种质地主导、兼具双重用途的印度香蕉品种提供了一种低成本、非破坏性、可部署的品质评估与采后决策支持方法。