AshGdNutDefAM: Machine-learning-based multi-feature framework for nutrient deficiency detection and classification in Ash gourd Plant
Keerthi Prasad · B R Pushpa · Ardashir Mohammadzadeh
提出AshGdNutDefAM多特征机器学习框架，自动检测和分类冬瓜缺镁缺铁症状。
融合颜色、纹理、空间、叶脉及规则特征共55维，用SVM、随机森林、梯度提升分类。
SVM结合所提特征集准确率达82%，优于GLCM、HOG、LBP等传统手工特征方法。
可扩展至多作物多营养元素，结合深度学习与田间实时图像提升泛化能力。
提出融合叶脉与规则特征的多特征机器学习框架，用于冬瓜缺镁缺铁识别，方法有创新但数据集地域局限、精度一般，属细分领域技术进展。
农业生产的可持续性日益受到养分缺乏的威胁，养分缺乏会损害作物健康、品质和产量。优化的作物管理需要对这些养分缺乏进行早期检测和分类。传统方法采用实验室检测来预测植物样本中的养分缺乏。计算机视觉模型通过分析和预测养分缺乏的存在，为视觉检查提供了一种替代方案。本研究提出了一种基于混合特征的学习框架AshGdNutDefAM，用于自动检测冬瓜（Benincasa hispida）品种中的养分缺乏。研究提出了一种基于规则和叶脉的特征提取方法，结合领域特定的植物学知识以及颜色、纹理和空间描述符等常规特征，以提供养分缺乏症状的详尽表征。基于规则的特征捕获了与大量元素和微量元素缺乏（尤其是镁（Mg）和铁（Fe）缺乏）相关的关键生理特征，如绿黄像素比、脉间失绿程度和坏死边缘尺寸。所提出的框架提取了五组共55个判别性特征：颜色、空间、纹理、叶脉和基于规则的特征。这些特征使用三种机器学习分类器进行评估：支持向量机（SVM）、随机森林和梯度提升。所收集的数据集包括从印度迈苏鲁农业农场采集的冬瓜品种健康、镁缺乏和铁缺乏样本。所提出特征集的性能进一步与常规手工特征提取技术进行了比较，包括灰度共生矩阵（GLCM）、方向梯度直方图（HOG）和局部二值模式（LBP）。实验结果表明，使用所提出特征集训练的SVM分类器达到了82%的准确率，优于常规手工特征提取方法。所使用的数据集仅包含冬瓜品种，且存在地理和时间偏差，因为它主要涵盖特定区域和时间段的数据，可能限制模型的有效性。所提出的设计为精准农业和可持续作物管理的智能决策支持系统开辟了道路，同时提供了一种可扩展的、全面的