Automated detection of visible venation patterns in cowpea leaves under agricultural engineering
Vijaya Choudhary · Paramita Guha · Jai Prakash Mishra 等 5 人
用RGB卷积神经网络自动分类豇豆叶片可见脉纹，区分健康与结构胁迫样本。
2500张RGB豇豆叶图像，CNN二分类，Canny边缘检测辅助可视化，对比GL
CNN达95.4%准确率，优于传统特征方法，可实现无损作物表型分析。
可扩展至多作物、多胁迫类型及田间实时检测，并结合多光谱提升脉纹表型解析。
基于RGB与CNN的豇豆叶脉自动识别研究，方法清晰、数据规模可观，对作物表型与精准农业有参考价值，但属细分领域技术进展，影响范围有限。
准确评估作物叶片特征对于自动化作物表型分析和精准农业具有重要意义。然而，人工评估叶片特征耗时较长，且可能受到主观解释的影响。本研究提出了一种基于RGB的卷积神经网络（CNN）框架，用于对豇豆（Vigna unguiculata）叶片表面可见脉纹模式进行自动分类。研究使用包含健康和结构胁迫样本的2500张RGB豇豆叶片图像数据集来开发和评估所提出的框架。图像经标准图像处理操作预处理后，利用CNN对两个可见脉纹类别进行二分类分析。此外，研究还采用Canny边缘检测作为补充可视化技术，以突出表面可见脉纹模式并支持定性解释；其并未被用作主要分类机制。所提出的CNN在评估测试数据集上取得了95.4%的准确率、94.8%的精确率、95.1%的召回率和95.0%的F1分数。与传统基于特征的方法（包括GLCM、SIFT和HOG）的比较实验显示，其分类性能较低。结果表明，基于RGB的深度学习在自动化分析豇豆叶片表面可见脉纹模式方面具有潜力，并为作物表型分析提供了一种基于图像的非破坏性方法。所提出的框架可支持可扩展的农业图像分析，同时避免声称对表面可见脉纹模式进行直接的解剖学表征。数据集可通过以下链接获取：“https://github.com/vijayachoudharyresearcher/Computer-Vision–Cowpea-Leaves-Internal-Structure”。