Journal of Information Systems and Informatics·10月24日 · 周六论文智慧农业 / 农业物联网阅读 0
Hyperparameter-Tuned K-Nearest Neighbor for Herbal Leaf Classification Using Shape, Color, and Texture Feature Fusion in Smart Agriculture
Avip Kurniawan · Agustinus Eko Setiawan · Vevi Maritha 等 4 人
论文解读
62接近精选线
速览
用超参数调优的K-NN融合形状、颜色和纹理特征识别五种印尼草药叶片。
方法
6000张叶片图像增强，Otsu分割提取21个形状/颜色/GLCM纹理特征，网格
发现
曼哈顿距离、k=1、距离加权最优，80:20划分准确率92.18%，刺果番荔枝与番石榴叶易混淆。
机会点
可引入源分组验证避免数据增强泄漏，并探索轻量模型在移动端/边缘设备的真实部署性能。
影响力8
信息增量18
专业深度15
信源权威12
时效性9
方法扎实、数据规模尚可的轻量级草药叶片识别论文，但属细分技术验证，公共影响有限，未达每日精选门槛。
原文摘要
本研究开发了一种轻量级K近邻（K-NN）分类器，用于识别五种印度尼西亚草药叶片——蒌叶、月桂、番石榴、刺果番荔枝和辣木，以服务于潜在的智慧农业应用。初始数据集包含1，000张叶片图像，并通过离线增强扩展至6，000张图像。经数据清洗后，保留5，884张图像用于分析。每张图像被调整为256 × 256像素，转换为灰度空间和HSV颜色空间，并采用Otsu阈值法进行分割。共提取了21个特征，分别表征形状、颜色以及基于灰度共生矩阵（GLCM）的纹理特征。采用网格搜索结合分层5折交叉验证，在80：20、70：30和60：40的训练—测试划分比例下对K-NN超参数进行优化。在图像级评估下，最佳配置采用曼哈顿距离、k = 1及距离加权，在80：20划分上达到92.18%的准确率和92.29%的宏F1分数。70：30和60：40划分的准确率分别为91.79%和91.21%。误分类主要发生在刺果番荔枝叶与番石榴叶之间。尽管该框架紧凑且具有可解释性，但在划分前进行数据增强可能产生了偏乐观的结果。未来工作应采用按来源分组的验证方式，并评估真实的设备端性能。