A Hybrid Deep–Texture Feature Fusion Framework for Coconut Maturity Classification Using MobileNetV2 and Local Binary Patterns

方法

3050张椰子图像，MobileNetV2深层特征与均匀LBP纹理特征融合，So

发现

融合模型平均验证准确率88.82%，显著高于MobileNetV2基线的73.01%。

机会点

可探索轻量级深度-手工纹理融合在田间移动端实时分级中的部署与跨品种泛化。

目标：主要目标是探索并设计一种混合深度特征与手工纹理融合方法，利用MobileNetV2和局部二值模式（Local Binary Patterns）实现基于图像的椰子成熟度自动分类。该方法旨在增强对三个椰子成熟阶段（嫩椰、成熟椰和过熟椰）的区分能力。方法：使用了一个新构建的椰子数据集，包含3050个椰子，标注为嫩椰、成熟椰和过熟椰。所提出的框架通过特征融合类比将轻量级MobileNetV2 CNN模型与手工纹理描述符相结合。采用ImageNet对MobileNetV2模型进行预训练以提取深层特征，同时使用均匀LBP从椰子图像中捕获局部纹理信息。将由此获得特征向量进行融合，并使用Softmax分类器执行预测过程。模型的效能通过三次独立运行以及准确率、精确率、召回率和F1分数等标准分类指标进行评估。发现：所提出的MobileNetV2–LBP框架在三次运行中实现了88.82% ± 1.67%的平均验证准确率，而MobileNetV2基线的平均验证准确率为73.01% ± 0.19%。单次运行的最高准确率为91.04%。三次运行的配对t检验表明改进具有统计学显著性（t (2) = 14.75，p = 0.0046）。最终运行达到91.04%的准确率，嫩椰、成熟椰和过熟椰的召回率分别为97%、86%和86%，F1分数分别为0.95、0.87和0.89。结果表明，LBP为MobileNetV2的深层语义表征提供了互补的局部纹理信息。实证结果表明，与CNN基线相比，深度特征与手工特征融合在三阶段椰子成熟度分类中是有效的。新颖性：本研究评估了一种面向应用的混合模型，通过融合MobileNetV2深层表征与LBP纹理特征，提供互补的语义和局部纹理信息，从而显著提高了三阶段椰子成熟度的区分能力。关键词：椰子成熟度分类，MobileNetV2，局部二值模式，特征融合，智慧农业