Smart Leaf Identification and Analysis using Artificial Intelligence

方法

36种叶片340样本16特征，用决策树、SVM、XGBoost、随机森林、SMO

发现

SMOTE使随机森林达91%；预训练VGG16图像分类准确率90.47%最优。

机会点

可探索轻量级预训练模型在田间复杂背景叶片表型识别中的迁移与实时部署。

本文描述了一个基于机器学习方法的叶片分类框架。数据集包含36种叶片物种、340个样本和16个特征。最初在原始数据集上应用了决策树、逻辑回归、支持向量机、XGBoost、AdaBoost和随机森林。结果发现，决策树、XGBoost和随机森林表现良好，准确率分别为53%、60%和85%。基于信息增益和相关矩阵分析进行特征约简后，移除了四个高度相关的特征。这使得决策树的准确率略微提升至60%，XGBoost提升至65%，而随机森林的准确率降至74%。我们还应用了SMOTE（合成少数类过采样技术）来平衡原始数据集。这将随机森林和XGBoost的准确率分别提升至91%和81%。在计算机视觉方面，我们在图像数据集上实现了SVM 66%、随机森林61%、K-NN 43%和决策树分类器37%的准确率。预训练的VGG16模型达到了令人印象深刻的90.47%准确率，优于自定义CNN模型以及文献中采用不同K值的线性判别分析（LDA）和KNN等传统模型。