葡萄叶片分类图像数据集

葡萄叶片分类图像数据集
关键词: 农业, 计算机科学, 计算机视觉, 深度学习, 转移学习
描述:
数据集：https：//www.muratkoklu.com/datasets/

Koklu Murat（A），Lonsen M. Fahri（B），Ozkan Ilker Ali（A），Aslan M. Fatih（C），Sabanci Kadir（C）

（a）土耳其塞尔库克大学计算机工程系，土耳其科尼亚
（b）土耳其科尼亚尼克梅丁·埃尔巴卡大学电气和电子工程系
（c）土耳其卡拉曼的卡拉马诺格卢大学电气工程系

引用请求：
Koklu，M.，Lunlersen，M.F.，Ozkan，I.A.，Aslan，M.F。，＆Sabanci，K。（2022）。CNN-SVM研究基于选定的葡萄叶分类的深层特征。测量，188，110425。doi：https：//doi.org/10.1016/j.measurement.2021.110425

亮点
•Mobilenetv2 CNN模型对五类葡萄叶的分类。
•使用具有不同内核函数的SVM分类。
•实施用于高分类百分比的功能选择算法。
•使用CNN-SVM立方模型以最高精度进行分类。

摘要：葡萄藤的主要产物是葡萄的新鲜或加工。此外，葡萄叶每年被作为副产品收获一次。在价格和口味方面，葡萄叶的种类很重要。在这项研究中，通过使用葡萄叶的图像进行基于深度学习的分类。为此，使用特殊的自我灌输系统拍摄了500片葡萄树的图像。后来，使用数据增强方法增加到2500。该分类是使用最先进的CNN模型微调MobilenetV2进行的。作为第二种方法，从预先训练的MobilenetV2的逻辑层中提取了特征，并使用各种SVM内核进行了分类。作为第三种方法，通过Chi-Squares方法选择了从MobilenetV2的逻辑层提取的1000个特征，并降低至250。然后，使用所选功能使用各种SVM内核进行分类。最成功的方法是通过从逻辑层中提取特征并使用Chi-Squares方法降低特征来获得的。最成功的SVM内核是立方体。该系统的分类成功已确定为97.60％。据观察，尽管分类中使用的特征数量减少，但特征选择增加了分类的成功。

关键字：深度学习，转移学习，SVM，葡萄叶，叶子识别