基于随机森林分类器的基于油菜籽叶颜色和纹理特征的主要营养元素缺乏症诊断

无损和准确的氮缺乏症诊断技术是采用针对具体地点的补救措施的关键。 基于油菜叶片特征的变异分类，提出了一种主要元素养分缺乏的智能诊断技术。 建立了四种营养素缺乏的实验图像库，即正常，氮缺乏，磷缺乏和钾缺乏。 通过使用GrabCut算法将具有显着特征的图像分为前景和背景。 前景用于分别使用颜色矩和灰度共现矩阵来提取颜色和纹理特征。 基于离散度和主成分分析对初始特征进行归一化和过滤，从而减小特征维，从而获得关键特征。 降维提高了诊断的速度和准确性。 具有已知元素不足的图像的关键特征被导入到随机森林分类器中进行交易。 具有未知元素缺陷的测试图像分为9个子图像。 计算关键特征并将特征输入经过训练的分类器中以获得诊断结果。 实验表明，所提出的方法能够准确地识别出主要的营养素缺乏症，从而为基于图像分析的营养素缺乏症诊断技术提供了有希望的案例研究。