基于机器学习算法的食用菌分类识别研究文献综述

文献综述

1.研究背景与研究目的：随着近年来人工智能和机器学习的兴起，利用机器学习和数据挖掘、数据处理等技术对各种物品进行分类识别已逐渐成为主流，基于信息化技术在农业领域的快速发展，提取特征对目标进行识别是现今对农作物实现自动化生产必不可少的环节。

为了更好地对食用菌的种类进行分类识别，国内外大量学者进行了相关的研究，本文旨在结合大数据分析方法对所获取的数据进行研究分析，根据随机森林算法和支持向量机的机器学习方法建立恰当的模型，对所获取的结果进行分析，借此提高食用菌分类识别的有效性，减少食用菌外部特征分类的错分率，达到良好的分类效果，从而能基于数据库内现有的食用菌种类做出有效、高效的分类识别。

2.研究现状：对食用菌的分类识别，国内外不少学者已经有了一定的研究成果，例如在《基于融合的DWT-LTP-IGLCM的野生食用菌纹理特征分类方法研究》[1]一文中，针对相似野生食用菌褶，为了更好地解决野生食用菌纹理特征提取方法的识别效率和准确性问题，基于现阶段在纹理特征提取的众多方法中存在受噪声干扰的情况，使得某一区域的纹理像素并非处处相同，鉴于GLCM提取方法虽然基于很好的鉴别能力，但是受纹理尺度之间像素的变换和缺少全局信息的限制，提取特征时很耗时，计算复杂度较高，根据野生草菇的实用性和药用价值的不同将相似形态的草菇分为不同品种，针对三种常见的野生草菇品种的菌褶纹理特征，提出了采用DWT-LTP-IGLCM的纹理特征提取融合方法，利用DWT有效保留图像的主要特征，通过LTP中心像素与相邻像素间的关系设定固定的阈值，不仅消除了噪声的干扰且具有更好的光照鲁棒性，结合旋转不变的灰度共生矩阵IGLCM的特征参数，得到了12个食用菌纹理特征值进行分析，基于支持向量机SVM方法对其特征进行有效的分类。

最终试验结果表明：DWT-LTP-IGLCM的纹理特征提取，可以有效地将相似食用菌进行分类识别，分类正确率达到100%。

通过该方法得到了DWT低频的LTUP和LTLP特征参数和DWT高频的均值、方差，共12个食用菌纹理特征值，采用支持向量机算法识别，改进算法比原算法识别率提高了9%，时间缩短了0.33s，表明改进的方法可行而且更高效。

而在《基于常见野生食用菌特征识别方法的研究》[2]一文中，该文章以大兴安岭地区的常见野生食用菌为研究对象，采集了自然环境的食用菌图像500多幅，建立数据集，采用MATLAB进行采集图像，处理图像和识别图像的研究。

有效地提取了食用菌的特征参数，提高了检测的准确度和速度，通过对比不同的颜色空间，提出改进的16:3:3的颜色量化方案，提取H、S、V颜色分量直方图，并融合形状特征运用Otsu算法进行识别，识别率标达91.33%，平均识别时间3.28s。

通过纹理特征信息对野生食用菌进行分类，同样采用了DWT、LTP、IGLCM三种算法对纹理特征进行提取，并且指出了三种算法存在的缺陷与特征提取不足的地方，并发现三种算法相互之间可以弥补不足。

《Classification Algorithm for Edible Mushroom Identification》[3]一文提出利用WEKA辅助工具进行实验，对数据挖掘中的三种最好的分类算法，即：决策树（C4.5）、朴素贝叶斯（NaiveBayes）和支持向量机（SVM）进行了比较测试。