All publications from your selection

Download RAW file:
DOI: https://doi.org/10.7451/CBE.2022.64.7.9
Description:

This study evaluated six segmentation methods (clustering, flood-fill, graph-cut, colour-thresholding, watershed, and Otsu’s-thresholding) for segmentation accuracy and classification accuracy in discriminating Fusarium infected corn grains using RGB colour images.  The segmentation accuracy was calculated using Jaccard similarity index and Dice coefficient in comparison with the gold standard (manual segmentation method).  Flood-fill and graph-cut methods showed the highest segmentation accuracy of 77% and 87% for Jaccard and Dice evaluation metrics, respectively.  Pre-trained convolution neural network (CNN) and support vector machine (SVM) were used to evaluate the effect of segmentation methods on classification accuracy using segmented images and extracted features from the segmented images, respectively.  The SVM based two-class model to discriminate healthy and Fusarium infected corn grains yielded the classification accuracy of 84%, 79%, 78%, 74%, 69% and 65% for graph-cut, watershed, clustering, flood-fill, colour-thresholding, and Otsu’s-thresholding, respectively.  In pretrained CNN model, the classification accuracies were 93%, 88%, 87%, 84%, 61% and 59% for flood-fill, graph-cut, colour-thresholding, clustering, watershed, and Otsu’s-thresholding, respectively.  Jaccard and Dice evaluation metrics showed the highest correlation with the pretrained CNN classification accuracies with R² values of 0.9693 and 0.9727, respectively.  The correlation with SVM classification accuracies were R²–0.505 for Jaccard and R²–0.5151 for Dice evaluation metrics.

Keywords: corn, imaging, segmentation, classification, algorithm, accuracy, Fusarium
Résumé:

Cette étude a permis d’évaluer six méthodes de segmentation (groupage [clustering], élimination des petites zones isolées [flood fill], segmentation graphique [graph-cut], seuillage de couleur [colour-thresholding], ligne de partage des eaux [watershed], et la méthode d’Otsu [Otsu’s-thresholding] utilisées pour déterminer la précision de segmentation et la précision de classification pour discerner les grains de maïs infectés par le Fusarium en utilisant des images couleur RVB. La précision de la segmentation a été calculée à l’aide de l’indice de similarité de Jaccard et du coefficient de Dice en comparaison avec l’étalon de référence (méthode de segmentation manuelle). Les méthodes Flood-fill et graph-cut ont montré la plus grande précision de segmentation de 77 % et 87 % pour les paramètres d’évaluation de Jaccard et Dice, respectivement. Un réseau de neurones convolutif [CNN] préentraîné et une machine à vecteur de support (SVM) ont été utilisés pour évaluer l’effet des méthodes de segmentation sur la précision de la classification en utilisant les images segmentées et les caractéristiques extraites des images segmentées, respectivement. Le modèle à deux classes fondé sur le SVM pour distinguer les grains de maïs sains des grains infectés par le Fusarium a donné une précision de classification de 84 %, 79 %, 78 %, 74 %, 69 % et 65 % pour les méthodes graph-cut, watershed, clustering, flood-fill, colour-thresholding et Otsu’s-thresholding, respectivement. Dans le modèle CNN préentraîné, les précisions de classification étaient de 93 %, 88 %, 87 %, 84 %, 61 % et 59 % pour les méthodes flood-fill, graph-cut, colour-thresholding, clustering, watershed, et Otsu’s-thresholding, respectivement. Les paramètres d’évaluation de Jaccard et de Dice ont montré la plus forte corrélation avec les précisions de classification CNN préentrainées et avec des valeurs R² de 0,9693 et 0,9727, respectivement. La corrélation avec les précisions de classification de la SVM était d’un R² de -0.505 pour les paramètres d’évaluation de Jaccard et d’un R² de -0.5151 pour ceux de Dice.

Mots-clés:

maïs, imagerie, segmentation, classification, algorithme, précision, Fusarium

Citation: Rathna Priya, T.S. and A. Manickavasagan. 2022. Evaluation of segmentation methods for RGB colour image-based detection of Fusarium infection in corn grains using support vector machine (SVM) and pre-trained convolution neural network (CNN). Canadian Biosystems Engineering/Le génie des biosystèmes au Canada 64: 7.9-7.20. https://doi.org/10.7451/CBE.2022.64.7.9
Volume: 64
Issue: 1
Pages 7.9 - 7.20
Contributor: R. Sri Ranjan
Date: January 27, 2023
Technical field: Information Systems Engineering
Conference name:
Session name:

Other information:
Type: Text.Article
Format: PDF
Publication type: Journal
Source:
Relation:
Coverage:
Language 1: en
Language 2: fr
Rights: Canadian Society for Bioengineering / Société Canadienne de Génie Agroalimentaire et de Bioingénierie
Notes:
Other files: