🐛 Détecteur de Nuisibles des Cultures — Classificateur de Texture en Direct

Pour chaque patch scanné, la simulation lit les données de pixels réelles de l'image de feuille synthétique et calcule trois statistiques de texture véritables : l'intensité moyenne en niveaux de gris, la variance de population des intensités dans le patch (une mesure de la rugosité locale), et une densité de contours obtenue en exécutant de véritables noyaux de convolution Sobel Gx/Gy sur chaque pixel intérieur et en comptant combien dépassent un seuil de magnitude de gradient. Aucun de ces nombres n'est simulé ou consulté — ils sont dérivés directement du tampon RGBA qui pilote aussi ce que vous voyez à l'écran.

Un ensemble de référence de patchs est échantillonné de la même feuille et étiqueté à l'aide de la couverture réelle des taches de nuisibles (utilisée seulement pour construire cet ensemble étiqueté, jamais donnée au classificateur pour les patchs inconnus). Les trois caractéristiques de chaque patch de référence sont normalisées en z-score. Quand un nouveau patch est scanné, ses caractéristiques sont normalisées de la même façon, la distance euclidienne réelle à chaque patch de référence est calculée, les k plus proches sont conservés, et le patch est signalé endommagé si la fraction de voisins endommagés parmi ces k atteint le curseur de seuil de vote de dégâts — sinon il est sain.

Le tissu foliaire nécrosé ou mâché tend à avoir un mouchetage irrégulier à fort contraste plutôt que le vert moucheté lisse du tissu sain, donc la variance d'intensité des pixels dans un patch endommagé est plus élevée. La frontière irrégulière entre tissu endommagé et sain produit aussi bien plus de transitions d'intensité nettes, exactement ce qu'un filtre de Sobel est conçu pour détecter, donc la densité de contours grimpe près et à l'intérieur des dégâts.

k règle combien de patchs de référence les plus proches sont consultés pour chaque vote — un petit k réagit vite à la texture locale mais est plus bruité, un grand k lisse la décision mais peut estomper les petites zones de dégâts. Le seuil de vote de dégâts règle quelle fraction de ces k voisins doit être étiquetée endommagée avant que le patch lui-même soit signalé endommagé ; l'abaisser rend le détecteur plus sensible (plus de faux positifs), l'augmenter le rend plus strict (plus de dégâts manqués).

C'est un pipeline de machine learning réel, quoique simplifié : véritable extraction de caractéristiques (variance, densité de contours Sobel, intensité moyenne) à partir de données de pixels réelles, véritable ensemble de référence étiqueté, véritable calcul de distance euclidienne, et véritable règle de décision k-NN à vote majoritaire. Il omet intentionnellement des choses comme l'augmentation de données ou une métrique apprise, mais chaque nombre pilotant la classification est calculé en direct à partir de l'image, pas étiqueté à la main par patch.