🐛 Gewasplaagdetector — Textuurkenmerk-Classifier Live

Voor elke gescande patch leest de simulatie de werkelijke pixeldata van het synthetische bladbeeld en berekent drie echte textuurstatistieken: de gemiddelde grijswaarde-intensiteit, de populatievariantie van intensiteiten binnen de patch (een maat voor lokale ruwheid), en een randdichtheid verkregen door echte Sobel Gx/Gy-convolutiekernels over elke interne pixel te laten lopen en te tellen hoeveel de gradiëntmagnitude-drempel overschrijden. Geen van deze getallen is nagemaakt of opgezocht — ze zijn direct afgeleid van de RGBA-buffer die ook aandrijft wat je op het scherm ziet.

Een referentieset van patches wordt bemonsterd uit hetzelfde blad en gelabeld met behulp van ground-truth plaagschade-dekking (alleen gebruikt om deze gelabelde set op te bouwen, nooit gegeven aan de classifier voor onbekende patches). De drie kenmerken van elke referentiepatch worden z-score genormaliseerd. Wanneer een nieuwe patch wordt gescand, worden de kenmerken op dezelfde manier genormaliseerd, wordt de echte Euclidische afstand tot elke referentiepatch berekend, worden de k dichtstbijzijnde bewaard, en wordt de patch als beschadigd gemarkeerd als de fractie beschadigde buren onder die k voldoet aan de schade-stemdrempel-schuif — anders is hij gezond.

Necrotisch of aangevreten bladweefsel heeft doorgaans onregelmatige, contrastrijke vlekken in plaats van het gladde gevlekte groen van gezond weefsel, dus de pixelintensiteitsvariantie binnen een beschadigde patch is hoger. De rafelige grens tussen beschadigd en gezond weefsel produceert ook veel meer scherpe intensiteitsovergangen, precies wat een Sobel-filter is ontworpen om te detecteren, dus randdichtheid piekt nabij en binnen schade.

k bepaalt hoeveel dichtstbijzijnde referentiepatches worden geraadpleegd voor elke stemming — een kleine k reageert snel op lokale textuur maar is ruisiger, een grote k vlakt de beslissing af maar kan kleine schadeplekken vervagen. De schade-stemdrempel bepaalt welke fractie van die k buren als beschadigd gelabeld moet zijn voordat de patch zelf als beschadigd wordt gemarkeerd; verlagen maakt de detector gevoeliger (meer valse positieven), verhogen maakt hem strenger (meer gemiste schade).

Het is een echte, zij het vereenvoudigde, machine-learningpijplijn: echte kenmerkextractie (variantie, Sobel-randdichtheid, gemiddelde intensiteit) uit echte pixeldata, een echte gelabelde referentieset, echte Euclidische afstandsberekening en een echte meerderheidsstem k-NN-beslisregel. Het laat opzettelijk dingen weg zoals data-augmentatie of een geleerde metriek, maar elk getal dat de classificatie aandrijft, wordt live berekend uit het beeld, niet handmatig per patch getagd.