🐛 Детектор Шкідників Урожаю — Класифікатор Текстурних Ознак Наживо

Для кожної сканованої ділянки симуляція зчитує реальні піксельні дані синтетичного зображення листка й обчислює три справжні текстурні статистики: середню інтенсивність у відтінках сірого, дисперсію інтенсивностей у межах ділянки (міру локальної шорсткості) та щільність країв, отриману запуском справжніх згорткових ядер Собеля Gx/Gy над кожним внутрішнім пікселем і підрахунком, скільки з них перевищують поріг величини градієнта. Жодне з цих чисел не підроблене й не взяте із таблиці — вони обчислюються безпосередньо з буфера RGBA, який також визначає те, що ви бачите на екрані.

Еталонний набір ділянок вибирається з того самого листка й позначається на основі справжнього покриття плямами шкідників (використовується лише для побудови цього міченого набору, ніколи не передається класифікатору для невідомих ділянок). Три ознаки кожної еталонної ділянки нормалізуються за z-показником. Коли сканується нова ділянка, її ознаки нормалізуються так само, обчислюється реальна евклідова відстань до кожної еталонної ділянки, зберігаються k найближчих, і ділянка позначається як пошкоджена, якщо частка пошкоджених сусідів серед цих k відповідає повзунку порогу голосування пошкодження — інакше вона здорова.

Некротична або з'їдена тканина листка зазвичай має нерівномірну, високо контрастну плямистість замість гладкої плямистої зелені здорової тканини, тож дисперсія інтенсивності пікселів у пошкодженій ділянці вища. Нерівна межа між пошкодженою та здоровою тканиною також створює набагато більше різких переходів інтенсивності, що саме й покликаний виявляти фільтр Собеля, тож щільність країв різко зростає біля пошкодження та всередині нього.

k визначає, скільки найближчих еталонних ділянок враховується для кожного голосування — мале k швидко реагує на локальну текстуру, але шумніше, велике k згладжує рішення, але може розмити невеликі плями пошкоджень. Поріг голосування пошкодження визначає, яка частка цих k сусідів повинна бути позначена як пошкоджена, перш ніж саму ділянку буде позначено пошкодженою; зниження порогу робить детектор чутливішим (більше хибнопозитивних), підвищення робить його суворішим (більше пропущених пошкоджень).

Це справжній, хоча й спрощений, конвеєр машинного навчання: справжнє вилучення ознак (дисперсія, щільність країв Собеля, середня інтенсивність) з реальних піксельних даних, справжній мічений еталонний набір, реальне обчислення евклідової відстані та справжнє правило рішення k-NN за більшістю голосів. Він навмисно опускає такі речі, як аугментація даних чи навчена метрика, але кожне число, що керує класифікацією, обчислюється наживо із зображення, а не вручну проставляється для кожної ділянки.