CN113963199A - 一种基于多种传感器特征融合和机器学习的医废识别方法 - Google Patents

一种基于多种传感器特征融合和机器学习的医废识别方法 Download PDF

Info

Publication number
CN113963199A
CN113963199A CN202111192327.XA CN202111192327A CN113963199A CN 113963199 A CN113963199 A CN 113963199A CN 202111192327 A CN202111192327 A CN 202111192327A CN 113963199 A CN113963199 A CN 113963199A
Authority
CN
China
Prior art keywords
image
waste
medical waste
fusion
characteristic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111192327.XA
Other languages
English (en)
Other versions
CN113963199B (zh
Inventor
刘霖
许浩
杜晓辉
刘娟秀
张静
刘永
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111192327.XA priority Critical patent/CN113963199B/zh
Publication of CN113963199A publication Critical patent/CN113963199A/zh
Application granted granted Critical
Publication of CN113963199B publication Critical patent/CN113963199B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

本发明是一种基于多种传感器特征融合和机器学习的医废识别方法，本发明属于多种传感器融合领域和机器学习领域，具体涉及图像和气体传感器特征向量融合和多分类输出的医疗废物自动识别方法。该方法首先是利用红外图像和彩色图像融合，二值化后进行形态学闭操作，得到彩色图像中的ROI区域，获得目标物的准确位置。然后利用MobileNet获得目标物彩色图像特征向量，利用小波系数构建目标物气体成分特征向量，结合红外图像获取的温度信息，构建融合特征向量。最后训练多个SVM分类器，先对类间差异大的类别进行分类，再对类间差异小的类别进行精确分类。本发明与人工分类方法相比，具有快速、高效、安全、准确以及价格低廉等特点。

Description

一种基于多种传感器特征融合和机器学习的医废识别方法
技术领域
本发明属于多种传感器融合领域和机器学习领域，具体涉及图像和气体传感器特征融合和多分类输出的医疗废物自动识别方法。
技术背景
医疗废物的分辨特征包括其散发的特殊气体类型和外观特点等，凭借这两个特征可以区分出不同的医疗废物类型。目前我国的医疗废物分类工作主要由医院医护人员及相关从业人员完成。医疗废物人工分类过程种存在多个问题：第一，医院尤其是大型综合医院每天会产生大量的医疗废物，人工分类效率低下，会导致医疗废物堆积的情况发生；第二，人工分类过程中难免存在与医疗废物接触的过程，而医疗废物种又含有大量的致病菌，存在疾病感染的风险；第三，部分医疗废物含有放射性物质，长时间暴露于此，会影响人的身心健康；第四，人工分类难免存在漏分、误分等情况。
随着传感器技术、数字图像处理技术、多传感器融合技术以及机器学习技术的发展，在越来越多的领域已经存在大量的自动识别分类技术取代人工。有鉴于此，针对医疗废物分类这一难题，实现方案是，首先利用多种传感器采集目标物的红外图像、彩色图像和气体成分信息。针对红外图像，利用目标物的温度特性结合形态学算法，去掉背景区域，得到目标物的前景图像，以及获取目标物的温度特征；针对彩色图像，利用卷积神经网络学习目标物的形态特征；针对目标物的气体特性，利用小波函数提取气体传感器阵列响应曲线的响应特征。利用归一化函数统一不同特征的度量尺度，并构建融合特征向量。最后利用SVM分类器对多种医疗废物进行分类。
发明内容
本发明针对目前人工进行医废分类中存在的问题：人工分类效率低下，会导致医疗废物堆积的情况发生、人工分类过程中存在疾病感染的风险、长时间暴露于医疗废物中会影响人的身心健康、人工分类难免存在漏分和误分等情况，设计了一种基于多种传感器特征融合和机器学习的医疗废物识别分类方法，以此达到快速、高效、可靠、准确的医疗废物分类的目的。
本发明技术方案是一种基于多种传感器特征融合和机器学习的医废识别方法，该方法包含以下步骤：
步骤1：采集医疗废物的红外图像、彩色图像和气体传感器响应信息；
步骤2：对步骤1采集到的样本图像，将医疗废物分为：感染性废物、病理性废物、损伤性废物、药物性废物和化学性废物共五类
步骤3：对步骤2处理后的样本信息，针对红外图像进行优化，结合彩色图像，进行闭运算得图A1：
步骤3.1：获取彩色图I1的灰度图像得图I2；
步骤3.2：对红外图像采用自适应直方图均衡化，以改善成像效果得图I3；
步骤3.3：将I2与I3以不同的权重相融合得图I4，以改善图像效果，增强图像边缘轮廓信息；
步骤3.4：对I4进行二值化得图像I5，并对I5进行闭运算得图像I6；
步骤3.5：对图像I6中以上下左右4连通的原则，依次计算不同连通域中的像素数量，确定图像最大连通域，保留最大连通域部分，删去其他小连通域部分，得二值图像A1；
步骤4：遍历图像A1中的像素，获取上下左右四个边界点的坐标，并以四点坐标值作为外接矩形范围，即图像I7，以I7所获区域作为目标区域，然后在获取的彩色图像中截取出相应部分，得图像A2，为ROI图像；
步骤5：针对图像采集情况获取特征信息，基于MobileNet网络提取图像的外观特征，以获取的彩色图像作为输入，将全连接层的输出作为目标物的外观特征；
步骤6：针对气体传感器阵列的传感器响应曲线获取特征信息，利用小波变换对响应曲线进行分解，通过对不同传感器求取不同小波的权重构建气体成分特征；
步骤7：将步骤4中得到的图像的外观特征矩阵与步骤5中得到的气体成分特征矩阵相融合，同时结合红外相机采集的温度特征，获得目标物的融合特征矩阵；
步骤8：训练SVM分类器，对步骤6种得到的融合特征向量进行分类；
步骤9：对于新采集到的医疗废物样本，经过步骤2到步骤6的处理后，使用步骤8训练得到的分类器，对其进行分类。
其中，所述步骤5具体为：搭建MobileNet网络结构，该网络由10个卷积块构成，每一个卷积块包含一个深度可分离卷积层和卷积层，并且每一个卷积层后都接有一个ReLu非线性变换操作，在最后一个卷积层后接一个全连接层(fully connected)，最终得到一个1000维的特征向量；以彩色图像的三通道的灰度图像作为输入，以目标物外观的特征向量作为输出。
其中，所述步骤7具体为：
步骤7.1：针对由不同传感器获得的多维特征向量，分别采用
Figure BDA0003301678630000021
进行归一化处理；
步骤7.2：将归一化后的图像特征、气体特征和温度特征向量拼接，获得融合特征向量；
其中，所述步骤8具体为：
步骤8.1：将感染性废物、病理性废物、损伤性废物合并为一类，药物性废物和化学性废物合并为另一类，训练分类器SVM-1，进行二分类；
步骤8.2：对步骤8.1的结果，将感染性废物和病理性废物合并一类，将病理性废物作为另一类，训练分类器SVM-2对上述两类医疗废物进行二分类；训练分类器SVM-3对药物性废物、化学性废物进行二分类；
步骤8.3：对步骤9.2的结果，训练分类器SVM-4将感染性废物和病理性废物进行二分类；
步骤8.4：采用来对准确率(Accuracy)和精确率(Precision)对模型进行评估，准确率为：acc＝(TP+TN)/(TP+FP+FN+TN),精确率为：pre＝TP/(TP+FP)，其中TP为正确地预测为正例的个数，TN为正确的预测为反例的个数，FP为错误的预测为正例的个数，FN为错误的预测为反例的个数。
本发明是一种基于多传感器特征融合和机器学习的医疗废物自动分类方法，该方法首先是利用红外图像和彩色图像融合，二值化后进行形态学闭操作，得到彩色图像中的ROI区域，获得目标物的准确位置。然后利用MobileNet获得目标物彩色图像特征向量，利用小波系数构建目标物气体成分特征向量，结合红外图像获取的温度信息，构建融合特征向量。最后训练多个SVM分类器，先对类间差异大的类别进行分类，再对类间差异小的类别进行精确分类。本发明与人工分类方法相比，具有快速、高效、安全、准确以及价格低廉等特点。
附图说明
图1是医疗废物分类表。
图2是初始图像中医疗废物ROI区域提取流程图。
图3是ROI区域提取实例化展示
图4是发明方法的整体流程图。
图5是MobileNet网络结构图。
图6是深度可分离卷积层。
具体实施方式
下面结合附图，对本发明一种基于多种传感器特征融合和机器学习的医废识别方法进行详细说明：
步骤1：为了适应一般环境中使用，针对医院中的医疗废物，利用工业相机采集目标的图像信息，利用红外相机采集目标的红外特征，利用气体传感器阵列获取目标物的气体传感器响应情况信息，样本数量约为5000份，其中不同的样本类型各1000份
步骤2：对步骤1采集到的样本信息，为每个样本创建医疗废物类型标签，其具体分类根据《医疗废物分类目录》，将医疗废物分为感染性废物、病理性废物、损伤性废物、药物性废物和化学性废物五类。
步骤3：对步骤2处理后的样本信息，针对红外图像进行优化，结合彩色图像，进行闭运算得图A1：
步骤3.1：获取彩色图I1的灰度图像得图I2；
步骤3.2：对红外图像采用自适应直方图均衡化，以改善成像效果得图I3；
步骤3.3：将I2与I3以不同的权重相融合得图I4，以改善图像效果，增强图像边缘轮廓信息；
步骤3.4：对I4进行二值化得图像I5，并对I5进行闭运算得图像I6；
步骤3.5：对图像I6中以上下左右4连通的原则，依次计算不同连通域中的像素数量，确定图像最大连通域，保留最大连通域部分，删去其他小连通域部分，得二值图像A1。
步骤4：遍历图像A1中的像素，获取上下左右四个边界点的坐标，并以四点坐标值作为外接矩形范围，即图像I7，以I7所获区域作为目标区域，然后在获取的彩色图像中截取出相应部分，得图像A2，为ROI图像。(ROI图像为224x224的RGB图像，若最小包围矩形小于该尺寸则进行0填充，若最小包围矩形大于该区域，则对图像大小进行调整)。
步骤5：针对图像采集情况获取特征信息，基于MobileNet网络提取图像的外观特征，以获取的彩色ROI图像作为输入，将全连接层的输出作为目标物的外观特征。MobileNet由10个卷积块构成，每一个卷积块包含一个深度可分离卷积层和卷积层，并且每一个卷积层后都接有一个ReLu非线性变换操作，在最后一个卷积层后接一个全连接层(fullyconnected)，最终得到一个1000维的特征向量。以彩色图像的三通道的灰度图像作为输入，以目标物外观的特征向量作为输出。
步骤6：针对气体传感器阵列的传感器响应曲线获取特征信息，利用小波变换对响应曲线进行分解，通过对不同传感器求取不同小波的权重构建用于描述气体成分特征的特征向量。
步骤7：将步骤4中得到的图像的外观特征矩阵与步骤5中得到的气体成分特征矩阵相融合，同时结合红外相机采集的温度特征，获得目标物的融合特征矩阵：
步骤7.1：针对由不同传感器获得的多维特征向量，分别采用y＝(x-min)/(max-min)进行归一化处理，使数据的度量统一；
步骤7.2：将归一化后的图像特征、气体特征和温度特征向量拼接，获得融合特征向量。
步骤8：训练SVM分类器，对步骤6中得到的融合特征向量进行分类，其中，样本中每个类别随机选取70％数量的样本作为训练集，30％数量的样本作为测试集，保存在测试集上表现最好的模型：
步骤8.1：对于医疗废物的分类，根据《医疗废物分类目录》，可分为感染性废物、病理性废物、损伤性废物、药物性废物和化学性废物五类。其中感染性废物、病理性废物和损伤性废物中大部分都不同程度的带有血液、人体组织等，三者气体成分及颜色特征相近，故将三者合并为一类，药物性废物和化学性废物合并为另一类，训练分类器SVM-1，进行二分类；
步骤8.2：对步骤9.1的结果，由于损伤性废物一般指针头、手术刀等物品，相对于其他废物，其外观特点较突出。故将感染性废物和病理性废物合并一类，将损伤性废物作为另一类，训练分类器SVM-2对上述两类医疗废物进行二分类。训练分类器SVM-3对药物性废物、化学性废物进行二分类；
步骤8.3：对步骤9.2的结果，训练分类器SVM-4将感染性废物和病理性废物进行二分类；
步骤8.4：采用准确率(Accuracy)和精确率(Precision)对模型进行评估。准确率为：acc＝(TP+TN)/(TP+FP+FN+TN),精确率为：pre＝TP/(TP+FP)。其中TP为正确地预测为正例的个数，TN为正确的预测为反例的个数，FP为错误的预测为正例的个数，FN为错误的预测为反例的个数。
步骤9：对于新采集到的医疗废物样本，经过步骤2到步骤6的处理后，使用步骤7训练得到的SVM分类模块，对其进行五分类。

Claims (3)

1.一种基于多种传感器特征融合和机器学习的医废识别方法，该方法包含以下步骤：
步骤1：采集医疗废物的红外图像、彩色图像和气体传感器响应信息；
步骤2：对步骤1采集到的样本图像，将医疗废物分为：感染性废物、病理性废物、损伤性废物、药物性废物和化学性废物共五类
步骤3：对步骤2处理后的样本信息，针对红外图像进行优化，结合彩色图像，进行闭运算得图A1：
步骤3.1：获取彩色图I1的灰度图像得图I2；
步骤3.2：对红外图像采用自适应直方图均衡化，以改善成像效果得图I3；
步骤3.3：将I2与I3以不同的权重相融合得图I4，以改善图像效果，增强图像边缘轮廓信息；
步骤3.4：对I4进行二值化得图像I5，并对I5进行闭运算得图像I6；
步骤3.5：对图像I6中以上下左右4连通的原则，依次计算不同连通域中的像素数量，确定图像最大连通域，保留最大连通域部分，删去其他小连通域部分，得二值图像A1；
步骤4：遍历图像A1中的像素，获取上下左右四个边界点的坐标，并以四点坐标值作为外接矩形范围，即图像I7，以I7所获区域作为目标区域，然后在获取的彩色图像中截取出相应部分，得图像A2，为ROI图像；
步骤5：针对图像采集情况获取特征信息，基于MobileNet网络提取图像的外观特征，以获取的彩色图像作为输入，将全连接层的输出作为目标物的外观特征；
步骤6：针对气体传感器阵列的传感器响应曲线获取特征信息，利用小波变换对响应曲线进行分解，通过对不同传感器求取不同小波的权重构建气体成分特征；
步骤7：将步骤4中得到的图像的外观特征矩阵与步骤5中得到的气体成分特征矩阵相融合，同时结合红外相机采集的温度特征，获得目标物的融合特征矩阵；
步骤8：训练SVM分类器，对步骤6种得到的融合特征向量进行分类；
步骤9：对于新采集到的医疗废物样本，经过步骤2到步骤6的处理后，使用步骤8训练得到的分类器，对其进行分类。
其中，所述步骤5具体为：搭建MobileNet网络结构，该网络由10个卷积块构成，每一个卷积块包含一个深度可分离卷积层和卷积层，并且每一个卷积层后都接有一个ReLu非线性变换操作，在最后一个卷积层后接一个全连接层，最终得到一个1000维的特征向量；以彩色图像的三通道的灰度图像作为输入，以目标物外观的特征向量作为输出。
2.如权利要求1所述的一种基于多种传感器特征融合和机器学习的医废识别方法，其特征在于，所述步骤7具体为：
步骤7.1：针对由不同传感器获得的多维特征向量，分别采用
Figure FDA0003301678620000021
进行归一化处理；
步骤7.2：将归一化后的图像特征、气体特征和温度特征向量拼接，获得融合特征向量。
3.如权利要求1所述的一种基于多种传感器特征融合和机器学习的医废识别方法，其特征在于，所述步骤8具体为：
步骤8.1：将感染性废物、病理性废物、损伤性废物合并为一类，药物性废物和化学性废物合并为另一类，训练分类器SVM-1，进行二分类；
步骤8.2：对步骤8.1的结果，将感染性废物和病理性废物合并一类，将病理性废物作为另一类，训练分类器SVM-2对上述两类医疗废物进行二分类；训练分类器SVM-3对药物性废物、化学性废物进行二分类；
步骤8.3：对步骤9.2的结果，训练分类器SVM-4将感染性废物和病理性废物进行二分类；
步骤8.4：采用来对准确率和精确率对模型进行评估，准确率为：acc＝(TP+TN)/(TP+FP+FN+TN),精确率为：pre＝TP/(TP+FP)，其中TP为正确地预测为正例的个数，TN为正确的预测为反例的个数，FP为错误的预测为正例的个数，FN为错误的预测为反例的个数。
CN202111192327.XA 2021-10-13 2021-10-13 一种基于多种传感器特征融合和机器学习的医废识别方法 Active CN113963199B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111192327.XA CN113963199B (zh) 2021-10-13 2021-10-13 一种基于多种传感器特征融合和机器学习的医废识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111192327.XA CN113963199B (zh) 2021-10-13 2021-10-13 一种基于多种传感器特征融合和机器学习的医废识别方法

Publications (2)

Publication Number Publication Date
CN113963199A true CN113963199A (zh) 2022-01-21
CN113963199B CN113963199B (zh) 2023-04-18

Family

ID=79463640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111192327.XA Active CN113963199B (zh) 2021-10-13 2021-10-13 一种基于多种传感器特征融合和机器学习的医废识别方法

Country Status (1)

Country Link
CN (1) CN113963199B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550020A (zh) * 2022-04-21 2022-05-27 深圳一心一医智能科技有限公司 一种消毒机器人的生物体图像智能识别方法及系统
CN117995374A (zh) * 2024-04-07 2024-05-07 浙江微盾环保科技有限公司 医废管理与设备监控智能化数据平台

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144496A (zh) * 2019-12-27 2020-05-12 齐齐哈尔大学 一种基于混合卷积神经网络的垃圾分类方法
CN111738357A (zh) * 2020-07-24 2020-10-02 完美世界(北京)软件科技发展有限公司 垃圾图片的识别方法、装置及设备
CN112102257A (zh) * 2020-08-26 2020-12-18 电子科技大学 一种基于卷积神经网络的人体粪便自动识别方法
CN112689875A (zh) * 2019-03-21 2021-04-20 因美纳有限公司 基于人工智能的测序
US20210192346A1 (en) * 2019-05-07 2021-06-24 LedgerDomain, LLC Establishing a Trained Machine Learning Classifier in a Blockchain Network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112689875A (zh) * 2019-03-21 2021-04-20 因美纳有限公司 基于人工智能的测序
US20210192346A1 (en) * 2019-05-07 2021-06-24 LedgerDomain, LLC Establishing a Trained Machine Learning Classifier in a Blockchain Network
CN111144496A (zh) * 2019-12-27 2020-05-12 齐齐哈尔大学 一种基于混合卷积神经网络的垃圾分类方法
CN111738357A (zh) * 2020-07-24 2020-10-02 完美世界(北京)软件科技发展有限公司 垃圾图片的识别方法、装置及设备
CN112102257A (zh) * 2020-08-26 2020-12-18 电子科技大学 一种基于卷积神经网络的人体粪便自动识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
T MYTHI 等: "Enhanced segmentation network with deep learning for Biomedical waste classification" *
YE, SU 等: "Adaptive Tracking Control without Image Velocity Measurement" *
张静 等: "基于卷积神经网络的目标检测算法综述" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114550020A (zh) * 2022-04-21 2022-05-27 深圳一心一医智能科技有限公司 一种消毒机器人的生物体图像智能识别方法及系统
CN117995374A (zh) * 2024-04-07 2024-05-07 浙江微盾环保科技有限公司 医废管理与设备监控智能化数据平台
CN117995374B (zh) * 2024-04-07 2024-07-16 浙江微盾环保科技有限公司 医废管理与设备监控智能化数据平台

Also Published As

Publication number Publication date
CN113963199B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
Zhao et al. Automatic detection and classification of leukocytes using convolutional neural networks
De Luna et al. Identification of philippine herbal medicine plant leaf using artificial neural network
CN111079620B (zh) 基于迁移学习的白细胞图像检测识别模型构建方法及应用
CN113963199B (zh) 一种基于多种传感器特征融合和机器学习的医废识别方法
Pushpa et al. Plant disease detection and classification using deep learning model
CN116778482B (zh) 胚胎图像卵裂球目标检测方法、计算机设备及存储介质
Khan et al. Comparitive study of tree counting algorithms in dense and sparse vegetative regions
Varghese et al. INFOPLANT: Plant recognition using convolutional neural networks
Bondre et al. Review on leaf diseases detection using deep learning
Simon et al. A deep learning approach for patch-based disease diagnosis from microscopic images
Rebelo et al. A fully automatic classification of bee species from wing images
Banerjee et al. Mango Disease Detection System Using CNN and SVM: A Comparative Study with Traditional Diagnostic Methods
Pushpa et al. Tomato leaf disease detection and classification using CNN
Araujo et al. Disease identification in chilli leaves using machine learning techniques
Anushya Herbal leaves image clustering via K-Means
Arora Leaf disease identification using cnn and raspberry PI
Khutlang et al. Detection of tuberculosis in sputum smear images using two one-class classifiers
Kavithamani et al. Advanced Grape Leaf Disease Detection using Neural Network
Nugroho et al. Performance of convolutional neural network in detecting plasmodium parasites
Rao et al. leaf disease detection using machine learning techniques”
Roshan et al. Smart Harvest Diseases Identification using Image Processing
Sharma et al. A Review: Classification and Detection Of Plants Diseases Using Machine Learning And Soft Computing Techniques
Pratikno et al. A novel fern-like lines detection using a hybrid of pre-trained convolutional neural network model and Frangi filter
Abdul-Haleem White blood cells nuclei localization using modified K-means clustering algorithm and seed filling technique
Kumar et al. IoT based leukemia detection using Fuzzy C-means clustering Technique

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant