Soil Surface Texture Classification Using RGB Images Acquired Under Uncontrolled Field Conditions
Notice bibliographique
Résumé
Soil surface texture classification is a critical aspect of agriculture and soil science that affects various soil properties, such as water-holding capacity and soil nutrient retention. However, existing methods for soil texture classification rely on soil images taken under controlled conditions, which are not scalable for high spatiotemporal mapping of soil texture and fail to reflect real-world challenges and variations. To overcome these limitations, we propose a novel, scalable, and high spatial resolution soil surface texture classification process that employs image processing, texture-enhancing filters, and Convolutional Neural Network (CNN) to classify soil images captured under Uncontrolled Field Conditions (UFC). The proposed process involves a series of steps for improving soil image analysis. Initially, image segmentation is utilized to eliminate non-soil pixels and prepare the images for further processing. Next, the segmented output is divided into smaller tiles to isolate relevant soil pixels. Then, high-frequency filtering is introduced to enhance the texture of the images. Our research has shown that the Gabor filter is more effective than Local Binary Patterns (LBP) for this purpose. By creating four distinct Gabor filters, we can enhance specific, hidden patterns within the soil images. Finally, the split and enhanced images are used to train CNN classifiers for optimal analysis. We evaluate the performance of the proposed framework using different metrics and compare it to existing state-of-the-art soil texture classification frameworks. Our proposed soil texture classification process improves performance. We employed various CNN architectures in our proposed process for comparison purposes. Inception v3 produces the highest accuracy of 85.621%, an increase of 12% compared other frameworks. With applications in precision agriculture, soil management, and environmental monitoring, the proposed novel methodology has the potential to offer a dependable and sustainable tool for classifying soil surface texture using low-cost ground imagery acquired under UFC.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».