Int ern at i onal  Journ al of Ele ctrical  an d   C om put er  En gin eeri ng   (IJ E C E)   Vo l.   8 , No .   6 ,  Decem ber   201 8 , p p.   4197 ~ 4203   IS S N:  20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v 8 i 6 . pp 4197 - 42 03           4197       Journ al h om e page :  http: // ia es core .c om/ journa ls /i ndex. ph p/IJECE   Classific atio n  of  M acron utrient  D eficien cies in  M aize  P l an t  U sing  M ac hin e  L earning         Le ena   N 1 ,  K.   K.   S aju 2   1 Depa rt m ent   of Elec trica l   and   E l ec tron ic s E ng ineeri ng,   NS S c olle ge  of  Engi n ee rin g ,   Indi a   2 Depa rt m ent   of  Mec hanica l   Eng i nee ring ,   Co chi n  Univer sit y   of   Sc ie nc e and  T ec hn olog y ,   Ind ia       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   A pr   23 , 201 8   Re vised  Ju l   15 ,  201 8   Accepte d  Aug   8 , 2 01 8       Dete c ti on  of   nu tri ti on al  def i ci e nci es  in  pl ant s  is  vit a l  for   improving  cro p   produc ti vi t y .   T i m ely   ide n ti f ic a t ion  of  nutri ent  def ic i ency   thr ough  visual   s y m ptoms   in  th e  pl ant s  ca n  h e lp  far m ers  ta ke   quic k   cor r ec t iv e  a ct ion   b y   appr opriate   nut r ie nt  m ana g eme nt  st rategi es.   T he  application  of  computer   vision  and  m a chi ne  le a rning  te chn ique s  offe rs  new  prospec ts  in  non - destruc t ive   fi el d - base d  anal y s is  for  nutri ent   d eficie n c y .   Color  an d  shape   are  important   par a m et ers  in  fea tu re  ext ra ct ion .   In  thi s  work,  t wo  diffe ren t   t ec hn ique s  are   used  for  image   segm ent at ion  and  feature   ex t rac t ion  to   gene ra te   two  dif fer ent  feature   s e ts  from   the   sam e   image  sets.   Th e se  are   the n  used  for  c la ss if ic a ti on  using   di ffe ren t   m ac hin e   learni ng  techn ique s.   The   expe riment al   re sults  are   a naly z ed  and  compare d  in  te rm s  of   cl assificat ion   ac cur acy   to   find the   b est al gori th m   for  the t wo f e at ure   sets.     Ke yw or d:   Deep l ear ning  with a uto   encode rs   Feat ur e  ex tr act ion   K  n earest  n ei ghbo rs   Nu t riti on al   d ef ic ie ncy   Suppor t   v ect or m achines   Copyright   ©   201 8   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Leena   N,    Dep a rtm ent o f El ect rical  an d  Ele ct ro nics  E nginee rin g,   NS S  Colle ge  of E ng i neer i ng,   Pala kk a d, Ke ra la , Ind ia .   Em a il :  le ena.am ul ya @g m ail.co m       1.   INTROD U CTION     The  increa sin g  cost  of   c rop  pro du ct io n  and   prob le m s  of   en vir on m ental   po ll utio n  caused   by  agroc hem ic a ls  cal ls  fo r  the  ne ed  to  ap ply  m i ner al   fe rtil iz ers  m or e  eff ic ie nt ly .  Plants  require  nutrie nts  f or  their   healt hy  gro wth  an d  de velo pme nt.  T hese  incl ud e   m acro nu t r ie nts  li ke  nitr ogen ,  phospho r us   a nd   pota ssi um   as   wel l  as  m ic ro nutrie nts  li ke  ca lc iu m ,  boron  e tc .  Nu t rient  de fici ency  sym pt om s  if  le ft  un i den ti fie d  res ul ts  in  low  yi el d  le ve ls  and   pr of it .  Nu t riti on al   de ficie ncies  ha ve   char act erist ic   sy m pto m s   that  are  exh i bited  in  the  form   of   col or  an d  s hap e ,  e sp eci al ly   on   l ea ves.   Thes e  inclu de  necrosi s,  Chl orosis,  die - back  an d  oth e rs .   Kno wled ge of   these sym pto m s can  h el p us  ta ke  c orrecti ve  a ct ion  to  r est or e  the  plant t o norm al  sta te .    The  co nventio nal tec hn iq ues for nutrient de f ic ie ncy d ia gnosi s includ e ext ensive  la borat ory  te sti ng  o f   so il   or   pla nt  ti s su e  or  m anu al   insp ect io n  by  f arm ers.   These  are  te dious  an d  tim e  con su m ing .  T he  ap plica ti on   of  m achine  le arn i ng  te ch niques  us in g  im a ge  processi ng  offer s   a  prom i sing  so l utio n  f or  ide ntific at ion   of   nu t rient d efici encies.  Se ve ral work s h ave b e en  re porte d  on  the  us e s  of  m achine  le a rn i ng  algorit hm s  com bin ed   with  im age  processin g  te ch ni qu es  t o  cl assify   an d  predict   abiotic   an d  bi otic  stresses  on   plants .   Ta ble  1  pro vid es  a n  over view  of  m a chine  le ar ning   te chn i qu es  c om bin ed  with  i m age  process i ng   m et hods   to   detect   nu t rient  def ic ie ncy sym pto m s in  pla nts.   Ther e  a re  al so  sever al   resea r ches  on  the  use   of   dig it al   i m age  proces sin g  com bin ed  with  m achine   le arn in g  f or   de te ct ion   of  dise ases  in   pla nts.  Howe ver  fe w  l it eratur e  ai m s  to  cl assify   a nd  identify   nutrit ion a l   def ic ie ncies  in   plants.  The re   hav e  al so   no t  been   any  at tem pts  to  m ak e  a  co m par at ive  stud y  of  f eat ur e   extracti on and m achine learn i ng  tech niques . Th is pa per  aim s to  m ake a  com par at ive stud y of  the p er for m ance  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   4197   -   4203   4198   of   featu re  e xtr act ion   te c hn i ques  a nd   m achine  le ar ning  al gorithm s  for  cl a ssific at ion   of  nutrie nt  def ic ie ncy  in  m ai ze plants.       Table  1.   O verv ie w  of  Im age P ro ces sin g  a nd  Ma chine  Le ar ni ng   Tech niques  for   De fici ency D et ect ion   Ap p licatio n   Featu re  Extractio n   Techn iq u e   Machin e lea rnin g  Algo rith m   Plan t Species   Ref erence   Iden tif icatio n   Sp ectra l and  sh ap e  f eatu res   Su p p o rt  Vector M achi n e   Rice   [ 1 ]   Detectio n   Co lo r   Clu sterin g   Bean ,  p ea a n d   y ello w lup in e   [ 2 ]   Detectio n   Geo m etri c  m o m en ts     Grou n d n u t   [ 3 ]   Detectio n   Textu re  an d  colo r  f eatu res     Rice   [ 4 ]   Detectio n   Co lo r  an d  size   Artif icial Neu ral  N etwo rks   Lettuce   [ 5 ]   Qu an tif icatio n   Co lo r     Barley   [ 6 ]   Detectio n   Sh ap e,  Textu re   Fu zzy   Oil pal m   [ 7 ]   Clas sif icatio n   Textu re  f eatu res   Fu zzy  k - n ea rest Cl ass if ier   To m ato   [ 8 ]   Clas sif icatio n   SIFT ,  Co lo r  an d  sh ap e  f eatu res   Ran d o m  For est   Co ff ee   [ 9 ]       2.   RESEA R CH MET HO D     This  work  f oc us es  on  the  re cogniti on  an d  cl assifi cat ion   of   nutrit ion al   def ic ie ncies  i n  m a iz e  plant.  The  m ajo r  ste ps   of  cl assif ic at ion   inclu de   sel ect ion   of  trai nin g  sam ples,  im age  pr ep ro ce ssin g,   featur e   extracti on, se le ct ion   of su it a ble cla ssific at ion ap proac h,  a nd  accuracy as ses sm ent.      2.1.   Ima ge Dat a  S et   Def ic ie ncies  c ause d  by  m acro nutrie nts  li ke   Nitro ge n,   Pho sp ho ru s   an d  P otassium   as  w el l  as  norm al  (not  af fected )  plants  a re  in ve sti gated.   100  s a m ple  le af  im ages  for  the   4  cl asses  we re  use d  in   the  st udy.  75  i m ages  fo r  use d  for  cl assifi ca ti on   an d  25  i m ages  we r e  us e d  for  detect io n.  Im ages  giv en   in  Figu re   1   ar e  the   sam ples o f  m aize leaves s uffe rin g  f r om  n utriti on al  d e fici en ci es.           Figure   1 .  I m ages of  m ai ze le a f  a)  H eal thy l e af   b)   Nitr og e n defici ent lea f  c )  P hosph orus d efici ency    d) Po ta ssi um  d efici ency       2.2.   Ima ge  Pre proc essing  a n d F eature E xtr ac tion   Sele ct ing   s uitable   feat ur es   is  a  crit ic al   ste p  f or  su cce ssf ully   i m ple m enting  i m age  cl assifi cat ion .   The   sy m pto m   of   nutrie nt  def ic ie ncy  in  plant  l eaves  e xhibit   diff e re nt  pro pe rtie s  in  te rm s   of  c olou r,   s ha pe,   a nd  te xtu re .  T he  first  ste p  in vo l ve s  pre - processi ng  the  im age  to  im pr ove  the   qu al it y  of  the   im age  an d  t o  re m ov e   distor ti on.  T hi s  is  fo ll ow e d  by  segm entat i on   te ch niques  to  segm ent  the  reg io n  of  interest   from   the  whole  i m age.  F ur the r   featu re  e xtract ion   is   do ne  fro m   the  segm ented  reg i on  ha vi ng  the   de fici en t  par t o f  the   le a f.   T his  work   c om par es  the  accuracy   of   cl assifi cat ion   us in g  us e s  two  m ai n  feat ur e  e xtracti on  te chn iq ues .  Th e  firs t   te chn iq ue  us es   colo ur   h ist og ram   for   im ag e  segm entat ion   an d  fea tu re   extracti on  w her eas  t he  al te rn at iv e   m et ho d uses   K - m eans clusteri ng for se gm ent at ion  a nd text ural  f eat ures   are  ex tract e d.   MATLAB  2016   was  use d  f or   design i ng  the  al gorithm   fo r  im age  processi ng   a nd   cl assifi cat ion .  F or   histo gr am   based   i m age  segm e ntati on   an d  cl assifi cat ion ,  Ga bor  filt er  was  us e d  for  resizi ng   a nd   no ise   fi lt ering   of   im ages .  Th e   i m ages  wer e   then  tra ns f orm ed  from   the  RGB  to  HSV   (Hue,  Sat ur at i on   a nd  Value )   colo ur  sp ace   as  HSV  separ at es  t he  c olour  c om po ne nts  ( HS)  f r om   the  lum inance  com po ne nt  ( V)  a nd  is  le ss  se nsi ti ve  to  il lu m inati on  changes .   The  def ic ie nt  par t  of   t he  le aves  s a m ples  was  se gm ented  ou t  from   the  colour  i m age .  The  c olour  feat ur es   are  e xtract ed  f r om   HS V  c olor  s pace  of  s el ect ed  re gion  base d  on  histo gr am   analy sis.  Each   i m age  add e d  t o  the   c ollec ti on  is  a naly sed  t o  c om pu te   a  c olour  histo gra m ,  wh ic h  s hows  the   pr opor t ion   of  Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Cl as sif ic ation   of M acron utrient Defi ci encies  in  M aize Pl an t  U sin g  …   ( Lee na N)   4199   pix el s  of  eac h  col our  within   the  im age.  T hu s   as   a  resu l t  256  feat ur e s   we re  obta ine d  for  eac h  im age.     The  c olour  h ist ogram  f or each  i m age is the n st or e d  in  the  da ta base.    In  t he  sec ond  te chn iq ue  K - m eans  cl us te ri ng  us in g  Eucli de an  distance  as   the  m ini m iz ation   crit er i a   was  us e d  f or  s egm entat ion .  T he  i m age  is  segm ented  in to   t hr ee  sub - featu r e  i m ages  with  t hr ee  dif fer e nt  t ype  of  Re gion  of   I nterest  (R OI).  Th e  Re gion  of  I nt erest  co rr es po nd i ng  to  nutrie nt  de fici ency  i s  m anu al ly   sel ect ed  from   the  segm ented  i m ages.  The   Gr ey   Level  Occ urre nce  Ma trix   is   then  c om pu te d  f ro m   the  ROI  a fter   conve rsion f r om  RGB to g ray scal e. 1 3  feat ur es a re calculat ed  for  each i m age b ased  on textur e pro pe r ti es l ike   Sk e wn es s,  Sta nd a r d  De viati on,  Ho m og e neity ,  Con t rast,  S m oo thn ess,   Co rr el at ion,  Kurt os is,  E ne rg y,  E ntr op y,   Me an,   Var ia nc e,  RM S,  an d  I DM.  Fig ure   3  sh ows  t he  res ul ts  of   K - m eans  cl us te rin g  f or  a  le af  with  nitr og e n  def ic ie ncy.       2.3.   Ma c hine  Le ar ning  Te c hniq ues   M achine  le a rn i ng  com pr ise s  of  a  set   of  co m pu ta ti on al   m od el li ng  te c hn i qu e s  that  ca n  l earn  patte r ns  from   data  and  pe rfor m   auto m at ed  ta sk s  li ke  ide ntific at ion,  pr e dicti on  or  cl assifi cat ion.  Ma c hin e  l earn i ng   te chn iq ues  a re   widely   us e d  in  ap plica ti on   l ike  ha ndwr it in g  rec ogniti on,  natu ral  la ngua ge  proce ssin g,   sp eec h  processi ng,  c onsu m er  data   pr edict ive  a naly sis,  dru g  desi gn,  disease   ti ssu e   cl assifica ti on   in   m edici ne   [ 10] ,[ 11]   netw ork  flo w  cl assifi cat ion   [ 12 ] .  Seve ral  m achine  le a rn i ng  te ch niques  ha ve  been  us e d  in  nutrie nt  de fici ency   detect ion i n pl ants  as   sho wn in Ta ble   1.       2.3.1.   ANN Clas sifie r   Ar ti fici al   neur al   network s ,  usual ly   cal le d  neu ral  net works   hav e  em erg ed   as  an  i m po rtant  too l  for  cl assifi cat ion .   Neural  netw orks  a re  sim plifi ed  m od el s  of  the  bio lo gical   nerv ou s   syst e m   wh ic h  c ons ist s  of   highly   interco nn ect e d  net work   of   a  la rg e  num ber   of   pr oc essing  el em ents  cal le d  neurons  in  an  ar chit ect ur e  insp ire d  by  th e  br ai n .   They  hav e   the  pote ntial   to  cl assif y  diff e ren t  f orm s  (p at te rn s)  of   a r bitrary  c om plex  input/ ou t pu t  m app i ngs .     2.3.2.   SVM  Clas sifie r   Suppor t  Vecto r  Ma chine  (SV M)  is  con si dered  as  one  of  th e  eff ic ie nt  m ac hin e  le ar ning  m et ho d  that   is  dev el oped  on  the  basis  of   t he  sta ti sti cal   le arn in g  t he or y.  They  a r e  sp eci fical ly   i m ple m ented  f or   t he   cl assifi cat ion  a nd r e gr es sio n wit h hig h dim e ns io nal s pace. The aim  o f  the   SV M cl assifi e r  is to  fin d  a n o pti m a l   hype rp la ne.   S uppo rt  vecto r  m achines  a re  a  ve ry  popula r  m e thod  in  cl assifi cat ion   of  im ag es  du e  to  t heir  good   gen e rali zat ion   c apab il it y eve n wit h  a  lim it ed  nu m ber   of trai ning  dataset s .      2.3.3.   k N N Classifie r   Anothe r  sim pl e  and  v e ry  po wer  f ull  s up e rvi sed  m achine  le arn i ng   te c hn i qu e w idely  u se d  in  sta ti sti cal   est i m ation   an d  patte rn   recog niti on   is  th e  k   Nea rest  N ei ghbour  ( k NN) .   The  kNN  cl a ssifie r  use s   a   non  par am et ric   and   instance - ba sed   le arn i ng  al go rithm .  In   cl a ssific at ion   pr ob le m s,  the  k - near e st  nei ghbo ur  al gorithm   f inds  m ajo rity   vote   betwee n  the   k   m os t  si m ilar  instance s  to  a  gi ven   “ unsee n”  obse rvat ion.   Si m il arity is de fine d  acc ordin g  to  a  distance  m et ric b et ween t wo d at a  point s.     2.3.4.   Deep  Ne twork s U sin g  Autoe ncod er s   Re centl y,  the  area  of   deep   le arn in g  is  at tract ing   wides pread  inter est   by  pro du ci ng   rem a rk able  researc h  i n  al m os t  ever y  as pect  of   a rtific ia l  intel li gen ce   [ 13 ] .   A uto  e ncode rs  a re  unsupe rv ise d  m achine  le arn in g  te ch ni qu e s  that  ap ply  back   pr op a ga ti on   al gorith m .  It  trie s  to  l earn   the  i den ti fy  functi on  by   placi ng  const raints  on   the  netw ork .  Au t o  en c oders   can  be  sta cke d  one  ov e r  the   oth e r  to  f orm   deep   netw ork s  cal le d  sta cked   aut o  e ncode rs.   Her e   le arn in g  is  done   by  trai ni ng  one  la ye r  at   a  ti m e.  A  sta cke d  auto  e nc od e r  c an  be   us e d  as  a  cl assi fier  by  re placi ng   t he  decode r   la ye r  with  a  s of tm ax   la ye r  to  cl assify   the  f eat ur es  e xtract ed  f ro m   the en c oder  lay ers.       3.   RESU LT S   A ND D I SCUS S ION   Feat ur e  e xtract ion   is  do ne  usi ng   the  te c hn i qu e s  in  sect io n  2.2 .  Fig ur e   2   sho ws  the  diff e ren t  ste ps   involve d  in   the  segm entat i on   process  f or  a  le af  with   nitrogen  def i ci ency   us in g  the  first  te ch nique .     The  se gm ented  par t  is  s how n  in   Fig ur e   2(f ).   T he  c olour   hi stog ram   is  plot te d  f or   t he  se gm ented  i m age  an d  a   total  o f  25 6  f ea tures  a re  obta ined .   T he first  f e at ur e set  has  a  d im ension   of  75x 256 f or  t he 75 i m ages.      Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   4197   -   4203   4200       Figure   2 .   Proce ssing o f  a  leaf i m age w it h nit r og e n de fici encies a)  ori gin al   I m age b) Hu e  im age    c)  Value im age d)  Sat ur at io n I m age e)   H ue  m ask f)  seg m ented regi on s       Fig ure   3  sho w s  the  res ults  of  cl us te rin g  to  ob ta in  t he  de fi ci ent  par ts  of   t he  im age  us in g  the  sec on d  m et ho d.   The  cl us te re d  im age  with  de fici ent  par t  is  s how n  in  Fig ure   3( b) .  This  is  co nvert ed  to  gr ey   scal e  an d  13   featu res  a r e  ob ta i ned   us i ng   G rey  le vel  Occurre nce  m at rix.   The  s econd  featu re   set   has  a  dim ensio n    of  75 x 13.   Cl assifi cat ion   was  done  us i ng  the   cl assifi ers  i n  s ect ion   2.3  a nd   the  pe r form ances  of  t he  cl assi fier s   in  te rm s  of   acc ur acy   of  cl assifi cat ion   wer e   c om par ed .  The   trai ning  a nd   te sti ng   a re  car rie d  ou t  with  bo t h  the   featur e  ex t racti on m et ho ds   gi ven in  sect ion  2.2.            Figure   3 .   Proce ssing o f  a   le af i m age w it h nit r og e n de fici encies a)  ori gin al   I m age b)  Cl us te red im age w it h  def ic ie nt  portio n   a fter c ontras t enh a ncem ent       A  m ulti la ye r  back pr op a gatio n  neural  netw ork  was   ch os e n  for  t he  ANN  cl assifi e r .  T he  nu m ber   of   nodes  in  the  i nput  eq uals  the  nu m ber   of  feat ur es  wh il e  the  nu m ber   of  no de s  in  the  ou t pu t  is  4  cor res po nd i n g  to  the  three  de fici ency  cl asses  and   one  nor m al   c la ss.  Num ber   of   nodes  in  the  hidden  la ye r  is  ta ken   as  10   an d  sig m oid   act ivati on   f unc ti on is u se d.  Scaled c onjug at e  gr a di ent b ac kpr op a ga ti on   te ch nique  is u sed for trainin g.   An   overall   cl assifi cat ion   acc ur acy   of  90.9 %  was  ob ta ine d  with  histo gr a m   based   feat ure  extracti on  te chn i qu e   (f eat ure  set 1)  wh e reas  an   ov erall   accu racy  of  81.2%  wa s  obta i ne d  for   featu re  e xtrac ti on   us in g  k - m eans  segm entat ion  foll ow e d by s ha pe  a nd textu re  featur e s (feat ur e set 2 ) .   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Cl as sif ic ation   of M acron utrient Defi ci encies  in  M aize Pl an t  U sin g  …   ( Lee na N)   4201     Fig ur e   4  s ho ws  the   grap h  of   cl assi ficat ion   acc ur acy   of   m acro nutrie nt  def ic ie ncies   a f fecti ng   m ai ze   plant  us i ng   t he   two  feat ur e  se ts  and   an   SVM   cl a ssifie r.   The  ef fect  of   ke rn el s  on  cl assif ic at ion   accu rac y  was  al so   inv est i gated.   F ro m   the  gr a ph,  it   is  observ e d  that  th e  m axi m u m   c l assifi cat ion   ac cur acy   of  95. 6 %  has   occurre d  with  a  li near   ke rn el   for  featu re  se t  1  and   90%  f or   featur e  s et   2.   Hen ce  S V M  with  li near   kernel  functi on  giv es  bette r  cl assifi c at ion  acc ur acy   com par ed  t o other ke rn el s .       Figure   4 .   Cl assifi cat ion  e ff ic ie ncy f or S VM c la ssifie r  with  di ff ere nt  kernel  functi ons       The  res ults  obta ined  us i ng   a   KNN  cl assifi e r   is  show n  i n  F igure   5  (a )  a nd  (b)  for  t he  tw o  diff e re nt   featur e   e xtracti on  te ch niques.   The   cl assifi ca ti on   resu lt   i n  t erm s  of   ef fici ency  wa s  ob ta i ned  with   num ber  of   neig hbours  vari ed  from   2  to  5.   As   k N N  cl assifi cat ion   is  ba sed  on  m easur in g  the  distan ce  between   th e  te st   data  an d  eac h  of   t he  trai ni ng   data,  the  c hose n  dista nce  f un ct ion   ca n  af fec t  the  cl assifi cat ion   acc ur acy .   Hen ce   eff ect   of d if fe r ent d ist a nce me tric s li ke  E uclidean,  Cosi ne,   Mi nkowksi  a nd C heb ys hev  wer e  also calc ulate d.             Figure   5 .   Cl assifi cat ion  e ff ic ie ncy f or   kN N  cl assifi er  with  diff e ren t  kernel  f un ct io ns (a )  Fe at ur e set   1    (b)   Feat ur e  set  2       The  res ults   show  t hat  best  cl assifi cat ion   ac cur acy   wa s  obta ined  with  nu m ber   of   nei ghbours  eq ual  t o  3  with  cosi ne  distance  m et ri c  fo r  bo t h  the  featur e  set s.   T he  ne xt  cl as sifie r  cho se n  was   a  deep   netw ork  wi t h  two  e ncoder   ne tworks  for  fea ture  ext racti on   fo ll owe d  by   a  so ftm ax  la ye r  fo r  cl assifi cat io n.   T he  tw o  enc od e r s   hav e   a  hi dd e n  la ye r  of   siz e  10  an d  a  li ne ar  trans fer   functi on.  T he  L 2  we igh t  re gula rize r,   s par sit y  re gula rize r  and  sp a rsity   pr oport ion   we re  set   to  0.0 01,  4  and  0.1   res pect ively .  A n  ov e r al l  cl assifi cat ion   acc ur acy   of  100  %  was  obta ine d  with  histo gram   based   featu re  extracti on  te ch nique  ( featu re  set 1)   wh e reas  an  overall   accu racy  of    88%  was  obta ined  f or  featu re   ext racti on   us ing   k - m eans  segm entat ion   fo l lowe d  by  sh a pe   and   te xture  f eat ur es   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  8 , N o.   6 ,  Dece m ber   201 8   :   4197   -   4203   4202   (f eat ure  set   2) .   A   c om par iso n  of  the   cl assifi cat ion   ac cu ra cy   of  di ff e ren t   m achine  le ar ning  cl assifi e r s  f or   cl assifi cat ion   of m acro nutrie nt  d efici encies  in  m ai ze plant usi ng the t wo f e at ur e sets  are s how n  in  Fig ure  6 .           Figure   6 .   Com par is on of e ff ic ie ncy of classi f ic at ion  of  dif fe ren t cl assifi e rs       The  res ults  in dicat e  that  De ep  net work   usi ng   s parse  auto  e ncoders  giv es  highest  accuracy  of  cl assifi cat ion   f or   histo gr am   based   feat ur es .  KNN  cl assifi er   work e d  well   with  both  feat ur e  set s  for  a  cosine   distance  m et ric   and   k  value  ch os e n  as  3.   Sim i la rly   SV M  with  li near   ke rn el   giv es  good  cl assifi cat ion   acc ur acy   bo t h  the  f eat ure set s.  T he  l owest  accur a cy  was o btaine d wit h ANN classi fi er.       4.   CONCL US I O N     Cl assifi ca ti on   of  m acro nu t rient  de fici enci es  in  m ai ze  plant  was  do ne  us in g  dif f eren t  featu re  extracti on  m e t hods   a nd   diff e ren t  cl assifi ers .  The  al gorith m s   wer e  te ste d  on  the  three   plant  m acro nu trie nt   def ic ie ncies   i n  m ai ze  plants ,  nam ely  nitro ge n ,  po ta ssi um   a nd   phosp hor us.   Tw o  featu re  extracti on  te ch niques  wer e   us e d  to  de velo p  t wo  dif f eren t  featu re  se ts  for  t he  sam e  le af  im ages.  T he  resu lt s  re ve al   that  dee p  net work  with  a uto   e nc od e rs  giv es  hi gh e st  accu rac y  and   has  s uperi or   perf orm ance  fo r  his togram   based  featu re   extracti on  co m par ed  to  the   oth e r  cl assifi cat ion   m et ho ds.  The  best  cl assifi cat ion   ac cur acy   with  s hap e  a nd   te xtu re   feat ur e s  was   obta ine d  with  KNN   cl assifi er.  T he   eff ect   of  dif f eren t  ke rn el s  for  S VM  was   al so  inv est igate d  for  bo t h  the  f eat ur e  set s.  It  wa s  seen  that  SVM   with  li near   kernel  ga ve  th e  hig he st  a ccu racy  of  cl assifi cat ion   in  bo th  ca ses.  S i m i la rly   the  effe ct   of   distance   m et ric  and   nu m ber   of   nei ghbours  on  acc uracy   of   kNN  was  al s o   check e d  f or   bo th  the  fe at ure  set s.  It  was  se en  that   kNN   w it h  cosi ne  m et r ic   and  k   val ue   of  3  giv es  h i gh est  a ccur acy .   Th e st ud y ca n be e xt end e d  t o  m ic ro nu t rient  def ic ie ncy an d diseas e inf est at io ns  a lso.       REFERE NCE S     [1]   Chen   L.  et   a l. ,   “ Ide nti f ic a ti on  of   nit roge n ,   phosp horus,  and  pot assium   def ic ie n cie s  in  rice  base d  o n  stat i c  sca nn ing   te chno log y   and   hie rar chi c al i den ti ficat ion  m et ho d , ”  PLoS  ONE ,   vol.   9 ,   2014 .   [2]   W iwar t  M.,   et   al . ,   “ Ea r l y   di ag nostic s  of  m ac ronutri ent   de fici enc i es  in  thre e  le gum e  spec ie s   b y   col or  imag e   ana l y sis , ”   Comp ute rs   and  E lectr onic s in   Agric u ltur e ,  vol .   65 ,   200 9 .   [3]   Chanda n  J.   B. ,   et   al . ,   “ Dete c ti o n  and  Anal y sis  of  Defi c ie nc ie s  in  Groundnu t  Pl ant   using  Geom et ri c  Mom ent s , ”   World  Ac ademy   of  Sci ence.   E ngine ering  and   Technol ogy  In te rnational   Jou rnal  of  Bi ological,   Agri cul tura l,  Bi omole cul ar,   F o od  and  B iot e ch nologi cal E ng in ee ring ,   vol / issue:  5 ( 10 ),  2011.   [4]   San y a l  P . ,  et   al. ,   “ Color  te xture  ana l y s is  of  ric e  le av es  dia gnosing  def ic ie n c y   in  the   bal an ce   of  m ine ral   le vels   towar ds  improvem ent   of  cro p  pr oduct ivit y , ”   10t h  Inte rnationa l  Confe renc e  on  I nform ati on  Tech nology ,   I EEE ,   p p.   85 - 90 ,  2007 .   [5]   Hetz roni  A . ,  e t  al . ,   “ Mac h ine   vi sion  m onit oring  of  pla nt  he alth , ”   Adv   Spac e  Re s ,   vol/ issue:  14(1 1),   pp.   203 – 21 2 ,  2009 .   [6]   Pagola   M . ,   et   al . ,   “ New  m et hod  to  assess   bar ley   n it roge n  nutr it ion   stat us  base d  on  image  col our   an aly s is , ”   Comput   El e ct ron A gri c ,   vol/ issue:  65(2) ,   pp.   213 – 218 ,  20 09.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N:  20 88 - 8708       Cl as sif ic ation   of M acron utrient Defi ci encies  in  M aize Pl an t  U sin g  …   ( Lee na N)   4203   [7]   H ai ruddin  M .  A . ,  e t  al . ,   “ Overv ie w  of  image  p roc essing  appr o ac h  for  nutr ie nt   def iciencie s  de te c ti on  in  E laeis  Guinee nsis , ”  IE EE   In te rnationa l   Confe ren ce on Syste m E ng ineering  and  T e chnology ,   pp .   116 - 120 ,  2011 .   [8]   Xu  G . ,   et   al. ,   “ Us e  of  le af  col o r  images  to  ide nti f y   n it rog en  an d  pota ss i um   def ic ie n t  tomatoe s , ”   Pattern  Recogn it   Lett ,  vol/is sue:   3 2(11) ,   pp .   1584 - 1590 ,  2011 .    [9]   Mons al ve  D. ,   et  al . ,   “ Autom at ic  Cla ss ifi c at ion   o f  Nutrit ion al   De f ic i enc i es  in  Co ffe e  Plan ts , ”   6th   Latin - Ame rican   Confe renc e  on   N et worked   and  Elec troni c  M edi a ,   2015.   [10]   E.   I.   Z ac h ara ki ,   et   al .,   “ Cla ss i fi c at ion  of  bra in  tu m or  ty p e  and  gr ade   using  MRI  te xtur e  and  sha pe  in  a  m ac hine  le arn ing  sch eme , ”   Magn.   R eson ,  vol.   62 ,   pp .   1609 – 1618 ,  2009 .   [11]   M .   Ham ia ne ,   e t  al . ,   “ SV M  Cla ss ifi c at ion  of  MRI   Brai n  Im age s  f or  Com pute r  –   As sisted  Diagnosis , ”   Inte rnat ion al  Journal  of   Elec t rical   and   Computer  Eng ine ering ,   vol /i ss ue:   7 ( 5 ) ,   2 017.   [12]   A .   Munther,   et  al. ,   “ A  Preli m ina r y   Perform ance   Eva lu at i on  of  K - m ea ns,  KN N   and  EM  Uns up erv ised  Ma chi ne   Le arn ing  Meth ods  for  Network  Flow  Cla ss ifi cation , ”   Int ernati onal  Journal  of  El e ct rica l  and  Comput e r   Engi ne ering ,   vol /i ss ue:   6 ( 2 ) ,   pp .   778 - 784 ,  2016 .   [13]   S .   Nare jo,   et   al . ,  “ EE G  Based  E y e  Stat e  Cl assific a ti on  using  Dee p  Bel i ef  Netw ork  and  Stac ked   AutoEnc oder , ”   Inte rnational   Jo urnal  of El e ct ri c al  and  Comput er  Engi n ee ring ,   vo l /i ss ue:   6 ( 6 ) ,   pp .   3131 - 3141 ,  201 6 .       BIOGR AP H I ES   OF  A UTH ORS          Le en a. N   is  pursuing  her   doctoral   degr e e  un der   the   guida n ce   of  Dr.K. K.  Saju  at   Cochi n  Univer sit y   of  Sc ie nc e  and   Techn olog y ,   Indi a.  She  is  an   As sistant  Profess or  in  the  Depa rtment  o f  El e ct ri ca l   and  El e ct roni cs  Eng ine er ing  at  NS S  Coll ege   of   E ngine er ing,   Ker al a ,   Indi a.   Her   rese arc h   in te rest s inc lud e  soft   co m puti ng;  Mac h i ne  l ea rning   and   El e ct ri c  dr ive s  a nd  cont ro l.       K  K  Saju  is  Pr ofe ss or  at   the   D epa rtment   of  M ec han ic a l  Engi n ee ring   at  Cochin  Univer sit y   of  Te chno log y ,   In dia .     He  is  a lso  the   Dir ec tor   of  the   In te rna tion al   Re la t ions  and  Aca d emic  Adm issions   at   C ochi n  Univer si t y.   His  int er ests  lie  in  m at er ia l  s cienc e ,   robot ic s  a nd  aut om at ion .   He  is a u thor  of   m ore   tha n   20  in t ern ational publ i c at ions  and  h as  h andl ed   seve r al   f unded  proj ec ts .       Evaluation Warning : The document was created with Spire.PDF for Python.