葡萄藤的主要产品是新鲜或加工的葡萄。此外，葡萄叶作为副产品每年收获一次。葡萄叶的种类在价格和口味方面很重要。在这项研究中，基于深度学习的分类是通过使用葡萄叶的图像进行的。为此，使用特殊的自发光系统拍摄了属于 5 个物种的 500 片藤叶的图像。后来，这个数字通过数据增强方法增加到 2500 个。分类是使用最先进的 CNN 模型微调 MobileNetv2 进行的。作为第二种方法，从预先训练的 MobileNetv2 的 Logits 层中提取特征，并使用各种 SVM 内核进行分类。作为第三种方法，从 MobileNetv2 的 Logits 层提取的 1000 个特征通过卡方方法选择并减少到 250 个。然后，使用选择的特征使用各种 SVM 内核进行分类。最成功的方法是通过从 Logits 层提取特征并使用卡方方法减少特征。最成功的 SVM 内核是 Cubic。系统分类成功率为97.60%。据观察，尽管分类中使用的特征数量减少了，但特征选择提高了分类成功率。

Grapevine Leaves Image Dataset
KOKLU Murat (a), UNLERSEN M. Fahri (b), OZKAN Ilker Ali (a), ASLAN M. Fatih(c), SABANCI Kadir (c)

(a) Department of Computer Engineering, Selcuk University, Turkey, Konya, Turkey
(b) Department of Electrical and Electronics Engineering, Necmettin Erbakan University, Konya, Turkey
(c) Department of Electrical-Electronic Engineering, Karamanoglu Mehmetbey University, Karaman, Turkey

Citation Request :
Koklu, M., Unlersen, M. F., Ozkan, I. A., Aslan, M. F., & Sabanci, K. (2022). A CNN-SVM study based on selected deep features for grapevine leaves classification. Measurement, 188, 110425. Doi:https://doi.org/10.1016/j.measurement.2021.110425

link: https://doi.org/10.1016/j.measurement.2021.110425

Highlights
• Classification of five classes of grapevine leaves by MobileNetv2 CNN Model.
• Classification of features using SVMs with different kernel functions.
• Implementing a feature selection algorithm for high classification percentage.
• Classification with highest accuracy using CNN-SVM Cubic model.