In traditional practices, detection of rice plant diseases by experts is a subjective matter whereas by testing in the laboratory is time-consuming. As a consequence, it causes reduction on agricultural production and economic loss to farmers. To overcome this, there is a demand to develop fast and effective systems to detect and classify rice plant diseases. Therefore, the development of image-based automated systems for classification of rice plant diseases is an interesting growing research area in the agriculture domain. Color is one of the important features to classify rice plant diseases. In this study, we have presented an image-based rice plant disease classification approach using color features only. We have explored 14 different color spaces and extracted four features from each color channel leading to 172 features. Moreover, the performance of seven different classifiers have been compared and demonstrated that a highest classification accuracy of 94.65% has been achieved using support vector machine (SVM) classifier. Training and testing of models were performed on the dataset that consists of 619 images. This dataset was collected from the real agriculture field that belongs to four classes: (a) Bacterial Leaf Blight (BLB), (b) Rice Blast (RB), (c) Sheath Blight (SB) and (d) Healthy Leave (HL). The encouraging results of this paper show that color features can play an important role in developing rice plant disease classification system and enable the farmers to take preventive measures resulting in better product quality and quantity.

中文翻译：

---

使用颜色特征的水稻病害分类：机器学习范式

在传统实践中，专家检测水稻病害是一个主观问题，而在实验室进行检测则非常耗时。从而造成农业减产和农民经济损失。为了克服这个问题，需要开发快速有效的系统来检测和分类水稻病害。因此，基于图像的水稻病害分类自动化系统的开发是农业领域一个有趣的研究领域。颜色是水稻病害分类的重要特征之一。在这项研究中，我们提出了一种仅使用颜色特征的基于图像的水稻病害分类方法。我们探索了 14 个不同的颜色空间，并从每个颜色通道中提取了四个特征，从而产生了 172 个特征。而且，对七种不同分类器的性能进行了比较，并证明使用支持向量机 (SVM) 分类器实现了 94.65% 的最高分类准确率。模型的训练和测试是在由 619 张图像组成的数据集上进行的。该数据集是从属于四个类别的真实农业领域收集的：（a）细菌性叶枯病（BLB），（b）稻瘟病（RB），（c）鞘枯病（SB）和（d）健康假（HL） ）。本文令人鼓舞的结果表明，颜色特征可以在开发水稻病害分类系统中发挥重要作用，并使农民能够采取预防措施，从而提高产品质量和数量。使用支持向量机 (SVM) 分类器已实现 65%。模型的训练和测试是在由 619 张图像组成的数据集上进行的。该数据集是从属于四个类别的真实农业领域收集的：（a）细菌性叶枯病（BLB），（b）稻瘟病（RB），（c）鞘枯病（SB）和（d）健康假（HL） ）。本文令人鼓舞的结果表明，颜色特征可以在开发水稻病害分类系统中发挥重要作用，并使农民能够采取预防措施，从而提高产品质量和数量。使用支持向量机 (SVM) 分类器已实现 65%。模型的训练和测试是在由 619 张图像组成的数据集上进行的。该数据集是从属于四个类别的真实农业领域收集的：（a）细菌性叶枯病（BLB），（b）稻瘟病（RB），（c）鞘枯病（SB）和（d）健康假（HL） ）。本文令人鼓舞的结果表明，颜色特征可以在开发水稻病害分类系统中发挥重要作用，并使农民能够采取预防措施，从而提高产品质量和数量。(a) 细菌性叶枯病 (BLB)，(b) 稻瘟病 (RB)，(c) 纹枯病 (SB) 和 (d) 健康休假 (HL)。本文令人鼓舞的结果表明，颜色特征可以在开发水稻病害分类系统中发挥重要作用，并使农民能够采取预防措施，从而提高产品质量和数量。(a) 细菌性叶枯病 (BLB)，(b) 稻瘟病 (RB)，(c) 纹枯病 (SB) 和 (d) 健康休假 (HL)。本文令人鼓舞的结果表明，颜色特征可以在开发水稻病害分类系统中发挥重要作用，并使农民能够采取预防措施，从而提高产品质量和数量。