利用机器学习创建植物健康分类器

Question

第一次海报，所以请温柔一点。

正如标题所示，我正计划创建一个通用的(即每个实例都可以检测出一种类型的植物)的植物健康分类器，它使用有监督的机器学习，利用健康和不健康植物的图像。衡量标准将是叶子的颜色，形状和任何真菌在植物的任何部分的存在。

我以前尝试过机器学习，用特征脸方法编写了一个面部识别程序，用Knn方法进行分类，但我仍然是个新手。我不是数学天才，所以任何直观的解释都是非常感谢的。

话虽如此，我也想做同样的事情，但对植物而言，我要恭敬地问几件事，正如下面方括号中所提到的。由于这个项目一定要花些时间，我想看看我的思维过程是否正确。

我打算采取的步骤(如果我错了就纠正我)如下：

1. 获取大量受控制的图像(例如，仅限于叶子，没有背景)
2. 将图像规范化，将图像转换为灰度。1
3. 确保尺寸相同
4. 特征提取?2
5. 标记和输入机器学习算法3
6. 插入图像，将步骤2-4的提要重复到机器学习算法中，标签弹出.

因此，我的问题如下：

1. 正常化或转换为灰度会导致图像特征的损失吗？
2. 如果我只使用Knn方法，这有必要吗？如果是的话，这会否成为我的机器学习算法的基础？
3. 我是否还能用特征脸方法来处理植物，并产生与在人脸上进行特征脸相似的精确结果？否则，我应该使用哪种算法？
4. 有什么我应该知道的东西我可能错过了吗？

我为这个长邮差道歉。谢谢你提前提供帮助！

Answer 1

看看最近完成的Kaggle竞争对糖尿病视网膜病变检测的影响的解决方案。问题似乎与你的，图像处理和识别图像中的斑点相似。

这篇博客文章由Top-10-finisher Jeffrey编写，其源代码为可用。

这并不能回答你的问题(而是指你的“预定步骤”)，也许他使用的算法不适合你，但也许你可以了解一下总体策略，至少是图像预处理流程。