تشخیص بیماری های درخت سیب با بهره گیری از روش های تحلیل بافت و یادگیری ماشین

بیماری و آفت هر گیاهی بعنوان یک عامل اصلی و تاثیر گذار در کیفیت و کمیت محصول تولیدی است. روش های مرسوم تشخیص این آفتها بر اساس روش سنتی استفاده از فرد خبره است که مشکلات خاص خود را دارد. برای حل این مشکلات از روش خودکار و غیر مخرب بینایی ماشین استفاده می شود که باعث تشخیص سریع و کنترل بیماری خواهد شد و در پی آن کاهش هزینه های نظارت در سطح وسیع را در پی خواهد داشت. در این پژوهش، از یادگیری ماشین بر مبنای ویژگی های بافت هیستوگرام سطح خاکستری (GLH)، ماتریس هم رخداد سطح خاکستری (GLCM)، ماتریس طول بردار سطح خاکستری (GLRM) و الگوی دودویی محلی (LBP) برای تشخیص بیماری های پوسیدگی سیاه، خال زدگی و لکه سیاه برگ درخت سیب استفاده شد. با قطعه بندی تصاویر بوسیله روش Kmeans، مدل های طبقه بند کننده درخت تصمیم (K ،(D-Treeنزدیک ترین همسایگی (KNN)، آنالیز تفکیک خطی (LDA)، ماشین بردار پشتیبان (SVM) و شبکه عصبی (ANN) بر اساس ویژگی های استخراج شده از بافت تصاویر نمونه ها در دو مرحله آموزش و آزمون مدلها بکار گرفته شدند. مقایسه نتایج داده های آزمون نشان داد؛ مدل درخت تصمیم با دقت۸۴/۴۲ درصد و مدل شبکه عصبی با دقتی برابر با۹۳/۳۰ درصد بترتیب پایین ترین و بالا ترین عملکرد را در بین سایر روش ها داشتند. K-نزدیکترین همسایگی، ماشین بردار پشتیبان و آنالیز تفکیک خطی نیز به ترتیب ۸۷/۳۰، ۹۱۳۳ و۹۲/۶۲درصد از تصاویر آزمون را بدرستی دسته بندی کردند. نتایج نشان داد، می توان از روش پردازش تصویر برای تشخیص سریع آفت های موجود در برگ درخت سیب استفاده نمود.

کلیدواژه ها:

پوسیدگی سیاه سیب ، خال زدگی سیب ، لکه سیاه سیب ، بافت ، پردازش تصویر ، یادگیری ماشین