روش مبتنی بر پردازش تصویر به منظور تشخیص خودکار بیماری برگ درخت انگور

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 178

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJBSE-53-1_004

تاریخ نمایه سازی: 30 اردیبهشت 1402

چکیده مقاله:

تشخیص سریع و پیشگیری از گسترش بیماری­ محصولات کشاورزی، می­تواند تلفات مقابله با بیماری را به میزان قابل توجهی کاهش دهد. در این پژوهش، سامانه­ای هوشمند بر مبنای پردازش تصویر برای تشخیص بیماری­های برگ درخت انگور (Sultana - Vitis vinifera) ارائه گردیده است. بدین منظور، ویژگی­های مختلف بافت تصویر از هیستوگرام سطح خاکستری (GLH)، ماتریس هم­-رخداد سطح خاکستری (GLCM)، ماتریس طول بردار سطح خاکستری (GLRM) و الگوی دودویی محلی (LBP) استخراج شد. برای مدل­سازی ویژگی­ها، از دو مدل شبکه عصبی (ANN) و ماشین بردار پشتیبان (SVM) استفاده شد. پایگاه داده­ مورد استفاده، متشکل از ۴۰۶۲ تصویر، شامل برگ سالم، مبتلا به پوسیدگی سیاه، اسکا و لکه ایزاریوپسیس است. نتایج نشان دادند که مدل SVM با استفاده از ویژگی­های GLRM با متوسط دقت ۷۰/۸۹% بهترین عملکرد را از خود نشان داد. همچنین نتایج نشان دادند، استفاده از تمام ویژگی­های استخراج یافته به صورت بردار ویژگی واحد، افزایش دقت دسته­بندی را به دنبال دارد. مدل SVM و ANN با استفاده از تمام ویژگی­ها بترتیب برای داده­های آموزشی دقت ۱۰/۹۱%، ۰۴/۹۵ % و برای داده­های آزمون میزان دقت ۹۳/۸۹% و ۷۵/۹۱% را نتیجه دادند. در نهایت، با استفاده از الگوریتم کلونی زنبور ژنتیکی (GBC) و کاهش تعداد ویژگی­ها به ۳۴ و ۴۶ به ترتیب برای مدل­های ANN و  SVM میانگین دقت ۲۰/۹۷% و ۱۰/۹۴% برای آموزش و آزمون مدل ANN و ۰۱/۹۳% و ۳۳/۹۲% برای آموزش و آزمون مدل SVM به دست آمد که نشان دهنده بهبود نتایج توسط الگوریتم GBC می­باشد. روش پیشنهادی در تشخیص بیماری­های برگ انگور کارآمد ارزیابی شد.

نویسندگان

سجاد نصیری

گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بناب، بناب، ایران

مصطفی خجسته نژند

گروه مهندسی مکانیک، دانشکده فنی و مهندسی، دانشگاه بناب، بناب، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Alshamlan, H. M., Badr, G. H., & Alohali, Y. A. ...
  • Anon. n.d. “Grapevine Disease Images | Kaggle.” Retrieved July ۴, ...
  • Barbedo, J.G.A. (۲۰۱۶). A review on the main challenges in ...
  • Barbedo, J.G.A. (۲۰۱۹). Plant disease identification from individual lesions and ...
  • Chakraborty, A., Diganta G., & Hassanien A.E. (۲۰۱۷). Studies in ...
  • Dubey, S.R., & Jalal, A.S. (۲۰۱۶). Apple disease classification using ...
  • Gonzalez, R.C., Woods, R.E., & Eddins, S.L. (۲۰۰۴). Digital image ...
  • Gurubelli, Y., Malmathanraj, R., & Palanisamy, P. (۲۰۲۰). Texture and ...
  • Haralick, R.M., Shanmugam, K., & Dinstein, I.H. (۱۹۷۳). Textural features ...
  • Karimi, N., Kondrood, R.R., & Alizadeh, T. (۲۰۱۷). An intelligent ...
  • Khojastehnazhand, M., & Ramezani, H. (۲۰۲۰). Machine vision system for ...
  • Mohammed, K. K., Darwish, A., & Hassenian, A. E. (۲۰۲۱). ...
  • Ojala, T., Pietikainen, M., & Maenpaa, T. (۲۰۰۲). Multiresolution gray-scale ...
  • Revathi, P., & Hemalatha, M. (۲۰۱۲). Advance computing enrichment evaluation ...
  • Sannakki, S.S., Rajpurohit, V.S., Nargund, V.B., & Kulkarni, P. (۲۰۱۳). ...
  • Scheck, H.J., Vasquez, S.J., Gubler, W.D., & Fogle, D. (۱۹۹۸a). ...
  • Scheck, H., Vasquez, S., Fogle, D., & Gubler, W. (۱۹۹۸b). ...
  • Singh, J., & Kaur, H. (۲۰۱۸). A review on: Various ...
  • Ye, Q., Jia, J., Manawasinghe, I.S., Li, X., Zhang, W., ...
  • Zhang, C., Zou, K., & Pan, Y. (۲۰۲۰). A method ...
  • نمایش کامل مراجع