تشخیص زودرس بیماری گیاهان با استفاده از تکنیک های پردازش تصویر و یادگیری ماشین

تشخیص زود هنگام بیماری گیاهان، امری موثر در جلوگیری به موقع از آفت زدگی آنهاست. در این پژوهش، با استفاده از پردازش تصاویر برگ و استخراج ویژگی های مختلف مانند رنگ، بافت و شکل، بیماری های گیاه با دقت مناسب تشخیص داده می شوند. به طور کلی بیماری گیاهان باعث تغییرات اساسی در رنگ و فرم ظاهری برگ آنان می­شود. با ویژگی رنگ می­توان نوع بیماری گیاه را تشخیص داد. در این مقاله از ویژگی های ممان و گشتاور برای استخراج ویژگی رنگ از برگ و از ویژگی های مساحت و محیط برای تشخیص تغییر فرم آن استفاده شده است. در روش پیشنهادی، به منظور تقویت ویژگی­های مطرح شده، از ویژگی های بافتی از جمله الگوی دودویی محلی، ماتریس هم رخداد و الگوی رگبرگ ها نیز استفاده شده است. در نهایت برای جلوگیری از پیچیدگی و بیش برازش مدل، از روش انتخاب ویژگی mRMR، برای حذف ویژگی های غیر مفید استفاده شده است. پس از ایجاد مدل نهایی، نمونه های سالم و بیمار با استفاده از کلاس بندهای جنگل تصادفی و ماشین بردار پشتیبان، دسته بندی شده است. روش پیشنهادی روی مجموعه داده PlantVillage با ۸۷۸۶۷ نمونه ارزیابی شده است. میانگین دقت روش پیشنهادی در تشخیص بیماری ۹ نمونه گیاه مختلف با کلاس بندهای جنگل تصادفی و ماشین بردار پشتیبان به ترتیب % ۶۳/۹۷ و % ۹۸/۹۴ است که بالاتر از روش های موجود بوده است.

کلیدواژه ها:

تشخیص بیماری گیاهان ، ویژگی های بافت ، الگوی دودویی محلی ، ماتریس هم رخداد ، دسته بند جنگل تصادفی