تشخیص و طبقه بندی دو بیماری شایع برگ سیب زمینی (لکه موجی زودرس و سفیدک داخلی) با استفاده از پردازش تصویر و یادگیری ماشینی

تشخیص بیماری های گیاهی بخش مهمی از فرآیند مدیریت مزرعه است و می تواند تاثیر قابل توجهی بر کمیت و کیفیت تولید داشته باشد. روش های سنتی ارزیابی چشمی توسط ناظران انسانی زمان بر، پر هزینه و مستعد خطا هستند و تشخیص دقیق و تمایز بین بیماری های مختلف را دشوار می سازند. پیشرفت های کشاورزی امکان استفاده از سامانه های بینایی ماشین غیرمخرب را برای تشخیص بیماری های گیاهی فراهم کرده است و حسگرهای تصویربرداری رنگی توانایی بالایی در این زمینه از خود بروز داده اند. این مطالعه چارچوبی را برای تشخیص بیماری لکه موجی زودرس و سفیدک داخلی سیب زمینی با استفاده از ترکیبی از الگوریتم های انتخاب ویژگی Relief و طبقه بندی تصادفی جنگل و ویژگی های رنگ، بافت و شکل در سه فضای رنگی RGB، HSV و Lab* توصیف کرد. نتایج این بررسی نشان داد که دقت تشخیص برای گروه بیماری لکه موجی زودرس و سفیدک داخلی و گروه برگ سالم به ترتیب ۹۴.۷۱، ۹۵ و ۹۵.۲ درصد و دقت کلی برای طبقه بندی بیماری ۹۵.۹۹ درصد بود. همچنین دقت تشخیص برای دو گروه بیماری لکه موجی زودرس و سفیدک داخلی و گروه برگ سالم به ترتیب ۹۱.۰۷، ۹۸.۳۶ و ۹۸.۹۳ درصد و دقت کلی برای طبقه بندی بیماری ها ۹۶.۱۲ درصد بود. پس از جداسازی ناحیه بیمار از قسمت سالم برگ، در مجموع ۱۵۰ ویژگی شامل ۴۵ ویژگی رنگی، ۹۹ ویژگی بافتی و شش ویژگی شکلی استخراج شد. موثرترین ویژگی ها برای تشخیص بیماری با استفاده از ترکیبی از هر سه مجموعه ویژگی شناسایی شدند. این مطالعه نشان داد که ترکیب این سه مجموعه از ویژگی ها می تواند منجر به طبقه بندی دقیق تر برگ های سیب زمینی شود و بینش ارزشمندی در تشخیص و طبقه بندی بیماری های سیب زمینی ارائه دهد. این رویکرد می تواند به کشاورزان و سایر متخصصان بیماری های گیاهی کمک کند تا بیماری های سیب زمینی را به طور دقیق تشخیص داده و مدیریت کنند و در نهایت منجر به افزایش کیفیت و عملکرد محصول شود.

کلیدواژه ها:

انتخاب ویژگی ، استخراج ویژگی ، بیماری های سیب زمینی ، تشخیص بیماری ، هوش مصنوعی