مدل یادگیری گروهی وزن دار برای طبقه بندی بیماری برگ انگور با استفاده از پردازش تصویر و یادگیری ماشینی

در این مطالعه، راهبردی برای تشخیص بیماری های برگ انگور با کمک پردازش تصویر RGB و تصمیم گیری گروهی وزنی ارائه شد. برای این منظور، پنج گروه بیماری به نام های سرخک سیاه، پوسیدگی سیاه، سوختگی برگ، سفیدک پودری و سفیدک کرکی و گروهی از برگ های سالم با سه روش یادگیری ماشینی به نام های ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و  k-نزدیک ترین همسایه (k-NN) و ترکیب وزنی طبقه بندی شدند. در مرحله بعد، با توجه به دقت هر طبقه بندی، وزن هریک از آن ها تعیین شد و در نهایت با استفاده از رای اکثریت، طبقه بندی نهایی بیماری ها انجام شد. همچنین به منظور معرفی بهترین ویژگی های بافت، رنگ و شکل استخراج شده از الگوریتم انتخاب ویژگی برجسته استفاده شد. این الگوریتم برای هر گروه از ویژگی های استخراج شده، ۵ مورد را به عنوان بهترین و موثرترین ویژگی در تشخیص بیماری های گیاهی از جمله برگ گیاه انگور به محققان ارائه کرد. نتایج دقت طبقه بندی باSVM، RF و k-NN به ترتیب ۸۸.۳۳، ۸۰.۰۸ و ۷۵ درصد بود. نتایج نشان داد که الگوریتم تصمیم گیری گروه وزنی ارائه شده در این تحقیق توانایی بهبود دقت طبقه بندی بیماری های گیاهی را با دقت ۹۱.۶۷ درصد دارد.

کلیدواژه ها:

انتخاب ویژگی ، بیماری انگور ، پردازش تصویر ، تصمیم گیری گروهی ، رای اکثریت