روش مبتنی بر پردازش تصویر به منظور تشخیص خودکار بیماری برگ درخت انگور
محل انتشار: مجله مهندسی بیوسیستم ایران، دوره: 53، شماره: 1
سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 148
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
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.
کلیدواژه ها:
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 :