الهام عمرانی - کارشناس ارشد رشته بیوسیستم پردیس کشاورزی و منابع طبیعی دانشگاه تهران
سید سعید محتسبی - استادان و استادیار گروه بیوسیستم پردیس کشاورزی و منابع طبیعی دانشگاه تهران
شاهین رفیعی - استادان و استادیار گروه بیوسیستم پردیس کشاورزی و منابع طبیعی دانشگاه تهران
سلیمان حسین پور - استادان و استادیار گروه بیوسیستم پردیس کشاورزی و منابع طبیعی دانشگاه تهران

بیماری های گیاهی می توانند باعث کاهش کیفیت و کمیت محصولات کشاورزی شوند. در بعضی از کشورها، کشاورزان زمان قابل توجهی برای مشاوره با گیا ه پزشکان صرف می کنند، در حالیکه زمان عامل مهم در کنترل بیماری می باشد ؛ بنابر این ارائه روشی آسان، سریع، ارزان و دقیق برای تشخیص بیماریهای گیاهی لازم به نظر میرسد. در این تحقیق، با استفاده از روش پردازش تصویر، سه اختلال درخت سیب )بیماری های لکه سیاه سیب،آلترناریا و آفت مینوز( تشخیص داده می شوند. پس از جمع آوری برگ های بیمار و انتقال آن ها به آزمایشگاه، تصاویر برگها تحت شرایط نور کنترل شده تهیه شده و سپس به کمک الگوریتم طراحی شده در نرم افزار MATLAB ابتدا نواحی بیماری روی برگ ها با استفاده از روش خوشه بندی k- میانگین کلاسیک تشخیص و جداسازی شدند و سپس ویژگی های مربوط به رنگ و بافت تصویر نواحی بیماری استخراج شدند. در ادامه چهار مدل توسعه داده شد که مدل اول شامل ویژگی های حاصل از ماتریس هم رویدادی، مدل دوم شامل ویژگی های رنگی، مدل سوم شامل ویژگی های استخراج شده از تبدیل های موجک و فوریه و مدل چهارم شامل همه ویژگی ها بود و سپس با استفاده از شبکه عصبی مصنوعی ANN بیماریهای گیاهی طبقه بندی شدند. نتایج نشان داد که شبکه عصبی مصنوعی به طور موفقیت آمیزی توانست لکه های بیماری مشخص شده با روش خوشه بند k- میانگین کلاسیک را با دقت 100% طبقه بندی کند.

بیمار ی های گیاهی، پردازش تصویر، شبکه عصبی مصنوعی، خوش هبند k میانگین