پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,979,483 |
| تعداد دریافت فایل اصل مقاله | 89,651,377 |
روش مبتنی بر پردازش تصویر به منظور تشخیص خودکار بیماری برگ درخت انگور | ||
| مهندسی بیوسیستم ایران | ||
| دوره 53، شماره 1، اردیبهشت 1401، صفحه 61-76 اصل مقاله (1.35 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2022.327192.665432 | ||
| نویسندگان | ||
| سجاد نصیری1؛ مصطفی خجسته نژند* 2 | ||
| 1گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بناب، بناب، ایران | ||
| 2گروه مهندسی مکانیک، دانشکده فنی و مهندسی، دانشگاه بناب، بناب، ایران | ||
| چکیده | ||
| 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 4062 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 70/89% 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 10/91%، 04/95 % و برای دادههای آزمون میزان دقت 93/89% و 75/91% را نتیجه دادند. در نهایت، با استفاده از الگوریتم کلونی زنبور ژنتیکی (GBC) و کاهش تعداد ویژگیها به 34 و 46 به ترتیب برای مدلهای ANN و SVM میانگین دقت 20/97% و 10/94% برای آموزش و آزمون مدل ANN و 01/93% و 33/92% 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. | ||
| کلیدواژه‌ها | ||
| یادگیری ماشین؛ تحلیل بافت تصویر؛ پوسیدگی سیاه انگور؛ اسکای انگور؛ لکه ایزاریوپسیس | ||
| عنوان مقاله [English] | ||
| Image Processing Based Method for Automatic Detection of Grape leaf Diseases | ||
| نویسندگان [English] | ||
| Sajjad Nasiri1؛ Mostafa Khojastehnazhand2 | ||
| 1Department of Computer Engineering, Faculty of Engineering, University of Bonab, Bonab,, Iran | ||
| 2Mechanical Engineering Department, Faculty of Engineering, University of Bonab, Bonab, Iran | ||
| چکیده [English] | ||
| Rapid detection and prevention of disease spread in agricultural products can significantly reduce losses and costs of disease control. In this study, an intelligent system based on image processing method has been presented for detection of grape (Sultana - Vitis vinifera) leaf diseases. For this purpose, different image texture features were extracted from the Gray Level histogram (GLH), Gray Level Co-occurrence Matrix (GLCM), Gray Level Run Length Matrix (GLRM) and Local Binary Pattern (LBP) algorithms. Two models of Artificial Neural Network (ANN) and Support Vector Machine (SVM) were used to model the features. The dataset consists of 4062 images including healthy leaves, Black Rot, Esca and Isariopsis leaves. The results showed that the SVM model based on GLRM features with an average accuracy of 89.70% showed the best performance. The results also showed that the use of all extracted features as a single feature vector increases the accuracy of classification. The accuracy of the SVM and ANN models using all of the features for training data were 91.10%, 95.04%, and for the test data were 89.93% and 91.75%, respectively. Finally, using Genetic Bee Colony (GBC) algorithm and reducing the number of features to 34 and 46 for ANN and SVM models, respectively, the average accuracy of 97.20% and 94.10% for training and testing of ANN model and 93.01% and 92.33% for training and testing of SVM model were obtained, which shows the improvement of results by GBC algorithm. The proposed method was evaluated as efficient in diagnosing grape leaf diseases. | ||
| کلیدواژه‌ها [English] | ||
| Machine learning, Image texture analysis, Black rot, Esca, Isariopsis | ||
| مراجع | ||
|
Alshamlan, H. M., Badr, G. H., & Alohali, Y. A. (2015). Genetic Bee Colony (GBC) algorithm: A new gene selection method for microarray cancer classification. Computational Biology and Chemistry, 56, 49-60. Anon. n.d. “Grapevine Disease Images | Kaggle.” Retrieved July 4, 2021 (https://www.kaggle.com/ piyushmishra1999/ plantvillage-grape). Barbedo, J.G.A. (2016). A review on the main challenges in automatic plant disease identification based on visible range images: Biosystems Engineering, 144, 52–60. Barbedo, J.G.A. (2019). Plant disease identification from individual lesions and spots using deep learning. Biosystems Engineering, 180, 96–107. Chakraborty, A., Diganta G., & Hassanien A.E. (2017). Studies in computational intelligence artificial intelligence for sustainable development: Theory. Practice and Future Applications. Vol. 10. Dubey, S.R., & Jalal, A.S. (2016). Apple disease classification using color, texture and shape features from images. Signal, Image and Video Processing, 10(5), 819-826. Gonzalez, R.C., Woods, R.E., & Eddins, S.L. (2004). Digital image processing using MATLAB, P. New Jersey-USA. Gurubelli, Y., Malmathanraj, R., & Palanisamy, P. (2020). Texture and colour gradient features for grade analysis of pomegranate and mango fruits using kernel-SVM classifiers. In 2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS) (pp. 122-126). IEEE. Haralick, R.M., Shanmugam, K., & Dinstein, I.H. (1973). Textural features for image classification. IEEE Transactions on systems, man, and cybernetics, 6, 610-621. Karimi, N., Kondrood, R.R., & Alizadeh, T. (2017). An intelligent system for quality measurement of Golden Bleached raisins using two comparative machine learning algorithms. Measurement, 107, 68-76. Khojastehnazhand, M., & Ramezani, H. (2020). Machine vision system for classification of bulk raisins using texture features. Journal of Food Engineering, 271, 109864. Mohammed, K. K., Darwish, A., & Hassenian, A. E. (2021). Artificial intelligent system for grape leaf diseases classification. In Artificial Intelligence for Sustainable Development: Theory, Practice and Future Applications (pp. 19-29). Springer, Cham. Ojala, T., Pietikainen, M., & Maenpaa, T. (2002). Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Transactions on pattern analysis and machine intelligence, 24(7), 971-987. Revathi, P., & Hemalatha, M. (2012). Advance computing enrichment evaluation of cotton leaf spot disease detection using image edge detection. In 2012 Third International Conference on Computing, Communication and Networking Technologies (ICCCNT'12) (pp. 1-5). IEEE. Sannakki, S.S., Rajpurohit, V.S., Nargund, V.B., & Kulkarni, P. (2013). Diagnosis and classification of grape leaf diseases using neural networks. In 2013 Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT) (pp. 1-5). IEEE. Scheck, H.J., Vasquez, S.J., Gubler, W.D., & Fogle, D. (1998a). First report of three Phaeoacremonium spp. causing young grapevine decline in California. Plant Disease, 82(5), 590-590. Scheck, H., Vasquez, S., Fogle, D., & Gubler, W. (1998b). Grape growers report losses to black-foot and grapevine decline. California Agriculture, 52(4), 19-23. Singh, J., & Kaur, H. (2018). A review on: Various techniques of plant leaf disease detection. In 2018 2nd International Conference on Inventive Systems and Control (ICISC) (pp. 232-238). IEEE. Ye, Q., Jia, J., Manawasinghe, I.S., Li, X., Zhang, W., Mugnai, L., & Yan, J. (2021). Fomitiporia punicata and Phaeoacremonium minimum associated with Esca complex of grapevine in China. Phytopathology Research, 3(1), 1-17. Zhang, C., Zou, K., & Pan, Y. (2020). A method of apple image segmentation based on color-texture fusion feature and machine learning. Agronomy, 10(7), 972. | ||
|
آمار تعداد مشاهده مقاله: 643 تعداد دریافت فایل اصل مقاله: 457 |
||