تشخيص بيماري هاي برگي درخت سيب با استفاده از تكنيك آناليز تصوير

Apple leaf diseases detection using image analysis techniques

بيماري هاي گياهي مي توانند باعث كاهش كيفيت و كميت محصولات كشاورزي شوند. در بعضي از كشورها، كشاورزان زمان قابل توجهي براي مشاوره با گيا ه پزشكان صرف مي كنند، در حاليكه زمان عامل مهم در كنترل بيماري مي باشد ؛ بنابر اين ارائه روشي آسان، سريع، ارزان و دقيق براي تشخيص بيماريهاي گياهي لازم به نظر ميرسد. در اين تحقيق، با استفاده از روش پردازش تصوير، سه اختلال درخت سيب )بيماري هاي لكه سياه سيب،آلترناريا و آفت مينوز( تشخيص داده مي شوند. پس از جمع آوري برگ هاي بيمار و انتقال آن ها به آزمايشگاه، تصاوير برگها تحت شرايط نور كنترل شده تهيه شده و سپس به كمك الگوريتم طراحي شده در نرم افزار MATLAB ابتدا نواحي بيماري روي برگ ها با استفاده از روش خوشه بندي k- ميانگين كلاسيك تشخيص و جداسازي شدند و سپس ويژگي هاي مربوط به رنگ و بافت تصوير نواحي بيماري استخراج شدند. در ادامه چهار مدل توسعه داده شد كه مدل اول شامل ويژگي هاي حاصل از ماتريس هم رويدادي، مدل دوم شامل ويژگي هاي رنگي، مدل سوم شامل ويژگي هاي استخراج شده از تبديل هاي موجك و فوريه و مدل چهارم شامل همه ويژگي ها بود و سپس با استفاده از شبكه عصبي مصنوعي ANN بيماريهاي گياهي طبقه بندي شدند. نتايج نشان داد كه شبكه عصبي مصنوعي به طور موفقيت آميزي توانست لكه هاي بيماري مشخص شده با روش خوشه بند k- ميانگين كلاسيك را با دقت 100% طبقه بندي كند.

Plant diseases cause significant reduction in quality and quantity of agricultural products. In some countries, farmers may have to spend considerable time to see the experts, whereas time is an important factor in controlling the diseases. Therefore; looking for a fast, automatic, inexpensive and accurate method to detect plant disease is important and it can provide significant benefits in monitoring large fields of crops, and thus it can provide detecting the symptoms of diseases automatically as soon as disease symptoms appear on plant leaves. In this study, three different apple diseases that appear on leaves (Alternaria, VentoriaInaequalis and Phyllonrycterturanica disasters) were chosen to be investigated via image processing technique. After sampling, infected leaves were transferred to the laboratory, then the images of leaves were captured under controlled light, and after that the algorithms were designed in MATLAB. For diagnosis, at first, disease region on leaves with using K-means clustering and fuzzy c-mean clustering were detected and then color and texture features were extracted. Four models were developed, which include co-occurrence matrix features, color features, extracted features of wavelet transform and Fourier transform, and the fourth model includes all the features. Artificial Neural network (ANN) was used for diseases classification. The results showed that the ANN was able to successfully Segment leaves with classical k-means clustering method with 100% accuracy