تشخيص بيماري هاي برگي درخت بادام با استفاده از سيستم استنتاج عصبي - فازي تطبيقي

Almond leaf disease detection using Adaptive Neuro-Fuzzy Inference System

بيماري ها و آفات گياهي از بزرگترين معضلات بخش كشاورزي هستند كه باعث وارد شدن خسارات و كاهش كيفيت محصولات كشاورزي مي شوند. معمولا كارشناسان گياه پزشكي بيماري هاي گياهي را مستقيما با چشم تشخيص مي دهند، كه اين كار پرهزينه و زمانبر بوده و به نظارت مستمر كارشناسان گياه پزشكي نيازمند است. تشخيص خوكار بيماري هاي گياهي توسط تكنولوژي ماشين بينايي پژوهشي ضروري است كه مي تواند در طراحي سمپاش هوشمند و نظارت بر مزارع و باغات بزرگ كاربرد زيادي داشته باشد. در اين تحقيق، با استفاده از روش ماشين بينايي، سه اختلال درخت بادام شامل بيماري هاي لكه غربالي، لكه آجري و كمبود آهن تشخيص داده مي شوند. پس از جمع آوري برگهاي بيمار و انتقال آنها به آزمايشگاه، تصاوير برگها تحت شرايط نور كنترل شده تهيه شده و سپس به كمك دستور خوشه بند C ميانگين فازي و الگوريتم طراحي شده درمحيط نرم افزار MATLAB، ابتدا نواحي بيماري روي برگ ها تشخيص داده شدند و سپس ويژگي هاي بافتي و رنگي تصاوير استخراج شدند. در ادامه با استفاده از سيستم استنتاج عصبي-فازي تطبيقي (انفيس) بيماري هاي گياهي تفكيك شدند. نتايج نشان دادند كه در حالت كلي الگوريتم پيشنهادي قادر است بيماري هاي برگي را با دقت 96/66 درصد تشخيص و تفكيك نمايد.

Plant pathologists usually detect the diseases directly by their eye, which might be time consuming and also very expensive in large farms, however, this action requires continuous monitoring of the pathologists. Automatic disease detection using machine vision technique is essential research topic that can be very useful in Design of intelligent sprayer and monitoring of large farms. In this study three Almond disasters that appear on leaves (wilsonomyses, carpophilus, iron deficient) 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 fuzzy c-mean clustering was detected and then color and texture features were extracted. Adaptive neuro–fuzzy inference system (ANFIS) was used for diseases classification. The results showed that the ANFIS was able to successfully Segment leaves with fuzzy c-means clustering method with 96.66 % accuracy