سیزدهمین کنگره ملی مکانیک بیوسیستم و مکانیزاسیون ایران (مکانیک بیوسیستم 1400)
عنوان فارسی تشخیص بیماری های درخت سیب با بهره گیری از روش های تحلیل بافت و یادگیری ماشین
چکیده فارسی مقاله بیماری و آفت هر گیاهی بعنوان یک عامل اصلی و تاثیرگذار در کیفیت و کمیت محصول تولیدی است. روش­های مرسوم تشخیص این آفتها براساس روش سنتی استفاده از فرد خبره است که مشکلات خاص خود را دارد. برای حل این مشکلات از روش خودکار و غیر مخرب بینایی ماشین استفاده می­شود که باعث تشخیص سریع و کنترل بیماری­ خواهد شد و در پی آن کاهش هزینه­های نظارت در سطح وسیع را در پی خواهد داشت. در این پژوهش، از یادگیری ماشین بر مبنای ویژگی­های بافت هیستوگرام سطح خاکستری (GLH)، ماتریس هم-رخداد سطح خاکستری (GLCM)، ماتریس طول بردار سطح خاکستری (GLRM) و الگوی دودویی محلی (LBP) برای تشخیص بیماری­های پوسیدگی سیاه، خال­زدگی و لکه سیاه برگ درخت سیب استفاده شد. با قطعه­بندی تصاویر بوسیله روش Kmeans، مدل­های طبقه­بند کننده درخت تصمیم (D-Tree)، K-نزدیک­ترین همسایگی (KNN)، آنالیز تفکیک خطی (LDA)، ماشین بردار پشتیبان (SVM) و شبکه عصبی (ANN) بر اساس ویژگی­های استخراج شده از بافت تصاویر نمونه­ها در دو مرحله آموزش و آزمون مدل­ها بکار گرفته شدند. مقایسه نتایج داده­های آزمون نشان داد؛ مدل درخت تصمیم با دقت 42/84 درصد و مدل شبکه عصبی با دقتی برابر با 30/93 درصد بترتیب پایین­ترین و بالاترین عملکرد را در بین سایر روش­ها داشتند. K-نزدیک­ترین همسایگی، ماشین بردار پشتیبان و آنالیز تفکیک خطی نیز به ترتیب 30/87، 33/91 و 62/92 درصد از تصاویر آزمون را بدرستی دسته­بندی کردند. نتایج نشان داد، می­توان از روش پردازش تصویر برای تشخیص سریع آفت­های موجود در برگ درخت سیب استفاده نمود.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Apple Tree Diseases Detection Using Texture Analysis and Machine Learning Methods
چکیده انگلیسی مقاله Disease and pest of each plant is a major and influential factor in the quality and quantity of the product. Conventional methods of diagnosing these pests are based on the traditional method of using an expert who has his own problems. To solve these problems, the automated and non-destructive method of machine vision is used, which will cause rapid detection and control of the disease, and consequently reduce the costs of large-scale monitoring. In this study, machine learning based on texture features of Gray Level Histogram (GLH), Gray Level Co-occurrence Matrix (GLCM), Gray Level Run length Matrix (GLRM) and Local Binary Pattern (LBP) algorithms were used to detect apple leaves diseases such as black rot, rust and scab. By segmentation of images using kmeans method, Decision Tree (D-Tree), K-Nearest Neighborhood (KNN), Linear Discrimination Analysis (LDA), Support Vector Machine (SVM) and Artificial Neural Network (ANN) models were used in two stages of training and testing modes. The test data results shows that the decision tree model with 84.42% accuracy and the ANN model with accuracy of 93.30 had the lowest and highest performance among other methods, respectively. KNN, SVM and LDA models also correctly classified 87.30, 91.33 and 92.62% of the test images, respectively. The results showed that image processing method could be used to quickly detect pests in apple tree leaves.
کلیدواژه‌های انگلیسی مقاله پوسیدگی سیاه سیب, خال‌زدگی سیب, لکه سیاه سیب, بافت, پردازش تصویر, یادگیری ماشین
نویسندگان مقاله Sajjad nasiri - University of Bonab

Mostafa Khojastehnazhand - University of Bonab

نشانی اینترنتی http://ncame1400.modares.ac.ir/browse.php?a_code=A-10-93-2&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   دوره مرتبط   |   کنفرانس مرتبط   |   فهرست کنفرانس ها