روش مبتنی بر پردازش تصویر به منظور تشخیص خودکار بیماری برگ درخت انگور

تشخیص سریع و پیشگیری از گسترش بیماری محصولات کشاورزی، می تواند تلفات مقابله با بیماری را به میزان قابل توجهی کاهش دهد. در این پژوهش، سامانه ای هوشمند بر مبنای پردازش تصویر برای تشخیص بیماری های برگ درخت انگور (Sultana - Vitis vinifera) ارایه گردیده است. بدین منظور، ویژگی های 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 مدل سازی ویژگی ها، 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 ویژگی های GLRM با متوسط دقت 70/89% بهترین عملکرد را از خود نشان داد. همچنین نتایج نشان دادند، استفاده از تمام ویژگی های استخراج یافته به صورت بردار ویژگی واحد، افزایش دقت دسته بندی را به دنبال دارد. مدل SVM و ANN با استفاده از تمام ویژگی ها بترتیب برای داده های آموزشی دقت 10/91%، 04/95 % و برای داده های آزمون میزان دقت 93/89% و 75/91% را نتیجه دادند. در نهایت، با استفاده از الگوریتم کلونی زنبور ژنتیکی (GBC) و کاهش تعداد ویژگی ها به 34 و 46 به ترتیب برای مدل های 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 می باشد. روش پیشنهادی در تشخیص بیماری های برگ انگور کارآمد ارزیابی شد.