سامانه‌ تشخیص بیماری قارچی سفیدک پودری و آنتراکنوز برگ خیار با تکنیک پردازش تصویر و شبکه عصبی مصنوعی

نوع مقاله : علمی پژوهشی-فارسی

نویسندگان

1 موسسه آموزش عالی علمی کاربردی جهادکشاورزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

2 استادیار ، گروه مکانیک بیوسیستم، واحد تاکستان، دانشگاه آزاد اسلامی، تاکستان، ایران

3 دانشیار، گـروه گیاهپزشکی، واحد تاکستان، دانشگاه آزاد اسلامی، تاکستان، ایران

چکیده

بیماری‌های گیاهی می‌تواند باعث کاهش کیفیت و کمیت محصولات کشاورزی شوند. در بعضی از کشورها کشاورزان زمان قابل توجهی را صرف مشاوره با گیاه‌پزشکان ‌می‌کنند در حالیکه زمان عاملی مهم در کنترل بیماری می‌باشد، به همین دلیل ارائه روشی سریع، ارزان و دقیق برای تشخیص بیماری‌های گیاهی لازم به نظر می‌رسد. با توجه به اینکه بیماری‌های قارچی‌ سفیدک پودری و آنتراکنوز بیشترین میزان خسارت را در گلخانه‌های خیار بوجود می‌آورند، در این پژوهش با استفاده از دانش پردازش تصویر و شبکه عصبی به تشخیص و طبقه‌بندی دو بیماری قارچی مذکور پرداخته شد. مراحل پردازش تصویر شامل چهار قسمت اصلی: 1) جمع‌آوری تصاویر،2) پیش‌پردازش، 3) بررسی تصاویر تصحیل شده در دو فضای رنگی HSV و L*a*b* و انتخاب بهترین مولفه رنگی بمنظور طبقه‌بندی و استخراج نواحی آسیب دیده برگ، 4) استخراج خواص بافت نواحی آلوده سطح برگ با استفاده از ماتریس هم‌وقوعی است. از آنجایی که دو فاکتور دقت و زمان در تشخیص و طبقه‌بندی بیماری گیاهان حائز اهمیت است لذا شبکه عصبی مصنوعی (ANN) با الگوریتم پس انتشار خطا و تابع آموزشی لونبرگ مارکورات (LM) به عنوان بهترین مدل انتخاب گردید که بطور موفقیت آمیزی قادر به تشخیص، طبقه‌بندی این دو بیماری در مدت زمان 6 ثانیه و با دقت 99/96 درصد شد.

کلیدواژه‌ها


عنوان مقاله [English]

A recognition system to detect Powdery Mildew and Anthracnose fungal disease of cucumber leaf using image processing and artificial neural networks technique

نویسندگان [English]

  • Hadi Hosseini 1
  • Davood mohmmadzamani 2
  • Abbas Arbab 3
1 Institute of Technical and Vocational Higher Education, Agriculture Jihad-Agriculture Research, Education and Extension Organization (AREEO),Tehran, Iran.
2 Assistant Professor, Department of Biosystems Engineering, Takestan branch, Islamic Azad University, Takestan, Iran
3 Associate Professors, Department of Plant Protection, Takestan branch, Islamic Azad University, Takestan, Iran
چکیده [English]

Plant disease can cause quality and quantity reduction of agriculture crops. In some countries farmers spend considerable time to consult with plant pathologists, whereas time is an important factor to control disease, so it seems to offer a fast, cheap and accurate method to detect plant diseases. Since the fungal disease named ‘Powdery Mildew’ and ‘Anthracnose’ cause the greatest amount of damage in cucumber produced in greenhouses, thus in this research the mentioned two fungal disease detection and classification were studied using image processing and neural networks technique. Image processing steps includes four main steps: 1) Image acquisition 2) preprocessing 3) extraction of the best color parameters of HSV and L*a*b* color spaces in order to classify and extract defected area of the leaf and 4) extraction of textural properties of defected area of cucumber leaf using co-occurrence matrix. Since, two factors of accuracy and time are important in detection and classification of plant disease, thus artificial neural networks (ANN) with back propagation algorithm (BP) and Levenberg-Marquardt (LM) training function was selected as the best model that was able to successfully detect and classify mentioned plant diseases in 6 seconds with 99.96% accuracy.

کلیدواژه‌ها [English]

  • Powdery mildew
  • Anthracnose
  • feature extraction
  • Artificial neural network
  • Co-occurrence matrix