مصطفی خجسته نژند

بیماری و آفت هر گیاهی بعنوان یک عامل اصلی و تاثیرگذار در کیفیت و کمیت محصول تولیدی است. روش های 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 می شود که باعث تشخیص سریع و کنترل بیماری خواهد شد و در پی آن کاهش هزینه های نظارت در سطح وسیع را در پی خواهد داشت. در این پژوهش، از یادگیری ماشین بر مبنای ویژگی های بافت هیستوگرام سطح خاکستری (GLH)، ماتریس هم-رخداد سطح خاکستری (GLCM)، ماتریس طول بردار سطح خاکستری (GLRM) و الگوی دودویی محلی (LBP) برای تشخیص بیماری های پوسیدگی سیاه، خال زدگی و لکه سیاه برگ درخت سیب استفاده شد. با قطعه بندی تصاویر بوسیله روش Kmeans، مدل های طبقه بند کننده درخت تصمیم (D-Tree)، K-نزدیک ترین همسایگی (KNN)، آنالیز تفکیک خطی (LDA)، ماشین بردار پشتیبان (SVM) و شبکه عصبی (ANN) بر اساس ویژگی های استخراج شده از بافت تصاویر نمونه ها در دو مرحله آموزش و آزمون مدل ها بکار گرفته شدند. مقایسه نتایج داده های آزمون نشان داد؛ مدل درخت تصمیم با دقت 42/84 درصد و مدل شبکه عصبی با دقتی برابر با 30/93 درصد بترتیب پایین ترین و بالاترین عملکرد را در بین سایر روش ها داشتند. K-نزدیک ترین همسایگی، ماشین بردار پشتیبان و آنالیز تفکیک خطی نیز به ترتیب 30/87، 33/91 و 62/92 درصد از تصاویر آزمون را بدرستی دسته بندی کردند. نتایج نشان داد، می توان از روش پردازش تصویر برای تشخیص سریع آفت های موجود در برگ درخت سیب استفاده نمود.