تشخیص زودرس بیماری گیاهان با استفاده از تکنیک‌ های پردازش تصویر و یادگیری ماشین

تشخیص زود هنگام بیماری گیاهان، امری موثر در جلوگیری به موقع از آفت‌زدگی آنهاست. در این پژوهش، با استفاده از پردازش تصاویر برگ و استخراج ویژگی‌های مختلف مانند رنگ، بافت و شکل، بیماری‌های گیاه با دقت مناسب تشخیص داده می‌شوند. به طور کلی بیماری گیاهان باعث تغییرات اساسی در رنگ و فرم ظاهری برگ آنان ‏می­شود. با ویژگی رنگ می­توان نوع بیماری گیاه را تشخیص داد. در این مقاله از ویژگی‌های ممان و گشتاور برای استخراج ویژگی رنگ از ‏برگ و از ویژگی‌های مساحت و ‏محیط برای تشخیص تغییر فرم آن استفاده شده است. در روش پیشنهادی، به منظور تقویت ویژگی­های مطرح شده، از ویژگی‌های بافتی از جمله الگوی دودویی محلی، ماتریس هم‌رخداد و الگوی رگبرگ‌ها نیز استفاده شده است. در نهایت برای جلوگیری از پیچیدگی و بیش برازش مدل، از روش انتخاب ویژگی ‏mrmr، برای ‏حذف ویژگی‌های غیر مفید استفاده شده است. پس از ایجاد مدل نهایی، نمونه‌های سالم و بیمار با استفاده از کلاس ‌بندهای جنگل تصادفی و ماشین بردار پشتیبان، دسته ‌بندی شده است. روش پیشنهادی روی ‏مجموعه داده ‏plantvillage‏ با 87867 نمونه ارزیابی شده است. میانگین دقت روش پیشنهادی در تشخیص بیماری 9 نمونه گیاه مختلف با کلاس ‌بندهای جنگل ‏تصادفی و ماشین بردار پشتیبان به ترتیب % 97.63 و % 94.98 است که بالاتر از روش‌های موجود بوده است.

early detection of plant diseases using image processing and machine learning techniques

early detection of plant diseases is crucial for timely prevention of pest infestation. in this paper plant diseases are accurately identified through image processing of leaves and extracting various features such as color, texture, and shape. generally, plant diseases cause significant changes in the color and appearance of leaves. the color feature can be used to determine the type of plant disease. this paper employs moment and hu moment features for extracting color characteristics from leaves, and area and perimeter features for detecting shape changes. to enhance the proposed features, additional texture features such as local binary pattern (lbp), co-occurrence matrix, and vein patterns are utilized. finally, to prevent model complexity and overfitting, the mrmr feature selection method is applied to eliminate irrelevant features. after developing the final model, healthy and diseased samples are classified using random forest and support vector machine (svm) classifiers. the proposed method has been evaluated on the plantvillage dataset with 87867 samples. the average accuracy of the proposed method in diagnosing diseases in 9 different plant samples using random forest and svm classifiers is 97.63% and 94.98%, respectively, which surpasses existing methods.