رهیافتی جدید به منظور تشخیص سه بیماری گیاه انگور (پوسیدگی سیاه، اسکای و لکه برگی) بر پایه پردازش تصاویر رنگی و یادگیری ماشین

مدیریت بیماری‌ها در گیاه انگور به یکی از مسائل اساسی تبدیل شده است که کشاورزان باید با آن روبرو شوند. بیماری‌ها می‌توانند تاثیر زیادی بر عملکرد و عمر این گیاه بگذارند. با افزایش فشارهای محیطی و تغییرات اقلیمی، نیاز به روش‌های نوین و هوشمند در مدیریت بیماری‌ها و آفات اجتناب‌ناپذیر شده است. با پیشرفت اخیر روش‌های هوش مصنوعی و فناوری‌های یادگیری ماشین، کاربرد بینایی ماشین و الگوریتم‌های یادگیری ماشینی برای شناسایی و طبقه‌بندی بیماری‌های انگور در حال توسعه است. در این پژوهش به منظور تشخیص و طبقه‌بندی برخی بیماری‌های برگ گیاه انگور با نام‌های پوسیدگی سیاه، اسکای (زوال) و لکه برگی، پس از حذف پس زمینه از تصاویر برگ‌ها و استخراج ویژگی‌های بافت، رنگ و شکل از تصاویر، از ترکیبی از طبقه‌بند ماشین بردار پشتیبان و الگوریتم بهینه‌سازی پروانه برای انتخاب مهم‌ترین ویژگی‌ها در تشخیص بیماری برگ گیاه انگور استفاده شد. نتایج صحت طبقه‌بندی برای بیماری‌های پوسیدگی سیاه، اسکای (زوال) و لکه برگی و برگ سالم به ترتیب 100، 100، 100 و 95 درصد و دقت طبقه‌بندی برای تشخیص کل گروه‌های بیمار و سالم 98.75 درصد به دست آمد. همچنین 15 ویژگی بافت، رنگ و شکل به کمک الگوریتم انتخاب ویژگی بهینه‌سازی پروانه به پژوهشگران بیماری شناسی گیاهی و علوم داده معرفی گردید. نتایج طبقه‌بندی نشان داد، استفاده از پردازش تصویر و یادگیری ماشین توانایی بالایی در تشخیص و طبقه‌بندی بیماری‌های گیاهی دارد.

a new approach to diagnose three grape plant diseases (black rot، black measles، and leaf bligh) based on color image processing and machine learning

disease management in grapevine has become one of the basic issues that farmers have to face. diseases can greatly affect the performance and life of this plant. with increasing environmental pressures and climate changes، the need for new and smart methods in managing diseases and pests has become inevitable. in this research، in order to diagnose and classify grape plant leaf diseases with the names black rot، black measles and leaf blight، after removing the background from the images of the leaves and extracting the features of texture، color and shape from the images، a combination of support vector machine classifier and butterfly optimization algorithm was used to select the most important features in the diagnosis of grape plant leaf disease. the results of the precision for black rot، black measles، and leaf blight diseases and healthy leaves were 100، 100، 100 and 95% respectively، and the classification accuracy for the diagnosis of the diseases and healthy group was 98.75%. also، 15 characteristics of texture، color and shape were introduced to the researchers of plant pathology and data science with the help of butterfly optimization feature selection algorithm. the classification results showed that the use of image processing and machine learning has a high ability to diagnose and classify plant diseases.