استفاده از یادگیری عمیق در تشخیص خودکار بیماری گیاهان بر اساس پردازش تصویر برگ

تشخیص سریع بیماری‌های گیاهان همواره از چالش‌های مهم صنعت کشاورزی بوده است. یکی از رویکردهایی که در این زمینه مورد استقبال واقع شده، استفاده از روش های پردازش تصویر است. مزیت این روش ها در خودکار، سریع، کم هزینه، غیرتخریبی و دقیق بودن آنهاست. در این پژوهش، با پردازش تصویر برگ گیاهانو محصولات کشاورزی، ضمن تشخیص گیاهان سالم از ناسالم، نوع و شدت بیماری آنها نیز به صورت خودکار تشخیص داده می شود. برای این کار از روش های مبتنی بر یادگیری عمیق شامل چندین معماری مختلف از شبکه های عصبی پیچشی به همراه دسته بند ماشین بردار پشتیباناستفاده شده است. روش پیشنهادی در این پژوهش قابل تعمیم به گیاهان و محصولات مختلف و همین‌طور به چندین گیاه به طور همزمان است. شبکه های طراحی شده با استفاده از دو زیر مجموعۀ متفاوت از تصاویر مجموعه داده  plant villageآموزش داده شد و مورد ارزیابی قرار گرفت. در زیر مجموعۀ اول که مربوط به تشخیص بیماری درخت سیب در چهار کلاس مختلف بود، دقت 95 درصد و در زیر مجموعۀ دوم که مربوط به چهار گیاه مختلف و در 10 دسته بود، دقت 96.8 درصد به دست آمد. نتایجِ ارزیابی نشان داد ترکیبِ دسته بند ماشین بردار پشتیبان با شبکه های یادگیری عمیق، دقت تشخیص بیماری گیاهان را بهبود می بخشد.

Plant Disease Detection by Image Processing of Their LeavesBased on DeepLearning

Rapid diagnosis of plant diseases has always been an important challenge for the agricultural industry. One of the approaches that has been welcomed in this field is the use of image processing methods. The advantage of these methods is that they are automatic, fast, low cost, nondestructive and accurate. In this article efforts were focuced on distinguishing automatically healthy plants from unhealthy ones and also diagnosing the types and severity of their disease, by processing the images of the leaves of plants and agricultural products. To do this, deep learningbased methods including several different architectures of convolutional neural networks were used along with a support vector machine classifier. The proposed method in this study can be generalized to different plants and products as well as several plants simultaneously. The designed networks were evaluated using two different subsets of Plant Village data sets. In the first subset, which was related to the diagnosis of apple tree disease in four different classes, the accuracy was 95%, and in the second subset, which was related to four different plants in ten classes, the accuracy was 96.8%. Evaluation results showed that combining the support vector machine classifier with deep learning networks improved plant disease detection accuracy.