تشخیص بیماریهای رایج گل‌ کلم با استفاده از پردازش تصویر و یادگیری عمیق

گل کلم یک سبزی بسیار سالم است که حاوی منبع مهمی از مواد مغذی است. گل کلم یک منبع عالی از ویتامین c،فولات، ویتامین k ، ویتامین های پیچیده b و ویتامین e است. گل کلم همچنین، حاوی ماده معدنی حیاتی، مانند:کلسیم، منیزیم، فسفر، پتاسیم، سدیم و آهن است که بدون اضافه کردن کلسترول، برای بدن مضر نمی باشند. آنتی اکسیدان ها و مواد مغذی گیاهی را فراهم می کند که می تواند در برابر سرطان محافظت کند. همچنین حاوی فیبر برای کاهش وزن و هضم غذا، کولین که برای یادگیری و حافظه ضروری است و بسیاری از مواد مغذی مهم دیگر است. عواملی همچون کمبود مواد مغذی، شرایط آب و هوایی و بیماری‌ها باعث می‌شود که رشد گل کلم همراه با مشکلاتی باشد. گل کلم حاوی بیماری های پاتولوژی گیاهی مختلفی است؛ اما روش سنتی برای شناسایی کلم های بیمار و جداسازی آنها خسته کننده و وقت گیر است بنابراین می توان با استفاده از تکنیک تصویربرداری و شبکه عصبی مصنوعی در کوتاهترین زمان ممکن آنها را شناسایی کرد. هدف از این تحقیق، طیقه بندی گل کلم به 4 گروه سالم، آلوده به کپک پودری، پوسیدگی سیاه و پوسیدگی نرم باکتریایی با استفاده از تکنیک پردازش تصویر و یادگیری عمیق lenet می باشد. ابتدا مجموع 655 تصویر رنگی شامل 4 کلاس مذکور تهیه شد. 70 درصد داده ها برای آموزش مدل در نظر گرفته شد. نتایج نشان داد که مدل توانست گل کلم های سالم، گل کلم های آلوده به پوسیدگی سیاه و کپک پودری تواستند با دقت 100 درصد شناسایی شوند. گل کلم های آلوده به پوسیدگی نرم باکتریایی تواستند با دقت 99 درصد شناسایی شدند.

diagnosis of common cauliflower diseases using image processing and deep learning

cauliflower is a very healthy vegetable that is an important source of nutrients that is naturally rich in fiber and b vitamins. it provides antioxidants and phytonutrients that can protect against cancer. it also contains fiber for weight loss and digestion, choline, which is essential for learning and memory, and many other important nutrients. factors such as lack of nutrients, weather conditions and diseases cause the growth of cauliflower to be accompanied by problems. cauliflower contains various plant pathology diseases; but the traditional method for identifying diseased cabbages and separating them is tedious and time-consuming, so they can be identified in the shortest possible time using imaging techniques and artificial neural networks. the purpose of this research is to categorize cauliflower into 4 healthy groups, infected with powdery mildew, black rot and bacterial soft rot using lenet image processing and deep learning techniques. first, a total of 655 color images including the mentioned 4 classes were prepared. 70% of the data was considered for model training. the results showed that the model was able to identify healthy cauliflowers, cauliflowers infected with black rot and powdery mildew with 100% accuracy. cauliflower infected with bacterial soft rot could be identified with 99% accuracy.