تشخیص بیماری بلاست گیاه برنج در شرایط محیطی مختلف با استفاده از تکنیک پردازش تصویر

هدف از این تحقیق ارزیابی تکنیک پردازش تصویر در تشخیص بیماری بلاست گیاه برنج در شرایط مزرعه ای و کنترل شده می باشد. با استفاده از نرم افزار matlab، تصاویر تهیه شده از شرایط مزرعه ای و کنترل شده، در سه فضای رنگی rgb، hsi و lab پردازش شدند. پس از حذف پس زمینه در فضاهای رنگی rgb، hsi و lab به تشخیص لکه های بیماری روی برگ گیاه برنج پرداخته شد. در فضای رنگی rgb با استفاده از تفریق آرایه ها بصورت آزمون و خطا لکه های بلاست روی برگ از بقیه پیکسل های تصویر تفکیک شد. در فضای رنگی hsi از hue استفاده شد؛ چون این مولفه مستقل از تغییرات شدت نور بود، شناسایی لکه بلاست نسبت به مولفه های s و i  با دقت بالاتری انجام شد. در فضای رنگی lab از الگوریتم خوشه بندی kmeans برای بخش بندی تصاویر در سه خوشه استفاده گردید و پس از برچسب گذاری تصویر لکه های بیماری بلاست در یک خوشه مستقل نمایش داده شد. در پایان جهت تعیین میزان کارایی الگوریتم های طراحی شده در سه فضای رنگی، فاکتور حساسیت، ویژگی و دقت کل بر اساس ماتریس اغتشاش برای 500 نمونه تصویر تست شد. در شرایط مزرعه ای و کنترل شده، بالاترین دقت در تشخیص لکه بلاست در فضای رنگی lab حاصل شد که به ترتیب 94 و 98 درصد بود. به طورکلی نتایج به دست آمده نشان داد که روش پردازش تصویر می تواند برای تشخیص بیماری بلاست گیاه برنج بکار رود.

Diagnosis of Rice Blast Disease in Different Environmental Conditions using Image Processing Technique

The purpose of this study was to evaluate the image processing technique in rice blast disease detection in field and controlled conditions. Using MATLAB software, images taken from field and controlled conditions were processed in three RGB, HSI and LAB color spaces. Then it was extracted by the gray area intensity profile, color properties, and threshold value for background image removal. After removing background in RGB, HSI and LAB color spaces, disease spots on rice leaf were determined. In RGB color space, by subtracting arrays by test and error, the blast patches on the leaf were separated from the rest of the image pixels. Hue was used in the HSI color space because this component was independent of light intensity variations, so blast blot identification was performed more accurately than the S and I components. In the LAB color space, the Kmeans clustering algorithm was used to segment the images into three clusters and was displayed in an independent cluster after labeling the image of blast disease spots. Finally, in order to determine the performance of the algorithms designed in three color spaces, the sensitivity factor, specificity and total accuracy were tested on the basis of the perturbation matrix for 500 image samples. In field and controlled conditions, the highest accuracy in detecting blast blots in the LAB color space was 94% and 98%, respectively. Overall, the results showed that the image processing method can be used to detect rice blast disease.