طبقهبندی بیماریهای قارچی گیاه جو به کمک روشهای پردازش تصویر و هوش مصنوعی
پذیرفته شده برای پوستر
کد مقاله : 1913-25IPPC (R1)
نویسندگان
1گروه گیاهپزشکی، دانشکده تولید گیاهی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
2گروه گیاهپزشکی، دانشکده تولید گیاهی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
3گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه تربیت مدرس، تهران، ایران
4گروه مهندسی مکانیک بیوسیستم، دانشکده مهندسی آب و خاک، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
چکیده
جو یکی از چهار محصول عمده تولید شده در سراسر جهان است. عوامل بیماریزای گیاهی به عنوان منفیترین محدودیت در تولید جهانی جو در نظر گرفته میشوند. این بیمارگرها قادرند مناطق سبز برگها را از بین ببرند و توانایی گیاه را برای تشکیل و پرکردن بذر محدود کنند. گونههای Rhynchosporium commune و Pyrenophora teres از مهمترین عوامل بیماریزای جو هستند. پیشرفتهای اخیر درفناوری کشاورزی، تقاضا برای توسعه روشهای تشخیص غیرمخرب بیماریها را افزایش داده است. امروزه ابزارهای کامپیوتری مبتنی بر پردازش تصویر و هوش مصنوعی در کشاورزی برای نظارت بر رشد محصول توسعه یافته است. برخی از کاربردهای این ابزارها عبارتند از ارزیابی کمبود مواد مغذی در مراحل رشد گیاهان، پایش تنش آب، ردیابی فرآیند رشد، تشخیص آفات، تجزیه و تحلیل اثرات زیست محیطی، و همچنین تشخیص بیماریهای گیاهی. در این تحقیق به منظور تشخیص و طبقهبندی دو قارچ R. commune و P. teres از پردازش تصویر و ابزارهای هوش مصنوعی استفاده شد. برای این منظور از یک پایگاه داده شامل 1000 تصویر برگ گیاه جو سالم و 2000 تصویر مربوط به گیاهان آلوده به بیماری قارچی استفاده شد. برای پیادهسازی الگوریتم شناسایی بیماری یک برنامه در محیط برنامهنویسی MATLAB آماده شد. در الگوریتم شناسایی بیماری، پس از جداسازی ناحیه بیماری از تصاویر برگهای بیمار گیاه جو، ویژگیهای بافت تصویر، شکل و رنگ از آن استخراج شد. این ویژگیها مهمترین ویژگیها در استخراج اطلاعات از تصاویر مربوط به محصولات کشاورزی محسوب میشوند. سپس، به کمک ترکیب روش طبقهبندی جنگل تصادفی با الگوریتم فرا ابتکاری گرگ خاکستری برای بهینهسازی هایپرپارامترهای جنگل تصادفی به تشخیص و طبقهبندی بیماریها و معرفی مؤثرترین ویژگیهای تصویر در شناسایی بیماریها پرداخته شد. دقت تشخیص و طبقهبندی بیماریها با الگوریتم پیشنهادی به ترتیب برابر با 33/91 و 50/90 درصد برای دو بیماری قارچی مورد مطالعه بود. همچنین نتایج انتخاب ویژگی نشان داد ویژگیهای بافت تصویر تأثیر بسیار بیشتری نسبت به سایر ویژگیهای استخراج شده در تشخیص این دو بیماری قارچی دارند.
کلیدواژه ها
Title
Classification of barley plant fungal diseases using image processing and artificial intelligence
Authors
Nooshin Derakhshan, Kamran Rahnama, seyed mohamad javidan, Keyvan Asefpour vakilian
Abstract
Barley is one of the four major crops produced worldwide. Plant pathogens are considered the most significant limitation in global barley production. These pathogens can destroy the green areas of the leaves and limit the ability of the plant to form and fill seeds. Rhynchosporium commune and Pyrenophora teres are among the most important pathogens of barley. Recent advances in agricultural technology have increased the demand for the development of non-destructive disease detection methods. Today, computer tools based on image processing and artificial intelligence have been developed in agriculture to monitor crop growth. Some applications of these tools include nutrient deficiency assessment during plant growth stages, water stress monitoring, growth process tracking, pest detection, environmental impact analysis, and plant disease diagnosis. In this study, image processing and artificial intelligence were used to diagnose and classify two pathogens R. commune and P. teres. For this purpose, a dataset consisting of 1000 images of healthy barley leaves and 2000 images of plants infected with fungal disease was used. To implement the disease detection algorithm, a program was prepared in the MATLAB programming environment. In the disease identification algorithm, after separating the diseased area from the images of barley leaves, image texture, shape, and color features were extracted. These features are considered essential for extracting information from images of agricultural products. Then, by combining the random forest classification method with the meta-heuristic gray wolf algorithm to optimize the hyperparameters of the random forest, diseases were diagnosed and classified and the most effective image features were identified. The accuracy of diagnosing and classifying diseases with the proposed algorithm was equal to 91.33 and 90.50% for the two studied fungal diseases, respectively. Also, the feature selection results showed that image texture features have a much greater effect than other extracted features in the diagnosis of the two fungal diseases.
Keywords
Disease diagnosis, feature selection, image texture features, optimization algorithm, Random forest