سجاد نصیری - گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه بناب، بناب، ایران
مصطفی خجسته نژند - گروه مهندسی مکانیک، دانشکده فنی و مهندسی، دانشگاه بناب، بناب، ایران

تشخیص سریع و پیشگیری از گسترش بیماری­ محصولات کشاورزی، می­تواند تلفات مقابله با بیماری را به میزان قابل توجهی کاهش دهد. در این پژوهش، سامانه­ای هوشمند بر مبنای پردازش تصویر برای تشخیص بیماری­های برگ درخت انگور (Sultana - Vitis vinifera) ارائه گردیده است. بدین منظور، ویژگی­های مختلف بافت تصویر از هیستوگرام سطح خاکستری (GLH)، ماتریس هم­-رخداد سطح خاکستری (GLCM)، ماتریس طول بردار سطح خاکستری (GLRM) و الگوی دودویی محلی (LBP) استخراج شد. برای مدل­سازی ویژگی­ها، از دو مدل شبکه عصبی (ANN) و ماشین بردار پشتیبان (SVM) استفاده شد. پایگاه داده­ مورد استفاده، متشکل از ۴۰۶۲ تصویر، شامل برگ سالم، مبتلا به پوسیدگی سیاه، اسکا و لکه ایزاریوپسیس است. نتایج نشان دادند که مدل SVM با استفاده از ویژگی­های GLRM با متوسط دقت ۷۰/۸۹% بهترین عملکرد را از خود نشان داد. همچنین نتایج نشان دادند، استفاده از تمام ویژگی­های استخراج یافته به صورت بردار ویژگی واحد، افزایش دقت دسته­بندی را به دنبال دارد. مدل SVM و ANN با استفاده از تمام ویژگی­ها بترتیب برای داده­های آموزشی دقت ۱۰/۹۱%، ۰۴/۹۵ % و برای داده­های آزمون میزان دقت ۹۳/۸۹% و ۷۵/۹۱% را نتیجه دادند. در نهایت، با استفاده از الگوریتم کلونی زنبور ژنتیکی (GBC) و کاهش تعداد ویژگی­ها به ۳۴ و ۴۶ به ترتیب برای مدل­های ANN و  SVM میانگین دقت ۲۰/۹۷% و ۱۰/۹۴% برای آموزش و آزمون مدل ANN و ۰۱/۹۳% و ۳۳/۹۲% برای آموزش و آزمون مدل SVM به دست آمد که نشان دهنده بهبود نتایج توسط الگوریتم GBC می­باشد. روش پیشنهادی در تشخیص بیماری­های برگ انگور کارآمد ارزیابی شد.

یادگیری ماشین, تحلیل بافت تصویر, پوسیدگی سیاه انگور, اسکای انگور, لکه ایزاریوپسیس