عنوان

تشخیص بیماری گیاهی با استفاده از پردازش تصویر

Number

‭۲۰۶۸۲پ‬

.Language of Text, Soundtrack etc

per

Title Proper

تشخیص بیماری گیاهی با استفاده از پردازش تصویر

First Statement of Responsibility

/سمیه رسولی

Name of Publisher, Distributor, etc.

: مهندسی برق و کامپیوتر

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۷‬

Name of Manufacturer

، راشدی

Specific Material Designation and Extent of Item

‮‭۸۶‬ص‬

Text of Note

چاپی - الکترونیکی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

علوم کامپیوتر گرایش سیستم‌های کامپیوتری

Date of degree

‮‭۱۳۹۷/۱۱/۱۵‬

Body granting the degree

تبریز

Text of Note

بیماری‌های گیاهی می‌توانند باعث کاهش کیفیت و کمیت محصولات کشاورزی شوند .کشاورزان ممکن است مجبور به طی کردن فاصله‌های طولانی برای تماس با کارشناسان شوند که این باعث بیش از حد گران و وقت‌گیر شدن کارشناسی و مشاوره می‌شود .تشخیص بیماری‌ها به وسیله متخصصان گیاه پزشکی امری زمان‌بر و گاهی اوقات پرهزینه و مشکل است لذا جهت ارائه روشی سریع و دقیق برای تشخیص بیماری‌های گیاهی، تصویر برگ باید از طریق سلسله فرایندهای پیش پردازش، قطعه‌بندی، استخراج ویژگی‌ها و طبقه‌بندی، بررسی و مورد پردازش واقع شود .در این رساله،با استفاده از روش پردازش تصویر، بیماری‌های لکه سیاه و سفیدک در برگ درختان سیب و نیز لکه غربالی و سفیدک در درختان شلیل و هلو تشخیص داده می‌شوند .تصاویر، پس از جمع‌آوری برگ‌های بیمار و قرار دادن آن‌ها درون یک جعبه سیاه با شرایط نور کنترلی تهیه شده و سپس به کمک الگوریتم طراحی شده در نرم‌افزار متلب، ابتدا تصاویر تکه تکه شده و هر تصویر ‮‭RGB‬ به فضای‮‭*a* L‬ ‮‭b‬تغییر می‌کند .ویژگی‌های مربوط به بافت و هیستوگرام تصویر استخراج شده و سپس با استفاده از الگوریتم‮‭means - k‬ویژگی‌ها به ‮‭۲۰‬ خوشه تقسیم‌بندی شده‌اند .در ادامه بیماری‌ها به کمک الگوریتم ماشین بردار پشتیبانی چند کلاسه به چهار هسته‮‭RBF‬ ، گاوسی، چند جمله‌ای و خطی طبقه‌بندی و تشخیص داده شدند .با پیش کشیدن مرحله‌ی استخراج ویژگی قبل از مرحله‌ی تقسیم‌بندی توانستیم دقت را تا حدود زیادی بالا ببریم .نتایج نشان داد که هسته‌های ‮‭RBF‬و گاوسی با دقت یکسان ‮‭۹۹.۸۰‬ درصد، هسته چند جمله‌ای با دقت ‮‭۵۴.۷۳‬ درصد و هسته خطی با دقت ‮‭۸۲.۷۰‬ درصد بیماری‌ها را طبقه‌بندی کردند

Text of Note

Plant diseases can reduce the quality and quantity of agricultural crops. Farmers may have to go through long intervals to contact experts, which is too expensive and time-consuming, expert and advisory. Diseases diagnosis by plant pathology experts is time-consuming and sometimes expensive and challenging; Therefore, providing a quick and accurate method for detection of plant diseases, the image of the leaf should be investigated through a series of preprocessing, segmentation, feature extraction, and classification. In this thesis, using the image processing method, anthracnose and powdery mildew disease in the leaves of apple trees, as well as powdery mildew and the shot hole in disease in the leaves of nectarines and peaches are detected. The images were collected after collecting the leaves of the patient and placing them in a black box with control light conditions and then using the algorithm designed in MATLAB software. First, the images are fragmented and each RGB image changes to L*a*b space. Texture and histogram properties of the image extracted, Then, by using the k-means algorithm, the attributes divided into 20 clusters. In the sequel, the diseases classified in four kernels of RBF, Gaussian, polynomial and linear kernels by using multi-class SVM algorithm. By elaborating a feature extraction step before the segmentation step, we were able to increase the accuracy. The results showed that RBF and Gaussian kernels with the same accuracy of 99.80, classified the polynomial kernel with the accuracy of 54.73, and linear kernel with the accuracy of 82.70 of the disease

رسولی، سمیه

Public note

سیاه و سفید

نمایه‌سازی قبلی