| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,980 |
| تعداد مقالات | 33,446 |
| تعداد مشاهده مقاله | 43,912,030 |
| تعداد دریافت فایل اصل مقاله | 20,410,984 |
استفاده از یادگیری عمیق در تشخیص خودکار بیماری گیاهان بر اساس پردازش تصویر برگ | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقاله 5، دوره 21، شماره 76، دی 1399، صفحه 49-68 اصل مقاله (1.44 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/erams.2020.341617.1338 | ||
| نویسندگان | ||
| رویا راد* 1؛ محمد موسوی2؛ فاطمه وردی3 | ||
| 1استادیار گروه مهندسی کامپیوتر و IT، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی ، واحد پرند، استان تهران، ایران | ||
| 2کارشناسی ارشد، گروه مهندسی کامپیوتر و IT، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی ، واحد پرند | ||
| 3استادیار، گروه مهندسی کامپیوتر و IT، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی، واحد پرند | ||
| چکیده | ||
| تشخیص سریع بیماری‌های گیاهان همواره از چالش‌های مهم صنعت کشاورزی بوده است. یکی از رویکردهایی که در این زمینه مورد استقبال واقع شده، استفاده از روشهای پردازش تصویر است. مزیت این روشها در خودکار، سریع، کمهزینه، غیرتخریبی و دقیق بودن آنهاست. در این پژوهش، با پردازش تصویر برگ گیاهانو محصولات کشاورزی، ضمن تشخیص گیاهان سالم از ناسالم، نوع و شدت بیماری آنها نیز به صورت خودکار تشخیص داده میشود. برای این کار از روشهای مبتنی بر یادگیری عمیق شامل چندین معماری مختلف از شبکههای عصبی پیچشی به همراه دستهبند ماشین بردار پشتیباناستفاده شده است. روش پیشنهادی در این پژوهش قابل تعمیم به گیاهان و محصولات مختلف و همین‌طور به چندین گیاه به طور همزمان است. شبکههای طراحی شده با استفاده از دو زیرمجموعۀ متفاوت از تصاویر مجموعه داده Plant Villageآموزش داده شد و مورد ارزیابی قرار گرفت. در زیرمجموعۀ اول که مربوط به تشخیص بیماری درخت سیب در چهار کلاس مختلف بود، دقت 95 درصد و در زیرمجموعۀ دوم که مربوط به چهار گیاه مختلف و در 10 دسته بود، دقت 8/96 درصد به دست آمد. نتایجِ ارزیابی نشان داد ترکیبِ دستهبند ماشین بردار پشتیبان با شبکههای یادگیری عمیق، دقت تشخیص بیماری گیاهان را بهبود میبخشد. | ||
| کلیدواژه‌ها | ||
| دسته‌بندی؛ سامانه‌های کشاورزی؛ شبکههای عصبی پیچشی؛ یادگیری ژرف | ||
| عنوان مقاله [English] | ||
| Plant Disease Detection by Image Processing of Their Leaves Based on Deep-Learning | ||
| نویسندگان [English] | ||
| roya rad1؛ mohammad musavi2؛ fatemeh vardi3 | ||
| 1Assistant Professor, Computer Engineering and IT Group, Department of Technical Engineering, Islamic Azad University, Parand Branch,Tehran, Iran. | ||
| 2M. Sc. of, Computer Engineering and IT Group, Department of Technical Engineering, Islamic Azad University, Parand Branch | ||
| 3Computer Engineering and IT Group, Department of Technical Engineering, Islamic Azad University, Parand Branch | ||
| چکیده [English] | ||
| Rapid diagnosis of plant diseases has always been an important challenge for the agricultural industry. One of the approaches that has been welcomed in this field is the use of image processing methods. The advantage of these methods is that they are automatic, fast, low cost, non-destructive and accurate. In this article efforts were focuced on distinguishing automatically healthy plants from unhealthy ones and also diagnosing the types and severity of their disease, by processing the images of the leaves of plants and agricultural products. To do this, deep learning-based methods including several different architectures of convolutional neural networks were used along with a support vector machine classifier. The proposed method in this study can be generalized to different plants and products as well as several plants simultaneously. The designed networks were evaluated using two different subsets of Plant Village data sets. In the first subset, which was related to the diagnosis of apple tree disease in four different classes, the accuracy was 95%, and in the second subset, which was related to four different plants in ten classes, the accuracy was 96.8%. Evaluation results showed that combining the support vector machine classifier with deep learning networks improved plant disease detection accuracy. | ||
| کلیدواژه‌ها [English] | ||
| Convolutional Neural Networks, Deep Learning, Image Classification, Mechanized Agricultural Systems, Plant Disease Diagnose | ||
| مراجع | ||
|
Chuanlei, Z., Shanwen, Z., Jucheng, Y., Yancui, S., & Jia, C. (2017). Apple leaf disease identification using genetic algorithm and correlation based feature selection method. International Journal of Agricultural and Biological Engineering, 10(2), 74-83.
Cruz, A., Ampatzidis, Y., Pierro, R., Materazzi, A., Panattoni, A., De Bellis, L., & Luvisi, A. (2019). Detection of grapevine yellows symptoms in Vitis vinifera L. with artificial intelligence. Computers and Electronics in Agriculture, 157, 63-76.
Durmuş, H., Güneş, E. O., & Kırcı, M. (2017). Disease detection on the leaves of the tomato plants by using deep learning.Disease detection on the leaves of the tomato plants by using deep learning.Proceedings of the 6thInternational Conference on Agro-Geoinformatics. Aug. 7-10. Virginia, USA.
Ghasemi Varjani, Z., Mohtesabi, S. S., Ghasemi, H., & Omrani, I. (2018). Development of a new hybrid system to detect apple tree leaf diseases. Iranian Biosystems Engineering, 49(2), 215-225. (in Persian)
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. June 26 July 1. Las Vegas, NV, USA.
Hosseini, H., Mohammad Zamani, D., & Master, A. (2018). Detection System for Sefidak Poudri Fungal Disease and Anthracnose Cucumber Leaf by Image Processing Technique and Artificial Neural Network. Plant Protection (Scientific Journal of Agriculture), 40(4), 15-28. (in Persian)
Islam, M., Dinh, A., Wahid, K., & Bhowmik, P. (2017). Detection of potato diseases using image segmentation and multiclass support vector machine.Proceedings of the 30thCanadian Conference on Electrical and Computer Engineering (CCECE). April 30-May 3. Windsor, Canada.
Liu, B., Zhang, Y., He, D., & Li, Y. (2018). Identification of apple leaf diseases based on deep convolutional neural networks. Symmetry, 10(1), 11. https://doi.org/10.3390/sym10010011.
Liu, W., Wang, Z., Liu, X., Zeng, N., Liu, Y., & Alsaadi, F. E. (2017). A survey of deep neural network architectures and their applications. Neurocomputing, 234, 11-26.
Ng, P. C., & Henikoff, S. (2003). SIFT: Predicting amino acid changes that affect protein function. NucleicAcids Research, 31(13), 3812-3814.
O'Shea, K., & Nash, R. (2015). An introduction to convolutional neural networks. arXiv Preprint arXiv:1511.08458.
Oboudi, M. (2015). Diagnosis of cucumber mosaic virus symptoms by image processing.(M. Sc. Thesis), Isfahan University of Technology, Faculty of Agriculture, Isfahan, Iran. (in Persian)
Peyman, S. H., BakhshiPour, A., & Jaafari, A. A. (2016). Feasibility of applying digital image processing method to detect rice leaf surface diseases. Agricultural Machinery, 6(1), 69-79. (in Persian)
Shin, H. C., Roth, H. R., Gao, M., Lu, L., Xu, Z., Nogues, I., Yao, J., Mollura, D., & Summers, R. M. (2016). Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning. IEEE Transactions on MedicalImaging, 35(5), 1285-1298.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv Preprint arXiv:1409.1556.
Suryawati, E., Sustika, R., Yuwana, R. S., Subekti, A., & Pardede, H. F. (2018). Deep Structured Convolutional Neural Network for Tomato Diseases Detection.Proceedings of the International Conference on Advanced Computer Science and Information Systems (ICACSIS).Oct.27-28. Yogyakarta, Indonesia.
Suykens, J. A., & Vandewalle, J. (1999). Least squares support vectormachine classifiers. Neural Processing Letters, 9(3), 293-300.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2015). Going deeper with convolutions.Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition.June 7-June 12. Boston, USA.
Wang, G., Sun, Y., & Wang, J. (2017). Automatic image-based plant disease severity estimation using deep learning. Computational Intelligence and Neuroscience. https://doi.org/10.1155/2017/2917536.
Zhang, S., Wu, X., You, Z., & Zhang, L. (2017). Leaf image based cucumber disease recognition using sparse representation classification. Computers and Electronics in Agriculture, 134, 135-141. | ||
|
آمار تعداد مشاهده مقاله: 1,755 تعداد دریافت فایل اصل مقاله: 829 |
||