| تعداد نشریات | 283 |
| تعداد نشریات سازمان | 81 |
| تعداد شماره‌ها | 2,766 |
| تعداد مقالات | 31,497 |
| تعداد مشاهده مقاله | 39,698,924 |
| تعداد دریافت فایل اصل مقاله | 17,254,038 |
تشخیص سه نوع بیماری برگ انگور بر پایه پردازش تصویر با استفاده از ماشین بردار پشتیبان و الگوریتم بهینه سازی پروانه | ||
| تحقیقات سامانه‌ها و مکانیزاسیون کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 16 تیر 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/amsr.2024.365272.1482 | ||
| نویسندگان | ||
| محسن نجف آبادی ها1؛ داود محمدزمانی* 2؛ محمد غلامی پرشکوهی3 | ||
| 1دانشجوی دکتری، گروه مهندسی بیوسیستم، واحد تاکستان، دانشگاه آزاد اسلامی، تاکستان، ایران | ||
| 2گروه مهندسی بیوسیستم، واحد تاکستان،دانشگاه آزاد اسلامی، تاکستان، ایران. | ||
| 3گروه مهندسی مکانیک، واحد شهر قدس، دانشگاه آزاد اسلامی، تهران، ایران | ||
| چکیده | ||
| امروزه تکنیک‌های هوش مصنوعی و فناوری‌های یادگیری ماشین، شناسایی و طبقه‌بندی بیماری‌های گیاهی را تسهیل کرده است. در این پژوهش به منظور تشخیص و طبقه‌بندی برخی بیماری‌های برگ گیاه انگور با نام‌های پوسیدگی سیاه، اسکای (زوال) و لکه برگی، پس از حذف پس زمینه از تصاویر برگ‌ها و استخراج ویژگی‌های بافت، رنگ و شکل از تصاویر، از ترکیبی از طبقه‌بند ماشین بردار پشتیبان و الگوریتم بهینه سازی پروانه برای انتخاب مهمترین ویژگی‌ها در تشخیص بیماری برگ گیاه انگور استفاده شد. نتایج صحت طبقه‌بندی برای بیماری‌های پوسیدگی سیاه، اسکای (زوال) و لکه برگی و برگ سالم به ترتیب 100، 100، 100 و 95 درصد و دقت طبقه بندی برای تشخیص کل گروه‌های بیمار و سالم 75/98 درصد بدست آمد. نتایج طبقه بندی نشان داد که استفاده از پردازش تصویر و یادگیری ماشین توانایی بالایی را در تشخیص و طبقه بندی بیماری های گیاهی دارد. همچنین 15 ویژگی بافت، رنگ و شکل به کمک الگوریتم انتخاب ویژگی بهینه‌سازی پروانه به پژوهشگران بیماری شناسی گیاهی و علوم داده معرفی شد. نتایج نشان داد که استفاده از تکنیک‌های پردازش تصویر و هوش مصنوعی توانایی خوبی در تشخیص بیماری های گیاهی در کنار تخصص گیاه پزشکان دارد. | ||
| کلیدواژه‌ها | ||
| انتخاب ویژگی؛ استخراج ویژگی؛ بیماری های انگور؛ تشخیص و طبقه بندی؛ هوش مصنوعی | ||
| عنوان مقاله [English] | ||
| Diagnosis of three types of grape leaf diseases based on image processing using support vector machine and butterfly optimization algorithm | ||
| نویسندگان [English] | ||
| mohsen najafabadiha1؛ Davood Mohammad Zamani2؛ mohammad Gholami Parashkoohi3 | ||
| 1PhD student, Department of Biosystems Engineering, Takestan Branch, Islamic Azad University, Takestan, Iran | ||
| 2Department of Biosystems Engineering,Takestan Branch, Islamic Azad University, Takestan, Iran | ||
| 3Department of Mechanical Engineering, Shahr-e-Qods Baranch, Islamic Azad University, Tehran, Iran. | ||
| چکیده [English] | ||
| Today artificial intelligence techniques and machine learning technologies have facilitated the identification and classification of plant diseases. In this research, in order to diagnose and classify grape plant leaf diseases with the names Black Rot, Black Measles and Leaf Blight, after removing the background from the images of the leaves and extracting the features of texture, color and shape from the images, A combination of support vector machine classifier and butterfly optimization algorithm was used to select the most important features in the diagnosis of grape plant leaf disease. The results of the precision for Black Rot, Black Measles, and Leaf Blight diseases and healthy leaves were 100, 100, 100 and 95% respectively, and the classification accuracy for the diagnosis of the diseases and healthy group was 98.75%. The classification results showed that the use of image processing and machine learning has a high ability to diagnose and classify plant diseases. Also, 15 characteristics of texture, color and shape were introduced to the researchers of plant pathology and data science with the help of butterfly optimization feature selection algorithm. The results showed that the use of image processing techniques and artificial intelligence has a good ability to diagnose plant diseases. | ||
| کلیدواژه‌ها [English] | ||
| Feature Selection, Feature Extraction, Grape Diseases, Diagnosis and Classification, Artificial Intelligence | ||
|
آمار تعداد مشاهده مقاله: 21 |
||