استفاده از يادگيري عميق در تشخيص خودكار بيماري گياهان بر اساس پردازش تصوير برگ

Plants Disease Detection by Image Processing of Their Leaves Based on Deep-Learning

تشخيص سريع بيماري‌هاي گياهان همواره از چالش‌هاي مهم صنعت كشاورزي بوده است. يكي از رويكردهايي كه در اين زمينه مورد استقبال واقع شده، استفاده از روش­هاي پردازش تصوير است. مزيت اين روش­ها در خودكار، سريع، كم ­هزينه، غيرتخريبي و دقيق بودن آنهاست. در اين پژوهش، با پردازش تصوير برگ گياهان و محصولات كشاورزي، ضمن تشخيص گياهان سالم از ناسالم، نوع و شدت بيماري آنها نيز به صورت خودكار تشخيص داده مي­شود. براي اين كار از روش­ هاي مبتني بر يادگيري عميق شامل چندين معماري مختلف از شبكه ­هاي عصبي پيچشي به همراه دسته ­بند ماشين بردار پشتيبان استفاده شده­ است. روش پيشنهادي در اين پژوهش قابل تعميم به گياهان و محصولات مختلف و همين‌طور به چندين گياه به طور همزمان است. شبكه­ هاي طراحي شده با استفاده از دو زير­مجموعۀ­ متفاوت از تصاوير مجموعه­ داده­ Plant Villageآموزش داده شد و مورد ارزيابي قرار گرفت. در زير­مجموعۀ­ اول كه مربوط به تشخيص بيماري درخت سيب در چهار كلاس مختلف بود، دقت 95 درصد و در زير­مجموعۀ­ دوم كه مربوط به چهار گياه مختلف و در 10 دسته بود، دقت 96/8 درصد به دست آمد. نتايجِ ارزيابي نشان داد تركيبِ دسته ­بند ماشين بردار پشتيبان با شبكه ­هاي يادگيري عميق، دقت تشخيص بيماري گياهان را بهبود مي­بخشد.

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.