شناسايي برگِ ارقام سيب با تكنيك پردازش تصوير و سيستم استنتاج عصبي‌ـ‌فازي تطبيقي

Identification of apple leaf varieties using image processing and adaptive neuro- fuzzy inference system

در كشاورزی مدرن امروز، از پردازش تصویر برای مكانیزه و جایگزین‌كردن ماشین‌های هوشمند به‌جای انسان استفاده شده است. یكی از آن موارد شناسایی ارقام گوناگون گیاهان است. شناسایی ارقام گوناگون، در برنامۀ به‌نژادی گیاهان اهمیت بالایی دارد. روش معمول برای انجام این عمل، بررسی چشمی برگ‏ها و میوه‏های گیاهان است كه این عمل به‌دلیل وقت‌گیربودن مقرون به‌صرفه نیست. شناسایی نمونه‌ها و طبقه‏بندی آن‌ها با روش ماشین بینایی می‏تواند سریع‏تر انجام گردد. در این تحقیق چهار رقم گرانی‏اسمیت، گلاب كهنز، گالا، و دلبار استیوال مطالعه شدند. در ابتدا نمونه‌های برگ جمع‌آوری و از نمونه‏ها تصویربرداری شد و پس از پردازش تصاویر با الگوریتم نوشته‌شده در نرم‌افزار مت‌لب، ویژگی‏های مورفولوژیك، رنگ، و بافت برای هر یك از تصاویر محاسبه شد و سپس از سیستم استنتاج عصبی‌ـ‌فازی تطبیقی (Adaptive neuro- fuzzy inference system) برای طبقه‌بندی نمونه‏ها استفاده شد. نتایج نشان داد كه بهترین سیستم استنتاجی با توابع عضویت ورودی و خروجی به‌ترتیب خطی و مثلثی و روش‌ آموزش مركب در حالت دسته‏بندی شبكه‏ای سیستم استنتاج فازی، بالاترین دقت را داشت و دقت این روش برای داده‌های طبقه‌بندی آزمایشی 83/95درصد گزارش شد.

In modern agriculture, image processing technique is used for mechanization and intelligent machines instead of humans. One of them is identifying varieties of plants and fruits. Identifying plant varieties is important in Plant eugenic programs. Visual examination of plant leaves and fruits are the common processes for this aim. Identification and classification of plants using machine vision techniques can be performed more quickly. In this study, four varieties of apple, Granny Smith, Golab Kohans, Gala, and Delbar-astyval were studied. After collecting leaf samples, the images of leaves were captured and then color, texture, and morphological properties from each image were extracted and adaptive neuro - fuzzy inference system (Anfis) was used for classification. The results showed that ANFIS was able to successfully classify leaves with input and output membership functions, respectively, linear and triangular and hybrid learning method in grid partitioning FIS mood with 95.83% accuracy.