بهبود تشخيص آفت گياه ذرت به كمك روش تعديل هيستوگرام و موجك گابور

بيماري‌هاي گياهي باعث كاهش توليد و خسارت‌هاي زياد اقتصادي در بخش كشاورزي مي‌شود. در حال حاضر بيماري‌هاي گياهي توسط متخصصين و با چشم غيرمسلح تشخيص داده مي‌شوند كه اين كار به نظارت مستمر كارشناسان نيازمند است كه ممكن است در مزارع بزرگ هزينه‌هاي زيادي را باعث شود. بنابراين ارائه روشي آسان، سريع، ارزان و دقيق براي تشخيص بيماري‌هاي گياهي لازم به نظر مي‌رسد. در اين مقاله 4 روش براي تشخيص و دسته بندي بيماري‌هاي برگ گياه ذرت با استفاده از تكنيك‌هاي پردازش تصوير و بينايي ماشين ارائه ‌شده است. در روش اول، در فاز جداسازي، به كمك تعديل هيستوگرام نواحي آسيب‌ديده از نواحي سالم جدا شد سپس از يك شبكه عصبي پرسپترون دو لايه براي دسته‌بندي نتايج نهايي و تشخيص نوع بيماري استفاده شد. با بررسي نتايج مشخص مي‌شود كه شبكه عصبي با ميانگين 65.15% قادر به تشخيص صحيح بيماري برگ گياه ذرت شده است. در روش دوم انواع فيلترهاي لاپلاسين، كني و سوبل بر روي برگ گياه اعمال شد، پس از جداسازي نواحي آسيب‌ديده، عمل كلاس‌بندي و تشخيص صورت گرفت. با بررسي نتايج مشخص شد كه الگوريتم با دقت 67.94% قادر به تشخيص صحيح بيماري شده است. در روش سوم به كمك روش تحليل اجزاي اصلي ابعاد داده‌ها را كاهش داده سپس به كلاس بند ماشين بردار پشتيبان جهت تشخيص نوع بيماري ارسال شد. اين الگوريتم قادر به تشخيص صحيح بيماري با دقت 75.28% شده است، همچنين الگوريتم با دقت بالاتري قادر به تشخيص بيماري كلاس 5 و 4 شده است. در نهايت درروش چهارم از تركيب فيلتر گابور و ويژگي‌هاي بصري جهت تشخيص نوع بيماري استفاده ‌شده است. كه الگوريتم ارائه ‌شده در اين مرحله با دقت 90.04% قادر به تشخيص صحيح بيماري شد.