محمد هاشمی نژاد

با افزایش جمعیت، امنیت غذایی پایدار ضرورت بیشتری خواهد داشت. تشخیص زودهنگام بیماری برای جلوگیری از مراحل متوالی بیماری در گیاهان ضروری است. تشخیص دستی با چشم غیرمسلح روش سنتی است که به طور گسترده توسط کشاورزان برای شناسایی بیماری های گیاهی استفاده می شود. با این حال، زمانی که این کار شامل تشخیص حضوری بیماری باشد، مشکلاتی مانند استخدام متخصصان حوزه، مصرف زمان و نتایج نادرست ایجاد می شود. نتایج متناقض ممکن است منجر به درمان نادرست گیاهان شود. برای غلبه بر این مشکل، محققان تشخیص خودکار بیماری با استفاده از پردازش تصویر را پیشنهاد داده اند. این به کشاورزان کمک می کند تا بیماری را به سرعت و بدون نیاز به متخصص تشخیص دهند. این مقاله به طور موردی مدلی را برای طبقه بندی گیاه گوجه فرنگی دارای بیماری موزاییک معمولی و گیاه سالم از روی برگ گیاه ایجاد می کند. برای شروع، تصویر با تغییر اندازه و تبدیل به فضای رنگی RGB و HSV پیش پردازش می شود. بخش بندی تصویر انجام می شود. ویژگی های کلی لحظه ای hu، هارالیک و هیستوگرام رنگی استخراج و به هم متصل می شوند. داده ها به بخش آموزشی و بخش آزمایشی در نسبت های 70:30 تقسیم می شوند. تصاویر با استفاده از طبقه بندی کننده های متعدد مانند رگرسیون لجستیک، طبقه بندی کننده جنگل تصادفی، طبقه بندی کننده درخت تصمیم، طبقه بندی کننده KNN، آنالیز تشخیص خطی، ماشین بردار پشتیبان و گاوسی ساده آموزش داده می شوند. این مطالعه طبقه بندی کننده جنگل تصادفی را به عنوان بهترین طبقه بندی کننده گزارش می کند. دقت مدل پیشنهادی پس از آموزش 57/96 درصد و پس از آزمون 33/92 درصد می باشد.