إطار عمل لتصنيف أمراض البطاطا بالاعتماد على الشبكة العصبية الأمامية
الشريط الجانبي للمقالة
محتوى المقالة الرئيسي
الملخص
يعتمد الاقتصاد بشكل استثنائي على الإنتاجية الزراعية. لذلك ، في مجال الزراعة ، يعد اكتشاف عدوى النبات مهمة حيوية لأنه يعطي تقدماً واعداً نحو تطوير الزراعة. في هذا العمل، تم اقتراح نظام لتصنيف أمراض البطاطا بالاعتماد على الشبكة العصبية. يهدف النظام إلى كشف وتصنيف أربعة أنواع من أمراض درنات البطاطا وهي: النقطة السوداء ، الجرب الشائع، فيروس البطاطا Y واللفحة المبكرة بالاعتماد على صورهم. يتكون النظام من ثلاثة مستويات: مستوى المعالجة المسبقة هو المستوى الاول، والذي يعتمد على K-means clustering لاكتشاف المنطقة المصابة من صورة البطاطا، المستوى الثاني هو مستوى استخراج الميزات والذي يستخرج الميزات من المنطقة المصابة بالاعتماد على طريقتين: grey level run length matrix و first order histogram based features. الميزات المستخرجة من المستوى الثاني تستخدم في المستوى الثالث في تغذية الشبكة العصبية الأمامية لإجراء عملية التصنيف . 120 صورة ملونة استخدمت, 80 صورة استخدمت في تدريب الشبكة و40 صورة استخدمت في عملية الاختبار . النظام المقترح فعال للغاية في تصنيف أربعة أنواع من أمراض درنات البطاطا وكانت نسبة التمييز 91,3 % .
تفاصيل المقالة
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
كيفية الاقتباس
المراجع
Zhang H, Hong-hai HU. Progress of potato staple food research and industry development in China. J Integr Agric. Elsevier 2017; 16(12): 2924–2932.
Dennis A J, Brad G, Leah (Lahkim) T. Potato Black Dot – The Elusive Pathogen, Disease Development and Management. Am. J. Potato Res. 2018 Aug 1;95(4):340-50.
Shiferaw T, Damtew E. Farmers’ knowledge and practices of potato disease management in Ethiopia. NJAS. Wageningen Journal of Life Sciences JLS. 2018;86-87:25–38.
Marie F, Véronique EH, Catherine C ,Yves L H, Claude A, Christian S. Potato soil-borne diseases: A review. Agron Sustain Dev. 2011; 32:93–132.
Islam M, Dinh A, Wahid K, Bhowmik P. Detection of potato diseases using image segmentation and multiclass support vector machine. In2017 IEEE 30th Canadian conference on electrical and computer engineering (CCECE) 2017 Apr 30 (pp. 1-4). IEEE.
Ryo S ,Shogo T, Seiji T, Atsushi I, Kentaro N , Noriyuki M, et al. Field phenotyping system for the assessment of potato late blight resistance using RGB imagery from an unmanned aerial vehicle. Biosyst Eng.. 2016;148:1-10.
Yongsheng S, Sindhuja S, Richard KN, Mark JP. Potato Tuber Length-Width Ratio Assessment Using Image Analysis. Am. J. Potato Res. 2017;94(1): 88–93.
Francine CAP, Jeroen CJG, Gert JH, Ben FS, Edith T L B. Analysing potato late blight control as a social-ecological system using fuzzy cognitive mapping. Agron Sustain Dev. 2016;35:1-18.
Ciprian RR, Olimpiu H, Ioana AT, Gheorghe O. Smart monitoring of potato crop: A cyberphysical system architecture model in the field of precision agriculture. Agriculture and Agricultural Science Procedia. 2015; 6:73–79 .
Hu YH, Ping XW, Xu MZ, Shan WX, He Y. Detection of Late Blight Disease on Potato Leaves Using Hyperspectral Imaging Technique. 2016; 36(2) : 515-519.
Girish A, Priti B. Potato Leaf Diseases Detection and Classification System. IJCSMC. February- 2016; 5(2): 76-88.
Pengfei S. Image segmentation method based on K-mean Algorithm.EURASIP J Image Video Process. 2018; 81:1-9.
Anand R, Veni S, Aravinth J. An Application of image processing techniques for Detection of Diseases on Brinjal Leaves Using K-Means Clustering Method. Fifth International Conference On Recent Trends In Information Technology. IEEE 2016.
Öztürk Ş, Akdemir B. Application of feature extraction and classification methods for histopathological image using GLCM, LBP, LBGLCM, GLRLM and SFTA. Procedia computer science. 2018 Jan 1;132:40-6.
Jainy S, Vinod K, Indra G, Niranjan K, Chirag KA. Segmentation, Feature Extraction, and Multiclass Brain Tumor Classification. J Digit Imaging. 2013; 26(6): 1141–1150.
Khadse CB, Chaudhari MA, Borghate VB. Conjugate gradient back-propagation based artificial neural network for real time power quality assessment. Int. J. Electr. Power Energy Syst. 2016 Nov 1;82:197-206.
Martin FM. A scaled conjugate gradient algorithm for fast supervised learning. Neural Netw. 1993; 6(4): 525-533.