Yapay zeka yöntemleriyle bitki yaprak imgelerinde pas hastalıklarının tespiti

Abstract

Bitkilerdeki hastalıklar hasadı ve dolayısıyla verimi etkilemektedir. Hastalıkların önceden kestirilmesi, çiftçilerin alacağı önlemler ile verimi artıracaktır. Verimi etkileyen önemli hastalıkların başında pas hastalığı gelmektedir. Bu çalışmada bitki örneği olarak zambak çiçeği yaprak imgeleri, zirai uygulamalarla ilgili farklı zirai sitelerden bir uzman yardımıyla elde edilmiş, GLCM ve GWT tabanlı farklı sınıflandırıcı teknikleri kullanılarak yaprağında oluşan değişimin pas hastalığı olup olmadığını kestiren bir sistem tasarlanmıştır.?lk aşamada, imgelere ilişkin gri seviyeli eş-oluşum matrisleri elde edilip matrislerin kontrast, korelasyon, enerji, homojenlik ve entropi değerleri hesaplanmıştır. ?ki boyutlu imgelere ilişkin matrislerden hesaplanan ortalama ve standart sapma değerleri öznitelik vektörüne eklenerek, her imge için toplamda 7 parametre içeren öznitelik vektörü oluşturulmuştur. ?kinci aşamada, Gabor dalgacık dönüşümü kullanılarak her bir imgeden ayrı bir özellik matrisi elde edilip, matrislerin ortalama, standart sapma ve entropi değerleri hesaplanmıştır. Bu değerler ayrı bir öznitelik vektörüne eklenerek, her imge için 3 parametre içeren yeni bir öznitelik vektörü oluşturulmuştur.Son aşamada, GLCM ve GWT tabanlı öznitelik vektörleri ayrı ayrı sınıflandırıcıların girişlerine verilerek performansı en iyi sistem belirlenmeye çalışılmıştır. Bu sistemlerde sınıflandırıcı olarak Çok Katmanlı Algılayıcı, k-En Yakın Komşu (k-NN) ve en küçük kareler Destek Vektör Makineleri (LS-SVM) yöntemleri kullanılmıştır. Zambak çiçeği yaprak imgeleri, 32 sağlıklı imge ve 21 hastalıklı imge olmak üzere toplam 53 imge verisinden oluşup, iki (1-sağlıklı, 2- hastalıklı) grupta sınıflandırılmıştır. Sınıflandırma çalışmaları sonucunda, en iyi performansa %88,9 başarı ile GLCM tabanlı k-NN ve çok katmanlı yapay sinir ağının (7-5-1) ulaştığı gözlemlenmiştir. Bulduğumuz sonuçlar bu yöntemin pas hastalığını tespit etmede doğru ve etkili çalıştığını göstermektedir.

Crop diseases can affect yield and/or quality of the harvested commodity. This can influence profitability and raise the risks of farming. When the diseases are estimated early, the yield will increase by taking measures thanks to farmers. The rust disease is one of the most major crop diseases that affect crop yield. In this paper, daylily leaf images are used as crop sample and derived from different agricultural sites under expert control and daylily rust disease is estimated by using GLCM and GWT based different classifier techniques.In the first stage, the features are extracted from images with using Gray Level Co-Occurrence Matrix (GLCM) method and 7 parameters are derived by this method for each digital camera image. These parameters are contrast, correlation, energy, homogeneity, entropy, standard deviation and mean for first texture feature vector. In the second stage, a new texture feature vector is based on Gabor Wavelet Transform (GWT) and 3 parameters are derived by this method for each digital image. These are mean, standart deviation and entropy.In the final stage, GLCM and GWT based feature vectors are applied to different type of classifiers and these vectors are used as inputs in classification systems, respectively. The Multilayer Perceptron neural network (MLP), k-Nearest Neighbor (k -NN) and Least Squares Support Vector Machine (LS-SVM) classifiers have been chosen for learning and testing of 53 image data where 32 of them belongs to class I (normal), 21 of them belongs to class II (rust diseased). Different structures of networks are tested and the results are compared in terms of testing performance for each network model. The main purpose of this study is to estimate whether the crop is normal or rust diseased. Finally, the best performance was observed as 88.90 % in the k-NN and MLP network with 7-5-1 structure. Our results suggest this method is an accurate and efficient means of estimating daylily rust disease.