شناسایی و طبقه بندی بیماری های گیاهی با استفاده از ترکیبی از Rough k-means و سوپر پیکسل با ویژگی های افتراقی
تعداد کلمات فایل انگلیسی: 2590 کلمه 10 صفحه pdf
تعداد صفحات فایل ترجمه : 33 صفحه word فونت 14 B Nazanin
چکیده
برای کشاورزان دشوار است که محصولات خود را کنترل کرده و تمام پارامترها را به صورت دستی کنترل کنند. تکنیک پردازش تصویر می‌تواند برای غلبه بر این مشکل مورد استفاده قرار گیرد. در این مقاله روشی جدید برای تشخیص بیماری‌های گیاهی براساس تکنیک پردازش تصویر ارائه شده است. روش پیشنهادی ما بر پایه ترکیب خوشه بندی سوپرپیکسل و Rough K – means می‌باشد. ما از روش خوشه بندی هیبرید برای به دست آوردن تصویر قطعه بندی برگ گیاه استفاده می‌کنیم. گرادیان جهت دار هیستوگرام هرمی (PHOG) از تصویر قطعه بندی شده با سه سطح به عنوان بخشی از بردار ویژگی استخراج می‌شود. علاوه بر PHOG، ماتریس رخداد همزمان سطح خاکستری (GLCM) از تصویر قطعه بندی شده ایجاد شده و آمار مفید به عنوان ویژگی‌های بافتی استخراج شده است. در نهایت، ما از C – SVM به عنوان طبقه بندی کننده برای انجام تشخیص نهایی استفاده می‌کنیم. رفتار الگوریتم پیشنهادی با شبیه‌سازی و مقایسه با سایر موارد در صورت تایید پیشرفت مورد تحلیل قرار گرفته است.
کلمات کلیدی: بیماری های گیاهی، پردازش تصویر، ماتریس رخداد همزمان سطح خاکستری، خوشه بندی
- مقدمه
کشاورزان می‌توانند تقریبا تمام پارامترها به جز آب و هوا را کنترل کنند. زمانی که یک آفت یا بیماری رخ می‌دهد، تشخیص و درمان سریع باید در زمان تعیین شده انجام شود، چرا که دو یا سه روز می‌تواند منجر به آسیب زیادی به محصول و از دست دادن مقدار زیادی محصول شود. بسیاری از بیماری‌ها در گیاهان از برگ‌های آنها مشهود هستند.
در کشاورزی سنتی، معمولا کشاورزان بر روی برگ‌ها در طول دوره‌های زمانی خاص نظارت می‌کنند و در صورت مشاهده تغییرات، تقریبا کود شیمیایی اضافه می کنند یا از آفت کش رایج استفاده می‌کنند. از آنجایی که کشاورزان به طور معمول قادر به تشخیص درست این بیماری نیستند، از کودهای نامناسب و ضد آفات ناصحیح که اثرات یر مفید بر روی گیاه و خاک دارند استفاده می‌کنند.
Plant Diseased Leaf Identification and Classification using Combination of Rough k-means and Super-pixel with Discriminative Features
Abstract
It is difficult for farmers to monitor their product and control all parameters manually. Image processing technique can be used for overcoming this problem. In this paper we proposed a new method for plant diseases detection based on image processing technique. Our proposed method is based on combining super-pixel and Rough k-means clustering. We use the hybrid clustering method in order to obtain segmented image of plant leaf. The Pyramid Histogram Oriented Gradient (PHOG) is extracted from segmented image with three level as a part of feature vector. In addition to PHOG, Gray Level Co-occurrence Matrix (GLCM) is created from the segmented image and useful statistic are extracted as texture features. Finally, we use C-SVM as classifier in order to perform final recognition. The proposed algorithm behavior is analyzed by simulation and compared with other state of arts in case of validating enhancements.
Keywords Planet disease, Image processing, Gray level co-occurrence matrix, Clustering
کد:13401
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
شناسایی و طبقه بندی بیماری های گیاهی با استفاده از ترکیبی از Rough k-means و سوپر پیکسل با ویژگی های افتراقی
تعداد کلمات فایل انگلیسی: 2590 کلمه 10 صفحه pdf
تعداد صفحات فایل ترجمه : 33 صفحه word فونت 14 B Nazanin
چکیده
برای کشاورزان دشوار است که محصولات خود را کنترل کرده و تمام پارامترها را به صورت دستی کنترل کنند. تکنیک پردازش تصویر می‌تواند برای غلبه بر این مشکل مورد استفاده قرار گیرد. در این مقاله روشی جدید برای تشخیص بیماری‌های گیاهی براساس تکنیک پردازش تصویر ارائه شده است. روش پیشنهادی ما بر پایه ترکیب خوشه بندی سوپرپیکسل و Rough K – means می‌باشد. ما از روش خوشه بندی هیبرید برای به دست آوردن تصویر قطعه بندی برگ گیاه استفاده می‌کنیم. گرادیان جهت دار هیستوگرام هرمی (PHOG) از تصویر قطعه بندی شده با سه سطح به عنوان بخشی از بردار ویژگی استخراج می‌شود. علاوه بر PHOG، ماتریس رخداد همزمان سطح خاکستری (GLCM) از تصویر قطعه بندی شده ایجاد شده و آمار مفید به عنوان ویژگی‌های بافتی استخراج شده است. در نهایت، ما از C – SVM به عنوان طبقه بندی کننده برای انجام تشخیص نهایی استفاده می‌کنیم. رفتار الگوریتم پیشنهادی با شبیه‌سازی و مقایسه با سایر موارد در صورت تایید پیشرفت مورد تحلیل قرار گرفته است.
کلمات کلیدی: بیماری های گیاهی، پردازش تصویر، ماتریس رخداد همزمان سطح خاکستری، خوشه بندی
کشاورزان می‌توانند تقریبا تمام پارامترها به جز آب و هوا را کنترل کنند. زمانی که یک آفت یا بیماری رخ می‌دهد، تشخیص و درمان سریع باید در زمان تعیین شده انجام شود، چرا که دو یا سه روز می‌تواند منجر به آسیب زیادی به محصول و از دست دادن مقدار زیادی محصول شود. بسیاری از بیماری‌ها در گیاهان از برگ‌های آنها مشهود هستند.
در کشاورزی سنتی، معمولا کشاورزان بر روی برگ‌ها در طول دوره‌های زمانی خاص نظارت می‌کنند و در صورت مشاهده تغییرات، تقریبا کود شیمیایی اضافه می کنند یا از آفت کش رایج استفاده می‌کنند. از آنجایی که کشاورزان به طور معمول قادر به تشخیص درست این بیماری نیستند، از کودهای نامناسب و ضد آفات ناصحیح که اثرات یر مفید بر روی گیاه و خاک دارند استفاده می‌کنند.
Plant Diseased Leaf Identification and Classification using Combination of Rough k-means and Super-pixel with Discriminative Features
Abstract
It is difficult for farmers to monitor their product and control all parameters manually. Image processing technique can be used for overcoming this problem. In this paper we proposed a new method for plant diseases detection based on image processing technique. Our proposed method is based on combining super-pixel and Rough k-means clustering. We use the hybrid clustering method in order to obtain segmented image of plant leaf. The Pyramid Histogram Oriented Gradient (PHOG) is extracted from segmented image with three level as a part of feature vector. In addition to PHOG, Gray Level Co-occurrence Matrix (GLCM) is created from the segmented image and useful statistic are extracted as texture features. Finally, we use C-SVM as classifier in order to perform final recognition. The proposed algorithm behavior is analyzed by simulation and compared with other state of arts in case of validating enhancements.
Keywords Planet disease, Image processing, Gray level co-occurrence matrix, Clustering
کد:13401
دانلود رایگان مقاله انگلیسی