بخشی از مقاله
چکیده
گیاهان از پرکاربردترین منابع طبیعی برای انسانها در زمینههای مختلف محسوب میشوند، لذا بیماریها و آفتهای گیاهی و تشخیص آنها امری مهم بوده و به طور معمول این وظیفه توسط گیاهشناسان و کشاورزان خبره صورت میگیرد که امری طاقت فرسا و زمانبر است. در این مقاله روشی برای تشخیص آفتزدگی در برگها ارائه شده است که از آموزش مبتنی بر نوسان وفقی برای تشخیص آفتزدگی استفاده میکند. ورودی شبکهی عصبی از طریق ویژگیهای تصویر برگ تامین میشود و ویژگیهای مذکور با پردازش تصویر برگ بدست میآید.
نتایج حاصل از پیادهسازی روش پیشنهادی در نرمافزار متلب حاکی از بهبود کارآیی و دقت در تشخیص آفت نسبت به روشهای مشابه است. برای ارزیابی کارآیی روش پیشنهادی از پایگاه داده تصاویر برگ Silva بهرهبرداری شده است تا امکان مقایسهی نتایج حاصل با نتایج روشهای مشابه وجود داشته باشد.
-1 مقدمه
مجموعه عملیات و روشهایی که به منظور کاهش عیوب و افزایش کیفیت ظاهری تصویر مورد استفاده قرار میگیرد پردازش تصویر نامیده میشود. اگرچه حوزههای کار با تصویر بسیار وسیع است ولی عموما محدوده مورد توجه در چهار زمینه بهبود کیفیت ظاهری1، بازسازی تصاویر مختل شده2، فشردگی و رمزگذاری تصویر3 و درک تصویر توسط ماشین4 ، متمرکز میگردد. خروجی پردازشگر تصویر میتواند یک تصویر یا یک مجموعه از نشانههای ویژه یا متغیرهای مربوط به تصویر باشد. اغلب روشهای پردازش تصویر شامل بررسی تصویر به عنوان یک سیگنال دو بعدی و بکار بستن روشهای استاندارد پردازش سیگنال روی آنها میشود.
پردازش تصویر اغلب به پردازش دیجیتالی تصویر اشاره میکند ولی پردازش نوری و آنالوگ تصویر هم وجود دارد. به عبارت دیگر عملیات پردازش تصویر در حقیقت مقایسه دو مجموعه عدد است که اگر تفاوت این دو مجموعه از یک محدوده خاص فراتر رود نتیجهی آن رد میشود و در غیر اینصورت پذیرفته میشود. همچنین پردازش تصویر برای رفع نیازهایی مانند بینایی ماشین، تشخیص چهره انسان، پردازش نقشه و تصاویر ماهوارهای، تشخیص در پزشکی و مانند آنها نیز به وفور استفاده شده است.
در ادامه و در قسمت دوم ضمن مرور برخی از روشهای رایج برای تشخیص آفتزدگی برگها، ابزارهای طبقهبندی و یادگیری معرفی و توصیف میشوند. بخش سوم به توصیف روش پیشنهادی و بیان مزایا و معایب آن اختصاص دارد. در بخش چهارم آزمایشهایی برای ارزیابی کارآیی روش پیشنهادی ترتیب داده شده و نتایج آنها بررسی خواهد شد. در بخش پنجم، ضمن نتیجهگیری از مقاله به زمینههای مهم برای تحقیقات آتی نیز پرداخته خواهد شد.
-2 مرور سوابق پژوهش
در این قسمت برخی از روشهای رایج برای تشخیص آفت و بیماری در گیاهان بیان شده و به بررسی مزایا و معایب آنها پرداخته میشود تا بتوان با لحاظ مزایا و کاهش معایب روشهای گذشته، روش کارآمدتری برای تشخیص بیماری و آفت در گیاهان توسعه داد.
کاشت گیاهان و محصولات کشاورزی در کیفیت و کمیت تولیدات رشد زیادی داشته است. اما با وجود آفات و بیماری-ها، کیفیت گیاهان کاهش مییابد. اگر وجود آفات به درستی بررسی نشده و راه حلی برای آن اتخاذ نشود، کیفیت و کمیت محصولات غذایی کاهش مییابد و در نتیجه دچار فقر، غذای ناسالم و مرگ و میر خواهیم شد. این عواقب بر اقتصاد نیز تاثیر میگذارد زیرا%70 جمعیت به آن وابسته اند. اغلب پژوهشها بر روی گیاهان گلخانهای و محصولات حفاظت شده انجام شده است تا آفات را توسط ابزار زیستی کنترل کنند.
هدف پژوهشهای کشاورزی، ارتقا کیفیت تولید با هزینهی کمتر است. امروزه اغلب کشورها خواستار روشهای کنترل غیرشیمیایی هستند. با استفاده از پردازش تصویر میتوان طرح مستقلی از غنیسازی محصولات را گسترش داد. استفادهی بیش از حد از آفت کشها برای منابع آبی و خاکی و هوایی و حیوانی بسیار خطرناک است .آفتکشها میزان نیتروژن را کاهش میدهند در نتیجه میزان محصولات هم کاهش مییابد. پردازش تصویر نقش مهمی در کشاورزی دارد. شبکهی عصبی، ساختار محاسباتی است که ویژگی های برگ را به عنوان پایگاه داده استخراج میکند
پردازش تصویر در کشاورزی کاربردهایی از جمله تشخیص برگ، ریشه و میوههای بیمار، اندازهگیری منطقهی آفتزده، یافتن شکل منطقهی بیمار، تعیین رنگ منطقهی بیمار، تعیین اندازه و شکل میوه ها و مواردی از این قبیل دارد.
خوشه بندی را میتوان به عنوان مهمترین مسئله در یادگیری بدون نظارت در نظر گرفت . خوشه مجموعهای از دادههایی که به هم شباهت داشته باشند. در خوشهبندی سعی میشود تا دادهها به خوشههایی تقسیم شوند که شباهت بین دادههای درون هر خوشه حداکثر و شباهت بین دادههای درون خوشههای متفاوت حداقل شود.
الگوریتم تشخیص و شناخت اتوماتیک آفات، از خوشهبندی بر اساس آستانهگیری استفاده میکند و برای استخراج ویژگیهای برگ از طبقهبندی استفاده میشود. شبکهی عصبی آموزشی نظارتی نقش مهمی در استخراج ویژگیها دارد. با توجه به میزان آفات با تحلیل بر پایهی شبکه عصبی از آفتکشهایی با مقدار مناسب استفاده میشود.
در بسیاری از کاربردهای پردازش تصویر، پیکسلهای سطوح خاکستری متعلق به شی با پیکسلهای سطوح خاکستری متعلق به پسزمینه، کاملا متفاوت هستند. با این که آستانه گیری بسیار ساده به نظر می آید ولی ابزار مناسبی جهت جداسازی اشیا از پس زمینه است
نمونههایی از کاربردهای آستانهگیری شامل : تجزیه و تحلیل تصویر اسناد که هدف آن استخراج ویژگیهای چاپ شده است، لوگوها ، محتوای گرافیکی، علائم، پردازش صحنهای که برای یک هدف شناسایی میشود، بررسی کیفیت مواد و دیگر کاربردها شامل تصاویر سلول و بیان دانش، روشهای مختلف قطعهبندی تصویر برای کاربردهای تست غیر مخرب - NDT - ، در تصاویر فراصوت، تصاویر جریان گردابی، تصاویر حرارتی، توموگرافی کامپیوتری اشعه X، استخراج لبه، در کل فرآیند قطعه بندی تصویر، قطعهبندی فضا - زمان در تصاویر ویدئویی و بسیاری کاربردهای دیگر.
خروجی عمل آستانهگیری یک تصویر باینری است. که سطح خاکستری - 0 سیاه - پیکسل متعلق به یک چاپ، علامت، نقاشی یا هدف و سطح خاکستری 1 - سفید - پسزمینه را نشان میدهد. آزمایش صورت گرفته از یک برگ سالم و یک برگ بیمار میباشد. جواب بدست آمده از آزمایش برگ سالم 100 درصدی روال کار که همان تشخیص میباشد را تائید میکند که برگ مربوطه آری از بیماری میباشد ولی در مورد برگ بیمار الگوریتم مربوطه 86 درصد به درستی تشخیص پاسخ میدهد که با توجه به این پاسخ در می یابیم که برگ مورد نظر دارای بیماری میباشد. البته بایستی این نکته را یادآور شویم که نتیجه بدست آمده از این الگوریتم در مدت زمان اجرایی بیشتر در قیاس با الگوریتمهای دیگری از جمله k-means میباشد یعنی به مدت زمان بیشتری نیاز دارد. که البته جواب بهتری نسبت به الگوریتم میدهد ولی در مدت زمان اجرایی کمتر این الگوریتم k-means است که دارای جواب دقیقتری است
-3 روش پیشنهادی
یک سیستم نرمافزاری مبتنی بر شبکهی عصبی نیز بر اساس ویژگیهای بدست آمده از تصویر برگ، سلامت یا بیماری و آفتزدگی آن را تشخیص میدهد. ورودی الگوریتم، تصویر برگ است که پس از تصویر برداری از برگ با استفاده از یک دوربین دیجیتال، ابتدا ناحیه برگ، از تصویر جدا شده و سپس با انجام برخی از عملیات پیش پردازشی، خوشهبندی شده و اطلاعات و ویژگیهای مربوط به آن استخراج میشوند.
ویژگیهای استخراج شده از تصویر وارد یک شبکه عصبی مبتنی بر نوسان وفقی شده و عدد خروجی شبکه، تعیین کننده سلامت یا بیماری برگ است. شکل 1 فلوچارت الگوریتم پیشنهادی برای تشخیص آفتزدگی برگ را نشان میدهد. ویژگیهای استخراج شده از تصویر برگ برای ورود به شبکه عصبی عبارتند از متوسط شدت روشنایی1، متوسط تباین2، شدت نرمی تصویر3، گشتاور سوم تصویر4، یکنواختی تصویر5 و نسبت مساحت خوشههای برگ که نحوهی استخراج هر ویژگی در بخشهای بعدی شرح داده خواهد شد.
-1-3 خواندن تصویر و تعدیل هیستوگرام6
با فرض اتمام تصویر برداری و آماده بودن فایل تصویر در دیسک، پیش پردازشی برای خواندن تصویر به صورت یک ماتریس و ذخیره آن در حافظهی اصلی لازم است؛ از آنجا که فرض بر این است که تصاویر به صورت RGB رنگی وارد سیستم میشوند لذا هر تصویر به صورت آرایهای دو بعدی که هر بعد آن خود شامل برداری سه مولفهای از رنگهای قرمز، سبز و آبی است خوانده شده و پیکسل به پیکسل از طریق مختصات سطری و ستونی در دسترس است که هر پیکسل دارای سه مولفه عددی برای شدت روشناییهای مذکور از 0 تا 255 است
هیستوگرام تصویر یک مشخصهی آماری از تصویر است که نشان میدهد از هر سطح شدت روشنایی چه تعداد پیکسل در تصویر وجود دارد. تصاویر واضح، هیستوگرام متعادل و یکنواختی دارند حال آنکه تصاویر تار و نا واضح، هیستوگرام نامتوازن و غیر یکنواختی دارند که میتوان با تعدیل هیستوگرام، نمایش واضحتری از این دسته از تصاویر داشت. برای به دستآوردن تصویری با هیستوگرام متعادل شده از تصویر اولیه هر شدت روشنایی و هر پیکسل 3 بار - یک بار برای هر مولفه رنگی - با استفاده از رابطه - 1 - پردازش و مقدار آن بروزرسانی میشود
-2-3محاسبهی شدت روشنایی متوسط
شدت روشنایی متوسط به صورت میانگین بدون وزن تمامی شدت روشناییهای تصویر تعریف شده است. بدیهی است مقدار شدت روشنایی عددی بین0 تا 255 است که در الگوریتم پیشنهادی از مقدار نرمالشدهی این پارامتر به صورت عددی بین 0 تا 1 استفاده شده است. برای نرمالسازی مطابق روشهای رایج از رابطه - 2 - استفاده شده است.
شدت روشنایی متوسط یک پارامتر مهم در پایگاه دادهی تصاویر برگ است اما متاسفانه نور تصویر به شدت به شرایط تصویر برداری وابسته است که این امر نقطهی ضعف مهمی برای الگوریتم پیشنهادی است لذا شرایط تصویر برداری در کارآیی الگوریتم پیشنهادی بسیار موثر است
-3-3 محاسبهی تباین متوسط
تباین معیاری برای سنجش وضوح رنگها و تصاویر است و بوسیلهی آن فاصلهی بین روشنترین سفید با تاریکترین سیاه تعیین میشود.این ویژگی معمولاً با نسبت عددی مشخص میشود که هرچه این عدد بزرگتر باشد نشان دهنده ی این است که تصویر از وضوح بالاتری برخوردار است.
در نمایشگرهای دوبعدی یکی از پارامترهای اصلی ایجاد تصاویر واقعیتر، نشان دادن دقیق رنگها و سایهها است. به عبارتی هر چه رنگها واضحتر نمایش داده شود و تفکیک سایهها و رنگها دقیقتر انجام شود، تصویر نمایش داده شده واضحتر و واقعیتر به نظر میرسد. از سوی دیگر، هرچه تباین بالاتر باشد، میزان دریافت و انعکاس نورها و رنگها متناسبتر بوده و صفحه نمایش فشار کمتری را به چشمها وارد میکند. در الگوریتم پیشنهادی، تباین متوسط به صورت انحراف استاندارد از شدت روشنایی متوسط تصویر و به صورت رابطه - 3 - تعریف شده است که در آن µ2 گشتاور دوم تصویر و z متوسط شدت روشنایی تصویر است
