Ανίχνευση φυτοασθενειών με χρήση τεχνικών επεξεργασίας εικόνας

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση

Πρωτότυπος τίτλος "Remote Area Plant Disease Detection Using Image Processing"

Συγγραφείς:Sabah Bashir, Navdeep Sharma

Πηγή: [1]

ΕΙΣΑΓΩΓΗ

Η παραδοσιακή μέθοδος οπτικής ανίχνευσης ασθενειών στα φυτά είναι επίπονη και αναποτελεσματική. Η χρήση μηχανικής όρασης, ειδικά σε περιβάλλον MATLAB, έχει αποδειχθεί αποτελεσματική και εξοικονομεί χρόνο για τον εντοπισμό ασθενειών στα φυτά. Η συμβατική διαδικασία διάγνωσης βασίζεται σε επιστημονικές τεχνικές και στη συνεργασία με γεωπόνους, έτσι ώστε να γίνει ο εντοπισμός ασθενειών με βάση τα συμπτώματα και τα σημεία τους. Ωστόσο, οι φυτοπαθολόγοι μπορούν να χρησιμοποιήσουν εργαλεία επεξεργασίας εικόνας για να αναλύσουν ψηφιακές εικόνες για τη διάγνωση ασθενειών. Μία όμοια περίπτωση ανίχνευσης ασθενειών σε καλλιέργεια αγγουριού, περιλαμβάνει στάδια όπως η βελτίωση εικόνας, η κατάτμηση, η εξαγωγή χαρακτηριστικών και η ταξινόμηση. Τα μορφολογικά χαρακτηριστικά των φύλλων των φυτών χρησιμοποιούνται για την ανίχνευση και ταξινόμηση ασθενειών όπως ο Περονόσπορος κολοκυνθοειδών (Pseudoperonospora cubensis), το Ωίδιο (Erysiphe cichoracearum) και εντομολογικές προσβολές από Αγρομυζίδες (Agromyzidae). Το σύστημα αυτό περιλαμβάνει επίσης, τεχνητή όραση (κάμερα), έναν συνδυασμό ταξινομητών και αλγορίθμων επεξεργασίας εικόνας. Έχουν διερευνηθεί ακόμη διάφορες προσεγγίσεις, όπως η χρήση ενός νευρωνικού δικτύου Backpropagation για την αναγνώριση των φύλλων με βάση το σχήμα και την ανίχνευση ακμών Prewitt. Το σύστημα έδειξε επιτυχία στον προσδιορισμό των ειδών των φύλλων. Ωστόσο, υπάρχει δυνατότητα βελτίωσης με τη διεξαγωγή περισσότερων πειραμάτων με μεγαλύτερα σετ εκπαίδευσης για την αναγνώριση διαφόρων φύλλων που επηρεάζονται από παράσιτα ή ασθένειες. Ως προς τις καλλιέργειες ρυζιού, ένα πρωτότυπο σύστημα λογισμικού περιγράφεται για την ανίχνευση ασθενειών χρησιμοποιώντας εικόνες με προσβολές. Τεχνικές όπως το image growing , η τμηματοποίηση και ένας αλγόριθμος ζουμ χρησιμοποιούνται για την εξαγωγή χαρακτηριστικών, με ένα νευρωνικό δίκτυο αυτοοργάνωσης χάρτη που χρησιμοποιείται για την ταξινόμηση εικόνων προσβεβλημένων φυτών ρυζιού. Μια άλλη προτεινόμενη μέθοδος περιλαμβάνει την κατάτμηση Otsu, την ομαδοποίηση K-means και το Backpropagation Feedforward Neural Network για γρήγορη και ακριβή ανίχνευση και ταξινόμηση φυτικών ασθενειών που προσβάλλουν τα φύλλα. Συνολικά, αυτές οι τεχνολογικές προσεγγίσεις στοχεύουν στη βελτίωση της αποτελεσματικότητας και της ακρίβειας, της ανίχνευσης και της ταξινόμησης ασθενειών στα φυτά.


ΠΡΟΤΕΙΝΟΜΕΝΗ ΜΕΘΟΔΟΛΟΓΙΑ

Σε αυτό το άρθρο, εφαρμόζεται ένας αποτελεσματικός αλγόριθμος τμηματοποίησης εικόνας για την ανάλυση χρώματος και υφής στην ανίχνευση φυτοασθενειών. Τα βασικά βήματα περιλαμβάνουν:

1. Λήψη εικόνας: Δείγματα από Μηλιά (Malus Domestica), τόσο υγιή όσο και προσβεβλημένα, συλλέγονται με χρήση ψηφιακής κάμερας.

2. Διαχωρισμός στοιχείων RGB: Οι έγχρωμες εικόνες είναι σε μορφή RGB, όπου κάθε μήτρα αντιπροσωπεύει κόκκινα, πράσινα ή μπλε στοιχεία. Εφαρμόζεται εξισορρόπηση ιστογράμματος για τον χειρισμό των τιμών έντασης για την καλύτερη βελτίωση της εικόνας.

3. Τμηματοποίηση με βάση το χρώμα και την υφή: Η κατάτμηση της εικόνας πραγματοποιείται με βάση το χρώμα και την υφή για τον εντοπισμό συμπτωμάτων που απαιτούνται για την ανίχνευση της νόσου. Η ανάλυση υφής περιλαμβάνει μια μέθοδο μήτρας ταυτόχρονης εμφάνισης και τα χαρακτηριστικά χρώματος εξάγονται στον χρωματικό χώρο έντασης κορεσμού απόχρωσης (HSI).

4. K-means Clustering για ανάλυση υφής: Η ομαδοποίηση K-means ταξινομεί τα εικονοστοιχεία σε κλάσεις Κ και σε αυτήν την εργασία, εφαρμόζεται για τον διαμερισμό εικόνων φύλλων σε τέσσερις ομάδες, προσδιορίζοντας την παρουσία ασθένειας.

5. Ανάλυση εικόνας: Γίνονται ποσοτικές μετρήσεις από τις εικόνες για να παραχθεί μια περιγραφή.

6. Όριο αντιστοίχισης: Το κατώφλι εφαρμόζεται για την επισήμανση εικονοστοιχείων ως "αντικείμενο" ή "φόντο" με βάση τις τιμές της έντασής τους. Η τμηματοποίηση χρωμάτων είναι ζωτικής σημασίας σε διάφορες εφαρμογές υπολογιστικής όρασης. Η ανάλυση υφής χρησιμοποιώντας τη ομαδοποίηση K-means βοηθά στην ταξινόμηση των εικονοστοιχείων και στην αναγνώριση συστάδων ασθενειών μέσα στις εικόνες των φύλλων, ιδιαίτερα όταν πολλές ασθένειες επηρεάζουν ένα μόνο φύλλο. Η απόδοση της τμηματοποίησης χρωμάτων επηρεάζει σημαντικά την ποιότητα της κατανόησης της εικόνας σε διάφορες εφαρμογές.


ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ

Ακολουθεί η αρχική εικόνα (Fig-1(a)) και το rgb2gray ισοδύναμό της (Fig-1(b)) καθώς και το ιστόγραμμα της αρχικής εικόνας (Fig-1(c)). Η εικόνα Fig 1(d) δείχνει την εξισορροπημένη εικόνα του ιστογράμματος που γίνεται για την βελτίωση της αντίθεσης. Η ανάλυση υφής, χρώματος δίνεται στο Fig-1(e) και Fig-1(f) μετά την εφαρμογή των παραπάνω αλγόριθμων σε εικόνες με υγιή φύλλα μηλιάς.

                                                              Υγιες φύλλο 2.png

Ακολουθούν οι αντίστοιχες εικόνες με προσβεβλημένα φύλλα μηλιάς

                                                              Άρρωστο φύλλο.png

Συγκρίνοντας αυτές τις εικόνες ανάλυσης υφής και χρώματος με τις προηγούμενες, μπορεί να υπάρχουν λίγα σημεία στις εικόνες που μπορούν να χρησιμοποιηθούν για την περαιτέρω ανίχνευση ασθενειών στα φυτά.

ΣΥΜΠΕΡΑΣΜΑΤΑ

Η εργασία παρουσιάζει μια μεθοδολογία για την ταξινόμηση διαφόρων φυτοασθενειών χρησιμοποιώντας ανάλυση υφής και χρώματος, εστιάζοντας ειδικά στην μηλιά (Malus Domestica). Τα βασικά βήματα της μεθοδολογίας περιλαμβάνουν τη χρήση ενός ταξινομητή Bayes για την κατηγοριοποίηση διαφορετικών φυτικών ασθενειών με βάση χαρακτηριστικά που εξάγονται από προκύπτουσες εικόνες. Η μελέτη ενσωματώνει ένα σύνολο δεδομένων με 10 δείγματα εικόνων, που περιλαμβάνει τόσο κανονικά όσο και προσβεβλημένα φύλλα Malus Domestica. Στην προτεινόμενη προσέγγιση, τα χαρακτηριστικά χρώματος και υφής εφαρμόζονται στα δείγματα εικόνων που λαμβάνονται για την εξαγωγή βασικών πληροφοριών που είναι απαραίτητες για τη διάκριση μεταξύ κανονικών και προσβεβλημένων δειγμάτων. Στη συνέχεια, ο ταξινομητής Bayes χρησιμοποιείται για την ταξινόμηση των εικόνων με βάση τα εξαγόμενα χαρακτηριστικά, επιτρέποντας την αποτελεσματική διάγνωση της νόσου. Επιπλέον, η εργασία προτείνει μελλοντικές κατευθύνσεις έρευνας προτείνοντας την ανάλυση εναλλακτικών ταξινομητών όπως η ομαδοποίηση K-means και η ανάλυση κύριου συστατικού για βελτιωμένους σκοπούς ταξινόμησης. Έτσι υπογραμμίζει τη δυνατότητα για βελτίωση της τρέχουσας μεθοδολογίας και διερεύνηση εναλλακτικών τεχνικών για την ταξινόμηση των φυτικών ασθενειών.

Προσωπικά εργαλεία