مدل یادگیری گروهی وزن‌دار برای طبقه‌بندی بیماری برگ انگور با استفاده از پردازش تصویر و یادگیری ماشینی

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

• محسن نجف آبادی‌ها ¹
• داود محمدزمانی ¹
• محمد غلامی پرشکوهی ²

¹ گروه مهندسی مکانیزاسیون، دانشگاه آزاد اسلامی، تاکستان، ایران

² گروه مهندسی مکانیک، دانشگاه آزاد اسلامی، شهر قدس، ایران

https://doi.org/10.22067/jam.2025.92388.1347

چکیده

در این مطالعه، راهبردی برای تشخیص بیماری‌های برگ انگور با کمک پردازش تصویر RGB و تصمیم‌گیری گروهی وزنی ارائه شد. برای این منظور، پنج گروه بیماری به نام‌های سرخک سیاه، پوسیدگی سیاه، سوختگی برگ، سفیدک پودری و سفیدک کرکی و گروهی از برگ‌های سالم با سه روش یادگیری ماشینی به نام‌های ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و  k-نزدیک‌ترین همسایه (k-NN) و ترکیب وزنی طبقه‌بندی شدند. در مرحله بعد، با توجه به دقت هر طبقه‌بندی، وزن هریک از آن‌ها تعیین شد و در نهایت با استفاده از رای اکثریت، طبقه‌بندی نهایی بیماری‌ها انجام شد. همچنین به‌منظور معرفی بهترین ویژگی‌های بافت، رنگ و شکل استخراج‌شده از الگوریتم انتخاب ویژگی برجسته استفاده شد. این الگوریتم برای هر گروه از ویژگی‌های استخراج‌شده، 5 مورد را به‌عنوان بهترین و موثرترین ویژگی در تشخیص بیماری‌های گیاهی از جمله برگ گیاه انگور به محققان ارائه کرد. نتایج دقت طبقه‌بندی باSVM، RF و k-NN به‌ترتیب 88.33، 80.08 و 75 درصد بود. نتایج نشان داد که الگوریتم تصمیم‌گیری گروه وزنی ارائه‌شده در این تحقیق توانایی بهبود دقت طبقه‌بندی بیماری‌های گیاهی را با دقت 91.67 درصد دارد.

کلیدواژه‌ها

• انتخاب ویژگی
• بیماری انگور
• پردازش تصویر
• تصمیم‌گیری گروهی
• رای اکثریت

موضوعات

• پردازش تصویر

©2025 The author(s). This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Abdulridha, J., Ampatzidis, Y., Kakarla, S. C., & Roberts, P. (2020). Detection of target spot and bacterial spot diseases in tomato using UAV-based and benchtop-based hyperspectral imaging techniques. Precision Agriculture, 21(5), 955-978. https://doi.org/10.1007/s11119-019-09703-4
2. Alomar, K., Aysel, H. I., & Cai, X. (2023). Data Augmentation in Classification and Segmentation: A Survey and New Strategies. Journal of Imaging, 9(2), 46. https://doi.org/10.3390/jimaging9020046
3. Azad, M., Nehal, T. H., & Moshkov, M. (2024). A novel ensemble learning method using majority based voting of multiple selective decision trees. Computing, 107(1). https://doi.org/10.1007/s00607-024-01394-8
4. Barbedo, J. G. A. (2016). A review on the main challenges in automatic plant disease identification based on visible range images. Biosystems Engineering, 144, 52-60. https://doi.org/10.1016/j.biosystemseng.2016.01.017
5. Barbedo, J. G. A. (2018). Factors influencing the use of deep learning for plant disease recognition. Biosystems Engineering, 172, 84-91. https://doi.org/10.1016/j.biosystemseng.2018.05.013
6. Cruz, A. C., Ampatzidis, Y., Pierro, R., Materazzi, A., Panattoni, A., De Bellis, L., & Luvisi, A., (2019). Detection of grapevine yellows symptoms in Vitis vinifera L. with artificial intelligence. Computer and. Electronics in Agriculture, 63-76. https://doi.org/10.1016/j.compag.2018.12.028
7. Hasan, Moh. A., Riana, D., Swasono, S., Priyatna, A., Pudjiarti, E., & Prahartiwi, L. I. (2020). Identification of Grape Leaf Diseases Using Convolutional Neural Network. Journal of Physics: Conference Series 1641(1), 012007. https://doi.org/10.1088/1742-6596/1641/1/012007
8. Hughes, David, P., & Salathe, M. (2015). An open access repository of images on plant health to enable the development of mobile disease diagnostics (Version 2). arXiv. https://doi.org/10.48550/ARXIV.1511.08060
9. Jaisakthi, S. M., Mirunalini, P., Thenmozhi, (2019). “Grape leaf disease identification using machine learning techniques,” in Proceedings of the 2019 International Conference on Computational Intelligence in Data Science (ICCIDS), Chennai, 1-6. https://doi.org/10.1109/ICCIDS.2019.8862084
10. Javidan, S. M., Ampatzidis, Y., Banakar, A., Asefpour Vakilian, K., & Rahnama, K. (2024). Tomato Fungal Disease Diagnosis Using Few-Shot Learning Based on Deep Feature Extraction and Cosine Similarity. AgriEngineering 6(4), 4233-4247. https://doi.org/10.3390/agriengineering6040238
11. Javidan, S. M., Ampatzidis, Y., Banakar, A., Asefpour Vakilian, K., & Rahnama, K. (2025). An Intelligent Group Learning Framework for Detecting Common Tomato Diseases Using Simple and Weighted Majority Voting with Deep Learning Models. AgriEngineering, 7(2), 31. https://doi.org/10.3390/agriengineering7020031
12. Javidan, S. M., Banakar, A., Vakilian, K. A., & Ampatzidis, Y. (2023a). Diagnosis of grape leaf diseases using automatic K-means clustering and machine learning. Smart Agricultural Technology, 3, 100081. https://doi.org/10.1016/j.atech.2022.100081
13. Javidan, S. M., Banakar, A., Vakilian, K. A., & Ampatzidis, Y. (2023b). Tomato leaf diseases classification using image processing and weighted ensemble learning. Agronomy Journal. https://doi.org/10.1002/agj2.21293
14. Javidan, S. M., Banakar, A., Vakilian, K. A., Ampatzidis, Y., & Rahnama, K. (2024). Early detection and spectral signature identification of tomato fungal diseases (Alternaria alternata, Alternaria solani, Botrytis cinerea, and Fusarium oxysporum) by RGB and hyperspectral image analysis and machine learning. Heliyon 10(19), e38017. https://doi.org/10.1016/j.heliyon.2024.e38017
15. Kuncheva, L. I., & Rodríguez, J. J. (2012). A weighted voting framework for classifiers ensembles. Knowledge and Information Systems 38(2), 259-275. https://doi.org/10.1007/s10115-012-0586-6
16. Liu, B., Tan, C., Li, S., He, J., & Wang, H. (2020). A data augmentation method based on generative adversarial networks for grape leaf disease identification. IEEE Access, 8, 102188-102198. https://doi.org/10.1109/access.2020.2998839
17. Mohamadzamani, D., Sajadian, S., & Javidan, S. M. (2020). DDetection of Callosobruchus maculatus F. with image processing and artificial neural network. Applied Entomology and Phytopathology, 88(1), 103-112. https://doi.org/10.22092/jaep.2020.341684.1324
18. Mumuni, A., & Mumuni, F. (2022). Data augmentation: A comprehensive survey of modern approaches. Array, 16, 100258. https://doi.org/10.1016/j.array.2022.100258
19. Raghuram, K., & Borah, M. D. (2025). A Hybrid Learning Model for Tomato Plant Disease Detection using Deep Reinforcement Learning with Transfer Learning. Procedia Computer Science, 252, 341-354. https://doi.org/10.1016/j.procs.2024.12.036
20. Sahabi, H., & Baradaran-Motie, J. (2025). Detection of mite infested saffron plants using aerial imaging and machine learning classifier. Spanish Journal of Agricultural Research, 22(4), 20452. https://doi.org/10.5424/sjar/2024224-20452
21. Shafik, W., Tufail, A., Liyanage De Silva, C., & Awg Haji Mohd Apong, R. A. (2025). A novel hybrid inception-xception convolutional neural network for efficient plant disease classification and detection. Scientific Reports, 15(1). https://doi.org/10.1038/s41598-024-82857-y
22. Shi, H., Yuan, Z., Zhang, Y., Zhang, H., & Wang, X. (2025). A New Ensemble Strategy Based on Surprisingly Popular Algorithm and Classifier Prediction Confidence. Applied Sciences, 15(6), 3003. https://doi.org/10.3390/app15063003
23. Talaat, F. M., Shams, M. Y., Gamel, S. A., & ZainEldin, H. (2025). DeepLeaf: an optimized deep learning approach for automated recognition of grapevine leaf diseases. Neural Computing and Applications. https://doi.org/10.1007/s00521-025-11038-3
24. Vishnoi, V. K., Kumar, K., & Kumar, B. (2021). A comprehensive study of feature extraction techniques for plant leaf disease detection. Multimedia Tools and Applications 81(1), 367-419. https://doi.org/10.1007/s11042-021-11375-0
25. Xie, X., Ma, Y., Liu, B., He, J., Li, S., & Wang, H. (2020). A deep-learning-based real-time detector for grape leaf diseases using improved convolutional neural networks. Frontiers in Plant Science, 11, 751. https://doi.org/10.3389/fpls.2020.00751
26. Zhou, W., Gao, S., Zhang, L., & Lou, X. (2020). Histogram of Oriented Gradients Feature Extraction from Raw Bayer Pattern Images. IEEE Transactions on Circuits and Systems II: Express Briefs, 67(5), 946-950. https://doi.org/10.1109/tcsii.2020.2980557