Crop diseases can affect harvested commodity and thus quality of the yield. When the diseases are estimated early, the yield will increase by taking measures thanks to farmers. In this paper, daylily leaf images are used as crop sample, derived from different agricultural sites under expert control and a system is designed in order to estimate rust diseases on digital daylily leaf images by using Gabor wavelet based a neural network model. In the first stage, a feature matrix is extracted from each digital image with using Gabor Wavelet Transform (GWT) and the statistical parameters are derived from each feature matrix to form a texture feature vector for each digital image. These parameters are mean, standart deviation and entropy. In the second stage, GWT based texture feature vectors are applied to different network structures of neural network model as inputs for classification and the results are compared in terms of testing performance in order to determine the best network structure. Daylily leaf images are classified into two (1.Normal, 2.Diseased) groups and the best average performance is observed as 80.00 % in the (3-25-1) network structure of neural network model.
Daylily Classification Image Processing Gabor Wavelet Transform Neural Network
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, zirai uygulamalarla ilgili farklı zirai sitelerden bir uzman yardımıyla elde edilmiş zambak çiçeği yaprak imgeleri kullanılmış olup, Gabor dalgacık dönüşümü tabanlı yapay sinir ağı modeli ile pas hastalığını tespit eden bir sistem tasarlanmıştır. İlk aşamada, imgelere ilişkin Gabor dalgacık dönüşümü kullanılarak her bir sayısal imgeden ayrı bir özellik matrisi elde edilip, matrislerin ortalama, standart sapma ve entropi gibi istatistiksel değerleri hesaplanmıştır. Bu değerler öznitelik vektörüne eklenerek, her bir imge için bir öznitelik vektörü oluşturulmuştur. İkinci aşamada, Gabor dalgacık dönüşümü tabanlı öznitelik vektörleri yapay sinir ağı modelinin girişine verilerek sınıflandırma için performansı en iyi ağ yapısı belirlenmeye çalışılmıştır. Zambak çiçeği yaprak imgeleri iki (1-sağlıklı, 2- hastalıklı) grupta sınıflandırılmış olup sınıflandırma çalışmaları sonucunda, en iyi ortalama performansa %80,00 başarı ile yapay sinir ağı modelinin (3-25-1) ağ yapısında ulaştığı gözlemlenmiştir.
Zambak Sınıflandırma İmge İşleme Gabor Dalgacık Dönüşümü Yapay Sinir Ağı
Diğer ID | JA79YV72AZ |
---|---|
Bölüm | Makaleler |
Yazarlar | |
Yayımlanma Tarihi | 1 Haziran 2012 |
Gönderilme Tarihi | 1 Haziran 2012 |
Yayımlandığı Sayı | Yıl 2012 Cilt: 1 Sayı: 2 |