بیماری سفیدک پودری هلو توسط قارچ Sphareotheca pannosa var. persica ایجاد می¬شود. پس از باز شدن برگ‌ها، لکه‌هایی به‌رنگ سفید در سطح بالایی و گاهی زیرین دیده می‌شوند. سپس سطح لکه‌ها کمی وسیع‌تر شده و برگ در محل لکه‌ها سبز کم‌رنگ و مایل به قهوه‌ای می‌شود. به‌تدریج لکه‌های برگ بزرگ‌تر می‌شوند و تغییر رنگ اپیدرم بیشتر شده و بافت برگ در محل لکه‌ها کمی برجستگی یا فرورفتگی پیدا می‌کند، سپس برگ چین‌دار شده و مشابه حالتی می¬شود و دو نیم پهنک حول رگبرگ اصلی به سمت بالا برگشته، پیچ و تاب می‌خورند و بیشتر سطح برگ پوشیده از لایه آردی شکل قارچ بوده و پهنک برگ در آن قسمت‌ها قهوه ای است. در این مقاله برای شناسایی این بیماری از فناوری پردازش تصویر و قدرت یادگیری شبکه¬ی عصبی استفاده شده است. پردازش تصویر به فرایند تحلیل و آنالیز تصویر به صورت دیجیتالی و شبکه¬ی عصبی به مدلی برای یادگیری الگوهای مختلف گفته می¬شود. برای تهیه عکس¬های مختلف از این بیماری از 160 نمونه مختلف با فاصله30 سانتی¬متر که بهترین فاصله برای عکس¬برداری است، تصویر تهیه شد. نمونه¬ها شامل 80 نمونه بیمار و 80 نمونه سالم هستند. پس از انجام پیش¬پردازش¬های لازم بر روی عکس¬ها و حذف علائم زائد و داده¬های غیر قابل استفاده، الگوریتم پردازش تصویر مناسب برای شناسایی ویژگی¬های مختلف نمونه¬ها طراحی و پیاده¬سازی شد. از جمله ویژگی¬هایی که از طریق این الگوریتم از تصویر نمونه¬ها استخراج می¬شود عبارتند از مساحت بیماری، تیرگی، رنگ و رنگ محل تلاقی با نواحی سالم. پس از استخراج بیش از 10 ویژگی مختلف برای این بیماری از تصاویر به‌دست آمده، از شبکه¬ی عصبی با انتشار به‌عقب برای یادگیری این الگوها و انطباق آن با بیماری یا عدم بیماری نمونه استفاده شد. ساختار کلی شبکه¬ی عصبی طراحی شده چند لایه و با انتشار به‌عقب بوده است. دلیل استفاده از این نوع شبکه¬ی عصبی، اصلاح وزن¬های یادگیری در هر تکرار و افزایش دقت تصمیم¬گیری و یادگیری آن باتوجه به نوع بیماری نمونه¬های است. از مجموعه 160تصویر تهیه شده، 130تصویر برای آموزش شبکه¬ی عصبی طراحی شده و 30 تصویر برای آزمون این شبکه¬ی عصبی استفاده شده¬اند. دو مجموعه آزمون و آموزش نیز به روش cross-validation مورد استفاده قرار گرفته¬اند تا نتایج به‌دست آمده دقیق¬تر و به واقعیت نزدیک¬تر باشد. نتایج نشان می¬دهند که دقت روش پیشنهادی %79/96 است. یعنی در تشخیص نمونه بیمار از نمونه سالم در %79/96 حالت به‌درستی تشخیص می¬دهد. اهمیت این نتایج در این است که با استفاده از الگوی طراحی شده در این مقاله، امکان شناسایی این نوع از بیماری¬های هلو به‌صورت خودکار، بسیار آسان، کم¬هزینه و با دقت بسیار بالا انجام می¬شود، امری که در صنعت به‌دلیل کمبود وقت برای شناسایی همه نمونه¬های آلوده در حجم انبوهی از یک نمونه، بسیار حائز اهمیت است.

کلمات کلیدی