دانشگاه تهران مهندسی بیوسیستم ایران 2008-4803 50 3 2019 10 23 Development of an Intelligent System for Diagnosis of the Botrytis Elliptica Disease in the Lilium Plant Using Image Processing توسعه سامانه هوشمند تشخیص بیماری آتشک در گیاه لیلیوم با استفاده از روش پردازش تصویر 535 546 73635 10.22059/ijbse.2019.268871.665112 FA حدیث بی آبی دانشجوی کارشناسی ارشد، دانشکده مهندسی زراعی و عمران روستایی، گروه مکانیک بیوسیستم، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان سامان آبدانان مهدی زاده استادیار گروه مهندسی مکانیک بیوسیستم، دانشکده مهندسی زراعی و عمران روستایی، دانشگاه علوم کشاورزی و منابع طبیعی خوزستان، اهواز، ایران محمدرضا صالحی سلمی استادیار دانشکدة کشاورزی، گروه علوم باغبانی، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان Journal Article 2018 11 04 The automatic detection of plant diseases in the early stages of growth can increase the quality of the final product and prevent the occurrence of permanent damage in large part of farms. Therefore, in this research an intelligent system was designed and developed based on image processing in order to detect and eliminate the disease in the lilium plant leaf, as well as the classification of healthy plants from the unhealthy ones. Accordingly, 20 healthy flowers and 20 unhealthy were evaluated by machine vision system. In order to classify plants, 19 color and morphology parameters of the plant were extracted and the most effective ones (leaf L, leaf a, leaf b, stem L, and stem length) were selected by fuzzy entropy method and these suitable features were grouped by the similarity classifier. As result, the efficiency of the proposed algorithm to diagnose and classify the disease using fuzzy entropy H1, H2 / H3 fuzzy entropy and without applying selection of features method were 96.15, 93.18 and 84.3, respectively. تشخیص خودکار بیماری­های گیاهی در مراحل اولیه در مزارع بزرگ می­تواند علاوه بر افزایش کیفیت محصول نهایی از  بروز خسارات جبران ناپذیر نیز جلوگیری نماید. لذا در این پژوهش سامانه­ای هوشمند بر مبنای پردازش تصاویر به منظور شناسایی و رفع بیماری آتشک در­ برگ گیاه لیلیوم و همچنین طبقه­بندی گیاه سالم از بیمار طراحی و توسعه یافت. بر این اساس تعداد 20 گل­ سالم و  20 گل آلوده توسط سامانه بینایی ماشین ارزیابی شدند. به منظور طبقه­بندی گیاهان تعداد 19 ویژگی رنگی و موفولوژیگی از گیاه استخراج و موثرترین این ویژگی­ها (L برگ، a برگ، b برگ، L ساقه و طول ساقه) با کمک روش آنتروپی فازی انتخاب و به وسیله طبقه­بند مشابه گروه­بندی گردیدند. راندمان الگوریتم پیشنهادی در تشخیص و طبقه­بندی بیماری برای آنتروپی فازی H1، آنتروپی فازی H2/H3 و بدون انتخاب ویژگی به ترتیب 15/96، 18/93 و 3/84  بدست آمد. https://ijbse.ut.ac.ir/article_73635_09ed9ff29c1501f36e166fb56e3c00d6.pdf