DETECTION OF PLANT DISEASES USING IMAGE PROCESSING WITH MACHINE LEARNING

Abstract

ABSTRACT

The quantity and quality of the plants generated by the crop may be significantly impacted by insects and diseases that affect agricultural plants. Plant diseases and insects that feed on plants may be found via the analysis of digital photos. Recent fundamental developments have made deep learning far more effective than previous methods. These developments in digital image processing are noteworthy. Serious researchers are pursuing deep learning and machine learning as artificial intelligence to detect diseases and pests. However, previous research work in the field has not reached satisfactory results. Therefore, this research project suggested a new model using image processing, feature extraction, and machine learning to identify five distinct plant diseases: Anthracnose, Bacterial, Citrus canker, Powdery mildew, and Grey mold. This study uses two classifiers: K-mean for clustering and multi-SVM for classification. These classifiers were used to evaluate the best feature models, and then we compared those models to the detailed features of the used, pre-trained disease classification models. Comparisons were made between the efficacy of the three binary-based approaches: one against all, one against one, and DAGSVM. According to our research findings, the "one against the other" and DAG techniques are superior to the alternatives, where we were able to obtain an accuracy of the linear kernel with 500 iterations is 98.38%

ÖZET

Rekolte bitkilerinin miktarı ve kalitesi böceklerden ve tarım bitkilerini tutan hastalıklardan anlamlı derecede etkilenebilir. Bitki hastalıkları ve bitkilerden beslenen böcekler dijital fotoğrafların analizleriyle bulunabilir. Yakın zamanlarda gerçekleşen temel bazı gelişmeler önceki yöntemlere kıyasla derin öğrenmeyi çok daha etkin kılmıştır. Dijital görüntü işleme alanındaki bu gelişmeler dikkate değer. Ciddi araştırmacılar hastalıkları ve zararlıları tespit etmek için derin öğrenme ve yapay zeka olarak makine öğrenmesini takip etmektedirler. Ancak, bu alanda önceki araştırmalar tatmin edici sonuçlar vermemiştir. Bu yüzden, bu araştırma projesinde beş farklı bitki hastalığının tanımlanmasında görüntü işleme, özellik ekstraksiyonu ve makine öğrenmesini kullanan yeni bir model önerilmektedir: Antraknoz, Bakteriyel, Turunçgiller Kanseri, Küllenme ve Kurşuni Küf Hastalığı. Bu çalışmada iki ayırıcı kullanılmıştır: kümeleme için K-ortalama ve sınıflandırma için multi-SVM. Bu ayırıcılar en iyi özellik modellerinin değerlendirilmesi için kullanıldı, sonra bu modelleri kullanılan eğitim öncesi sınıflandırma modellerinin ayrıntılı özellikleriyle karşılaştırdık. Üç adet ikili temelli yaklaşımın etkinlikleri arasında karşılaştırmalar yapıldı: hepsine karşı biri, birine karşı diğeri ve DAGSVM. Bizim araştırma bulgularımıza göre, 500 tekrarla elde edilen lineer çekirdeğin doğruluğu %98.38 olduğundan “birine karşı diğeri” ve DAG teknikleri diğer alternatiflere göre üstündür.