Diagnose und Klassifikation von Traubenblattschäden mittels neuronaler Netze

Pflanzenkrankheiten verursachen erhebliche Schäden und wirtschaftliche Verluste in Kulturen. Eine Verringerung von Pflanzenkrankheiten durch frühzeitige Diagnose führt folglich zu einer erheblichen Verbesserung der Produktqualität. Eine fehlerhafte Diagnose der Krankheit und ihrer Schwere führt zu unangemessenem Einsatz von Pestiziden. Das Ziel der vorgeschlagenen Arbeit ist es, die Krankheit mithilfe von Bildverarbeitung und Techniken der künstlichen Intelligenz anhand von Bildern von Traubenpflanzenblättern zu diagnostizieren. Im vorgeschlagenen System wird das Bild eines Traubenblattes mit komplexem Hintergrund als Eingabe verwendet. Schwellenwertverfahren werden eingesetzt, um grüne Pixel zu maskieren, und das Bild wird verarbeitet, um Rauschen mithilfe anisotroper Diffusion zu entfernen. Anschließend wird die Segmentierung der Traubenblattschäden mit K-means-Clustering durchgeführt. Der befallene Teil aus den segmentierten Bildern wird identifiziert. Die besten Ergebnisse wurden beobachtet, als ein Feedforward-Backpropagation-Neuronales Netzwerk für die Klassifikation trainiert wurde.