Identification of Plant Diseases Using Gray-Level and Color-Based Features of Leaf Images

EMU I-REP

Show simple item record

dc.contributor.advisor Toygar, Önsen
dc.contributor.author Isah, Ibrahim
dc.date.accessioned 2022-04-25T11:45:51Z
dc.date.available 2022-04-25T11:45:51Z
dc.date.issued 2020
dc.date.submitted 2020-07
dc.identifier.citation Isah, Ibrahim. (2020). Identification of Plant Diseases Using Gray-Level and Color-Based Features of Leaf Images. Thesis (M.S.), Eastern Mediterranean University, Institute of Graduate Studies and Research, Dept. of Computer Engineering, Famagusta: North Cyprus. en_US
dc.identifier.uri http://hdl.handle.net/11129/5422
dc.description Master of Science in Computer Engineering. Institute of Graduate Studies and Research. Thesis (M.S.) - Eastern Mediterranean University, Faculty of Engineering, Dept. of Computer Engineering, 2020. Supervisor: Assoc. Prof. Dr. Önsen Toygar. en_US
dc.description.abstract The detection of plant diseases is a vital factor in agricultural production worldwide, which if ignored, can lead to tremendous losses of plant products and revenue. Farmers and researchers from many centuries ago have learnt to identify some plant disease manually by inspection, but presently, technological development have advanced cultivation to an industrial scale, therefore detection of plant diseases has also become a great issue of concern as the farmers may be unable to identify the diseases, their point of origin or even the infected plants early enough. This can lead to a disease outbreak. Early detection of plant diseases can immensely reduce or avoid massive potential losses as it will provide the opportunity for active and cautionary measures. In view of the aforementioned issue, carrying out researches on different ways and methods to curb this problem is a vital necessity. This thesis study employs the application of computer vision and image processing techniques for plant disease identification. Principal Component Analysis (PCA), Local Binary Patterns (LBP) and Completed Local Binary Patterns (CLBP) feature extraction methods are used for the extraction of texture-based and appearance-based image features. Disease symptoms are analyzed and identified from four different plant leaves to evaluate the performance of the proposed method. We propose a method that incorporates Feature-Level Fusion of the gray level features and color based features using PCA and LBP methods to create a robust system. The proposed method has proven to be more robust compared to the individual systems using LBP and CLBP. Experiments are conducted on PlantVillage dataset due to its diversified collection of plant leaves. Furthermore, two classifiers are used for classification purposes namely k-Nearest Neighbor (k-NN) and Support Vector Machine (SVM). At the end of the empirical evaluations, a comparative study is presented. Keywords: plant disease identification, leaf images, color spaces, Feature-Level Fusion, feature extraction, texture-based features, appearance-based features. en_US
dc.description.abstract ÖZ: Bitki hastalıklarının tespiti, dünya çapındaki tarımsal üretimde hayati bir faktördür ve göz ardı edilirse çok büyük çapta bitkisel ürün ve gelir kaybına yol açabilir. Çiftçiler ve araştırmacılar yüzyıllardan beri bazı bitki hastalıklarını gözlemleyerek tanımlamışlardır. Ancak günümüzde teknolojik ilerlemelerle bitki yetiştirme endüstriyel bir ölçekte yapılmaktadır. Böylece bitki hastalıklarının tespiti büyük ilgi uyandırmıştır çünkü çiftçilerin bitki hastalıklarını tanımlaması, başlangıç noktasını bulmaları ve hastalıklı bitkileri tespit etmeleri mümkün olmayabilir. Bu da bir salgın hastalığa sebep olabilir. Bitki hastalıklarıın erken tespiti, aktif ve uyarıcı tedbirlere fırsat verdiği için büyük potansiyel kayıpları etkili bir şekilde azaltacak veya yok edecektir. Bahsedilen görüş doğrutusunda farklı yaklaşımlar ve yöntemlerle bu problemi çözmek için araştırmalar yapmak hayati bir zorunluluktur. Bu tez çalışması, bilgisayarla görü ve görüntü işleme uygulamalarını kullanmaktadır. Ana Bileşenler Analizi (PCA), Yerel İkili Örüntü (LBP) ve Tamamlanmış Yerel İkili Örüntü (CLBP) öznitelik çıkarma yöntemleri, dokuya-bağlı ve görünüm tabanlı özniteliklerin saptanmasında kullanılmıştır. Hastalık semptomları, önerilen yöntemin performansını değerlendirmek için dört farklı çeşit bitkinin yapraklarından analiz edilmiş ve tanımlanmıştır. Önerilen yöntemde, PCA ve LBP kullanılarak elde edilen renksiz ve renkli öznitelikler birleştirilerek güçlü bir yöntem yaratılmıştır. Önerilen yöntemin LBP ve CLBP kullanan bireysel sistemlere göre daha güçlü olduğu ispatlanmıştır. Deneyler, çeşitli bitki yaprakları koleksiyonundan oluşan PlantVillage veri kümesi üzerinde yapılmıştır. Ayrıca, sınıflandırma yöntemi olarak k-En Yakın Komşu (k-NN) ve Destek Vektör Makinesi (SVM) sınıflandırıcıları kullanılmıştır. Deney sonuçlarının değerlendirilmesinden sonra karşılaştırma çalışması da sunulmuştur. Anahtar kelimeler: bitki hastalıklarının tanımlanması, yaprak görüntüleri, renk uzayları, Karar-Seviyesi Kaynaşımı, öznitelik çıkarımı, dokuya-bağlı öznitelikler, görünüm tabanlı öznitelikler. en_US
dc.language.iso eng en_US
dc.publisher Eastern Mediterranean University (EMU) - Doğu Akdeniz Üniversitesi (DAÜ) en_US
dc.rights info:eu-repo/semantics/openAccess en_US
dc.subject Computer Engineering Department en_US
dc.subject Computer Pattern Recognition en_US
dc.subject Recognition (Computer science) en_US
dc.subject Image processing--Pattern recognition systems en_US
dc.subject Plant disease identification en_US
dc.subject leaf images en_US
dc.subject color spaces en_US
dc.subject Feature-Level Fusion en_US
dc.subject feature extraction en_US
dc.subject texture-based features en_US
dc.subject appearance-based features en_US
dc.title Identification of Plant Diseases Using Gray-Level and Color-Based Features of Leaf Images en_US
dc.type masterThesis en_US
dc.contributor.department Eastern Mediterranean University, Faculty of Engineering, Dept. of Computer Engineering en_US


Files in this item

This item appears in the following Collection(s)

Show simple item record