Biological Systems Engineering, Department of

 

Document Type

Article

Date of this Version

2024

Citation

Jurnal Keteknikan Pertanian Tropis dan Biosistem (2024) 12(3): 151-159

doi: https://doi.org/10.21776/

Comments

Copyright 2024, the authors. Open access

License: CC BY-SA 4.0 International

Abstract

English abstract

In Bangladesh, tomato cultivation faces significant challenges due to its susceptibility to various microorganisms, parasites, and bacterial infections. Typically, the early symptoms of these diseases first appear in roots and leaves, complicating timely detection. This study addresses the challenge of timely and accurate detection of diseases in tomato plants, crucial for effective plant protection management. Conventional manual inspection methods are time-consuming and subjective, resulting in delays in implementing necessary protection measures. Therefore, an image processing technique and machine learning algorithms were used for rapid and robust detection of diseases in tomato plant leaves, aiming to streamline the detection process for chemical application responses. A dataset containing 250 images of tomato plant leaves were captured under varying light intensities, eye-level angles, and distances. Image augmentation techniques were applied to increase the dataset, resulting in a total of 529 images. These images were converted to LAB color images and then OTSU algorithm was used to segment leaf images and estimate the percentage of affected diseased areas. Various textural features were also extracted from segmented leaf images to create a training dataset. Machine learning algorithms, including Support Vector Machines (SVM), K-Nearest Neighbors (KNN), and decision trees, were trained and evaluated using this dataset to classify images as healthy or diseased. The Quadratic SVM algorithm provided the highest test accuracy of 97.7% for the dataset. This nondestructive processing holds immense promise for improving disease detection efficiency and reducing losses in tomato production, both locally in Bangladesh and globally.

Indonesian abstract

Di Bangladesh, budidaya tomat menghadapi tantangan yang signifikan karena kerentanannya terhadap berbagai mikroorganisme, parasit, dan infeksi bakteri. Biasanya, gejala awal penyakit-penyakit ini pertama kali muncul di akar dan daun, sehingga menyulitkan deteksi tepat waktu. Penelitian ini membahas tantangan deteksi penyakit yang tepat waktu dan akurat pada tanaman tomat, yang sangat penting untuk manajemen perlindungan tanaman yang efektif. Metode inspeksi manual konvensional memakan waktu dan subjektif, sehingga mengakibatkan penundaan dalam menerapkan tindakan perlindungan yang diperlukan. Oleh karena itu, teknik pemrosesan gambar dan algoritma pembelajaran mesin digunakan untuk mendeteksi penyakit pada daun tanaman tomat dengan cepat dan kuat, yang bertujuan untuk merampingkan proses deteksi untuk respons aplikasi kimia. Sebuah dataset yang berisi 250 gambar daun tanaman tomat diambil di bawah berbagai intensitas cahaya, sudut pandang, dan jarak. Teknik augmentasi gambar diterapkan untuk meningkatkan dataset, menghasilkan total 529 gambar. Gambar-gambar ini diubah menjadi gambar berwarna LAB dan kemudian algoritma OTSU digunakan untuk mensegmentasi gambar daun dan memperkirakan persentase area yang terkena penyakit. Berbagai fitur tekstur juga diekstraksi dari gambar daun yang telah disegmentasi untuk membuat dataset pelatihan. Algoritma pembelajaran mesin, termasuk Support Vector Machines (SVM), K-Nearest Neighbors (KNN), dan pohon keputusan, dilatih dan dievaluasi dengan menggunakan set data ini untuk mengklasifikasikan gambar sebagai gambar yang sehat atau sakit. Algoritma Quadratic SVM memberikan akurasi pengujian tertinggi sebesar 97.7% untuk dataset. Pemrosesan nondestruktif ini sangat menjanjikan untuk meningkatkan efisiensi pendeteksian penyakit dan mengurangi kerugian dalam produksi tomat, baik secara lokal di Bangladesh maupun global.

Download

Share

COinS