Detection of citrus diseases using a fuzzy neural network

The objective is to use AI techniques to build a citrus image recognition system and to produce an integrated program that will assist plant protection professionals in determining whether the disease is infected and early detection for the purpose of taking the necessary preventive measures and reducing its spread to other plants. In this research, the RBF and FRBF networks were used and applied to 830 images, to detect whether citrus fruits were healthy or ill. At first, the preprocessing of these images was done, and they were reduced to 250 x 250 pixels, and the features were extracted from them using the co-occurrence matrix method (GLCM) after setting the gray level at 8 gradients and 1 pixel distance, 21 statistical features were derived, and then these features were introduced to RBF after determine the number of input layer nodes by 21 , 20 for the hidden layer and 1 node for output layer, the centers were randomly selected from the training data and the weights were also randomly selected and trained using the Pseudo Inverse method. The RBF network was hybridized with the fuzzy logic using the FCM method, the fuzziness parameter = 2.3 was selected, and a new network called FRBF was acquired. These networks were trained and tested in training data (660 images) and testing (170 images) for citrus fruits. The detection rate was then calculated, and the results showed that the (FRBF) had a higher accuracy of 98.24% compared to RBF of 94.71%. keywords: Artificial neural networks, Feature extraction, FRBF, Fuzzy c-means, RBF, Texture feature. ةببضملا ةيبصعلا ةكبشلا مادختسإب تايضمحلا ضارمأ فشك رهاط دعس ىده 1 * ، ليلخ ميهاربا ءاديب 2 مولع مسق ارعلا ،لصوملا ،لصوملا ةعماج ،تايضايرلاو بوساحلا مولع ةيلك ،بوساحلا ق قارعلا ،لصوملا ،لصوملا ةعماج ،بطلا ةيلك صخلملا ىلإ ثحبلا فدهي مادختسا روص زييمت ماظن ءانبل يعانطصلاا ءاكذلا تاينقت تايضمحلا تاتابن ةادأ دعي لماكتم جمانرب جاتن او ل ةدعاسم يوذ صاصتخلاا كلذو تاتابنلا ةياقو لاجم يف ديدحتل ب ةباصا كانه له ضرملا ضرغل هنع ركبملا فشكللو ذاختا تاءا رجلإا Journal of Education and Science (ISSN 1812-125X), Vol: 30, No: 5, 2021 (125-135) 126 نم دحلاو ةمزلالا ةيئاقولا هراشتنا .تاتابنلا ةيقبل ثحبلا اذه يف ، دختسا م ت ةكبش ( ةيعاعشلا ةدعاقلا ةلاد RBF ) ةكبش و ةدعاقلا ةلاد ةيعاعشلا ةببضملا ( FRBF ) اهقيبطتو ىلع روص ةعومجم ددعب 830 ةروص لل فشك ام ك اذإ ةضيرم مأ ةيحص تايضمحلا رامث تنا . ، ةيادبلا يف روصلا هذهل ةيلولأا ةجلاعملا تمت مجحب روص ىلا اهميجحتو 250 × 250 اهنم تا زيملا صلاختساو لسكيب ةقيرط مادختساب ( كرتشملا دجاوتلا ةفوفصم GLCM ) ىوتسملا ديدحت دعب يدامرلا ددعب 8 دحاو لسكيب ةفاسمبو تاجردت ، صلاختسا متو 21 ةيئاصحإ ةزيم اهنم ىلإ تا زيملا هذه لاخدإ مت مث RBF دعب لاخدلاا ةقبط ايلاخ ددع ديدحت ـب ( 21 ) و ( ـب ةئبخملا ةقبطلا 20 ةدحاو ةيلخو ةيلخ ) جا رخلإل ةقيرط مادختساب اهبيردتو اضيا ةيئاوشع ةروصب نا زولاا رايتخا متو بيردتلا تانايب نم ةيئاوشع ةروصب زكا رملا رايتخا متو Pseudo Inverse ةكبش نيجهت مت . RBF او ببضملا قطنملاب ل م مت ةقيرطب لث (FCM) يتخا متو ببضتلا لماعم را =(m) 2.3 لوصحلا متو ةكبشب تيمس ةديدج ةكبش ىلع Fuzzy RBF بيردتلا تانايب ىلع نيتكبشلا نيتاه رابتخاو بيردت مت ثيح . ( 660 )ةروص رابتخلااو ( 170 )ةروص رامثل باسح مت مث .تايضمحلا ةقدلا ةقيرطلا نأ جئاتنلا ترهظأو ، ( ةحرتقملا ةديدجلا Fuzzy RBF ىلع تلصح ) ةقد ىلعأ يهو 98.24 عم ةنراقم % RBF اهتبسن تناك يتلا 94.71 .% :ةيحاتفملا تاملكلا ،تا زيملا صلاختسا ،ببضملا قطنملا ،ةيعانطصلاا ةيبصعلا تاكبشلا ،ةيعاعشلا ةدعاقلا ةلاد ةكبش ةلاد ةكبش ةيعاعشلا ةدعاقلا ةببضملا ، تا زيم .جيسنلا 1 . ةمدقملا ةعومجمب تايــ ـضمحلا ةعا رز رثأتت ري و تاــ ـسوريفلاو تايرطفلاو ايريتكبلا نع ةجتانلا ضا رملأا لثم ةيويحلا لماوعلا نم ةعونتم ةجردو ءاملا :لثم ةيويحلا ىرخلأا ةيئيبلا لماوعلاو ةرا رحلا [1] املا دقعلا يف . ،يــــــــــض مدختــــــــــسا روــــــــــصلا ةجلاعم تاينقت نوفلتخم نوثحاب نم روــ ــــصلا ىلع لوــ ــــصحلا متي ،للاوأ .جهنلا ًفن وه تاينقتلا هذه لكل يــ ــــساــ ــــسلأا جهنلا .ةيعا رزلا تاقيبطتلا يف طامنلأا ىلع فرعتلاو ةئيبلا مادختــ ـساب روــ ـصلا ةجلاعم تاينقت قيبطت متي مث ،ةيمقر وأ ةيرظانت تا ريماك جا رختــ ـسلا م صئاــ ـصخ ليلحتلا نم ديزمل ةيرورــ ـض ةديف او ةيبــ ـصعلا تاكبــ ـشلاو ةيئاــ ـصحلإا تافنــ ـصملا لثم ةيزييمت تاينقت مدختــ ـست ،كلذ دعبو .روــ ـصلل روــ ـصلا فينــ ـصتل ةيكذلا تايمزراوخل [2] . اهفينـصت دا رملا روـصلا نيـسحتل روـصلا ةجلاعم رط نيثحابلا نم ديدعلا مدختـسا ثيح ةفاـضلإاب اطقتـسلا عيطقتلا ةقيرط لامعتـسا ىلا ةدع وأ ون مادختــــــسا مث نمو تا زيملا صلاختــــــسا رط نم ديدعلا مادختــــــسا مت كلذكو هفينــــــصتو هــــــصحف دا رملا ءزجلا تاينقت نم اونأ لل فينــ ـصتلا فينــ ـصتلل ةبولطملا ةقدلا ىلا لوـــصو . ماع يف 2014 ملاعلا مدختـــسإ Kiran R. Gavhale نورخآو ةقيرط ةروـــصلا عيطقت (Segmentation) مادختــــساب K-means clustering algorithm ةقيرط مادختــــسإ مث نمو دجاوتلا ةفوفــــصم GLCM صلاختــــسلا مادختــ ـس لاو تايــ ـضمحلا ضا رملا اونأ علارأ فينــ ـصتل ةروــ ـصلا تامــ ـس معدلا ةلقان ةللآا Support Vector Machine (SVM) ةاون عم ةيعاعـــــــــــشلا ةدعاقلا Radial Basis Kernel و Polynomial Kernel نيفنــ ـــــــــصمك [3] . و ماع يف 2016 ملاعلا مدختــ ـــــــــسإ Deng Xiaoling نورخآو رط ا نوللا تامــ ــس صلاختــ ــس Color Feature جيــ ــسنلا تامــ ــس صلاختــ ــساو Texture Feature تاكبــ ــشلا عم لا راـــشتنلاا ةكبــ ـش ون نم ةيبــ ـصعلا ــ ـسكع ي (two-stage back propagation neural network) ضا رملا اونا ًمخ فينــ ـصتل تايــــــضمحلا [4] . و ماع يف 2018 ملاعلا مدختــــــسإ M. Sharif صلاختــــــسا رط عم ةروــــــصلل ىلثملا ةنوزوملا عيطقتلا ةقيرط نورخآو تايــضمحلا رامثو ا رولا لكــشلاو جيــسنلاو نوللا نم صاوخلا ةيــساــسلاا تانوكملا ليلحت ةقيرط مادختــس ب تامــسلا رايتخا مت مث (PCA) ةقيرط فينـــصتلل اومدختـــساو ا معدلا ةلقان ةللآا ددعتمل (M-SVM) [5] . ماع يف كلذكو 2019 ملاعلا مدختـــسإ I. Ojelabi Ayobami روــ ـــــــصلا عيطقت ةقيرط نورخآو ة (segmentation) ةقيرطب صاوخلا صلاختــ ـــــــسا عم نوللا تامــ ـــــــس صلاختــ ـــــــسا (Color Feature Journal of Education and Science (ISSN 1812-125X), Vol: 30, No: 5, 2021 (125-135) 127 Extraction) جيـــسنلا تامـــس صلاختـــساو (Texture Feature Extraction) مادختـــس لاو تايـــضمحلا ضا رملا اونأ علارأ فينـــصتل SVM فنصمك [6] . فدهي اذه ثحبلا ىلا دصر ةباصإ ةباصملا تايضمحلا نع ركبملا فشكلا نامضل تايضمحلا رامث ةيجاتنإ ةدايز ىلا يلاتلابو .تابنلا ةحص ىلع ةظفاحملا للاخ نم ةيعا رزلا ةورثلا ىلع ظافحلاو ليصاحملا ثحبلا ةطخ ( مقر ءزجلا يف 2 ) ىلا رطتنس حرش ا ضعبل تاينقتل ةمدختسملا تايضمحلا ضارمأ فينصتو فشك ةمظنا يف و ( مقر ءزجلا يف 3 ) و دجاوتلا ةفوفصمل حرش ( مقر ءزجلا يف 4 ) يف لوانتنس ه ةيعانطصلاا ةيبصعلا تاكبشلل احرش ةكبشو RBF ، ءزجلا يف ( مقر 5 ) ل حرش ةببضملا ةدقنعل ( مقر ءزجلا يف 6 ) .جاتنتسلااو براجتلا ءزج مث حرتقملا ماظنلا 2 . تاينقتلا ةمدختسملا تايضمحلا ضارمأ فينصتو فشك ةمظنا يف ةمظنلاا هذه يف ةمدختسملا تاينقتلا بل أ لمشت ماع لكشب تافنصملا ا ريخأو تا زيملا صلاختسا ،روصلل ةيلوا ةجلاعم . 1.2 ةيلولأا ةجلاعملا يهو ةيريـضحتلا ةوطخلا لا يف نيابتلا نيـسحتل ةماه لا خدملا روـص ةل ( تا ريماكلاو راعـشتـسلاا ةزهجأ نم تطقتلا يتلا ةروـصلا هذهو ،) روـــصلا كلذ يف امب ءاـــضوـــضلا نم ريثكلا اهيدل لا ةيفلخ لا لا ةقد ىلع رثعت يتلاو ،ةئيـــس جئاتن لا تاينقت لمعت . ةيئادتبلاا ةجلاعم ىلع هذه ىلإ اهريغتو روـصلا ةنـسحم روـص ةبـسانم لاثم( حتو ةراتخملا روـصلا مجححتـس صق نكمي ثيحب إ ةءافكب اهرابتخ ) [ 7 ] لا ةلحرم يوتحت . ةجلاعم ةيئادتبلإا ،ناوللأا ةحاسم ليوحتو ،ةروصلا نيسحت لثم تايلمعلا نم ديدعلا ىلع تو ميجح ةروصلا . [2] 2.2 ط تازيملا صلاختسإ قر ةروصلل ماخلا تانايبلا ليلحت متي ا لجا نم ةحضاو ةيعر ىلع لوصحل جا رختسلا اهمادختسإ نكمي ثيحب ةروصلا عم ثدحي امل .داعبلأا ليلقت نم صاخ لكش وهو ،ةماه ةوطخ وه تا زيملا جا رختسا ،طمنلا ىلع فرعتلاو روصلا ةجلاعم يف .ةبولطملا تامولعملا ا مجح ليلقتل ةيلمع ىلا جاتحن فوسف ،اهتجلاعم نكمي لا ثيحب ادج ةريبك تلاخدملا تانايب نوكت امدنع ليوحت ةيلمع ىمست .تانايبل جيسنلا وأ لكشلا وأ نوللاب قلعتت تامولعم ىلع تا زيملا يوتحت ام ابلا و ،تا زيملا صلاختس ب تا زيملا نم ةعومجم ىلإ تلاخدملا تانايب ايسلا وأ [8] . تانايبلا بسحو قيبطتلا لاجم بسح نيثحابلا لبق نم روصلا نم تا زيملا صلاختسلإ رطلا نم ديدعلا مادختسإ مت اهنمو ةمدختسملا [9] : • ةيناكملا تا زيملا جا رختسا رط Spatial features extraction • ليوحتلا تا زيم جا رختسا رط Transform features extraction • دودحلا و ةفاحلا تا زيم جا رختسا رط Edge and boundary features extraction • ناوللأا تا زيم جا رختسا رط Color features extraction • لكشلا تا زيم جا رختسا رط Shape features extraction • جيسنلا تا زيم جا رختسا رط Texture features extraction 3 دجاوتلا ةفوفصم . GLCM ةوطخلاو ،ةطبا رتملا رصانعلل دجاوتلا ةفوفصم باسح يه ىلولأا ةوطخلا ،جيسنلا ةيصاخ جا رختسلإ نيتوطخ كيلا راه ملاعلا حرتقإ ةفوفصملا هذه ًاسأ ىلع جيسنلا ةيصاخ باسح يه ةيناثلا [10] بطلا نم روصلا ليلحت تاقيبطت نم عساولاجم يف ةديفم ةينقتلا هذه . دعب نع راعشتسلإا تاينقت ىلإ روصلا ىلع ةدمتعملا اجرتسلاا مظنو يويحلا [8] ةيئاصحإ ةادأ يه ةطبا رتملا رصانعلل دجاوتلا ةفوفصم . صلاختسلإ ةخسا ر ةزيمتملا ةيدامرلا تايوتسملا ددعل ايواسم ةدمعلأاو فوفصلا ددع اهيف نوكي ةفوفصم يهو .جيسنلل يناثلا بيترتلا تا زيم Journal of Education and Science (ISSN 1812-125X), Vol: 30, No: 5, 2021 (125-135) 128 ىوتسم عم ةددحم ةيناكم ةيطخ ةقلاع يف رهظي دحاو يدامر ىوتسم رتاوت فصت ةفوفصم يهو .حطسلا كلذ ةروص يف لسكيبلا ميق وأ قيقحتلا لاجم لخاد رخآ يدامر [9] . نإ ةطبا رتملا رصانعلل دجاوتلا ةفوفصم لخدم لك .ةفورعملا جيسنلا ليلحت بيلاسأ لضفأ نم ةدحاو ( (i, j يف GLCM ةيدامرلا تايوتسملا نم جوز ثودح تا رم ددع عم قباطتي (i, j) ةفاسم اهنيب لصفت يتلا (d) ةيلصلأا ةروصلا يف [9] . 4 :ةيعانطصلاا ةيبصعلا تاكبشلا . ةيعانطصلاا ةيبصعلا تاكبشلا تمدختسا (ANN) ءاكذلا يف ةيمهلأا غلاب لاوضع اهرابتعاب ثوحبلا نم ديدعلا يف عساو اطنب ليلحتل ةيوق تاودأ لكشت يهو .يعانطصلاا ءاكذلاو يباسحلا ةيطخلا ري و ةيطخلا تاقلاعلا طقتلت اهنأ ثيح ،جذامنلا عضوو تانايبلا ،تانايبلا عيمجتو ،فئاظولا بيرقتل ةميق ةادأ يهو ،ةقدب اهلثمتو روصلا فينصتو طامنلأا ىلع فرعتلاو ،ةراشلاا ةجلاعم [11] . 1.4 ةيعاعشلا ةدعاقلا ةلاد ةكبش . Radial Basis Functions Network (RBFN) ةيعاعشلا ةدعاقلا ةلاد ةكبش تبستكا RBFN أ ترهظأو نيثحابلا نيب اطنلا ةعساو ةيبذاج ل ءاد نم ةعونتم ةعومجم يف ا ل ديج تلااجم قيبطتلا تا لبق نم ةرم لولأ تمدق . ثحابلا ةنورم رثكأ تحبصأو اهريوطتب يولو ديهمورب ماق قحلا تقو يفو "لواب" [12][13] . قلا ةلاد ةكبش ربتعت ةيعاعشلا ةدعا RBFN بشل ايوق لايدب ك ة multi-layer perceptron دوجوو ةيلكيهلا ةطاسبب زيمتت اهنلأ يلاع بيرقت ءاداو دقعم يطخ ري مسر ليثمت ىلع ةرداق اهيف ةعيرس ةيطخ ملعت ةيمزراوخ [14] . 2.4 ةيعاعشلا