Segmentasi Kerusakan Daun Padi pada Citra Digital

Khoerul Anwar, Sigit Setyowibowo

Abstract


Kerusakan daun padi menyebabkan produksi padi mengalami penurunan dan kerugian ekonomi terutama di bidang pertanian. Pada bidang visi komputer hal penting dalam mendeteksi kerusakan adalah melakukan segmentasi area daun yang rusak. Berbagai kajian tentang segmentasi area telah dilakukan oleh para peneliti sebelumnya. Namun pada penelitian ini dikaji tentang segmentasi otomatis.  Pada   penelitian ini bertujuan untuk mendapatkan warna citra yang menghasilkan segmentasi kerusakan pada daun padi terbaik. Penulis mengusulkan metode baru untuk segmentasi berdasarkan statistika nilai piksel citra daun padi sebagai alternatif dari metode yang sudah ada. Statistika nilai piksel untuk segmentasi yang digunakan adalah 0.20 dari nilai tertinggi masing-maisng komponen warna Hue, Saturation, Value (0.20 * maks (HSV)). Metode yang diusulkan telah diujikan pada komponen warna Hue, Saturation, Value dan Grayscale. Hasil yang diperoleh dari pengujian menunjukkan bahwa komponen warna Hue sukses melakukan segmentasi, sementara komponen warna Saturation, Value dan pada citra dengan warna grayscale gagal melakukan segmentasi..


Keywords


Segmentasi; Thresold; Komponen Warna HSV; Grayscale; Daun Padi

Full Text:

PDF

References


Q. Hu, J. Tian, and D. He, “Wheat leaf lesion color image segmentation with improved multichannel selection based on the Chan – Vese model,” Comput. Electron. Agric., vol. 135, pp. 260–268, 2017, doi: 10.1016/j.compag.2017.01.016.

M. Dadwal and V. K. Banga, “Color Image Segmentation for Fruit Ripeness Detection : A Review,” pp. 190–193, 2012.

S. Dutta and B. B. Chaudhuri, “Homogenous Region based Color Image Segmentation,” vol. II, 2009.

N. Ikonomakis, K. N. Plataniotis, and A. N. Venetsanopoulos, “Color Image Segmentation for Multimedia Applications,” pp. 5–20, 2000.

J. Delon, A. Desolneux, J. Lisani, and A. B. Petro, “A Nonparametric Approach for Histogram Segmentation,” vol. 16, no. 1, pp. 253–261, 2007.

J. Delon, A. Desolneux, J. L. Lisani, and A. B. Petro, “Color Image Segmentation Using Acceptable Histogram Segmentation,” pp. 239–246, 2005.

S. L. Phung, “Skin segmentation using color pixel classification : analysis and comparison,” vol. 27, no. January, pp. 148–154, 2005.

N. Sharma, M. Mishra, and M. Shrivastava, “Colour Image Segmentation Techniques And Issues : An Approach,” vol. 1, no. 4, pp. 9–12, 2012.

S. Maity et al., “Fault Area Detection in Leaf Diseases using k-means Clustering.”

D. Albashish and S. Bani-ahmad, “Detection and Classification of Leaf Diseases using K-means-based Segmentation and Neural-networks-based Classification,” no. February, 2011, doi: 10.3923/itj.2011.267.275.

J. Baghel and P. Jain, “K-Means Segmentation Method for Automatic Leaf Disease Detection,” vol. 6, no. 3, pp. 83–86, 2016.

P. Chaudhary, A. K. Chaudhari, and S. Godara, “Color Transform Based Approach for Disease Spot Detection on Plant Leaf,” vol. 3, no. 6, pp. 4–9, 2012.

Z. Wang and S. Zhang, “Segmentation of Corn Leaf Disease Based on Fully Convolution Neural Network,” vol. 1, no. 1, pp. 9–18, doi: 10.25236/AJCIS.010002.

S. Yun, W. Xianfeng, Z. Shanwen, and Z. Chuanlei, “PNN based crop disease recognition with leaf image features and meteorological data,” vol. 8, no. 4, pp. 60–68, 2015, doi: 10.3965/j.ijabe.20150804.1719.

A. Ams, “An Analysis Of Segmentation Techniques,” no. November, 2018, doi: 10.13140/RG.2.2.25054.08002.




DOI: http://dx.doi.org/10.26418/jp.v7i1.42331

Refbacks

  • There are currently no refbacks.