Int ern at i onal  Journ al of Inf orm at ic s  and  Co m munic at i on  Tec hn olog y (IJ - I CT)   Vo l. 6 ,  No. 3 ,  D ece m ber   201 7 , pp.  209 ~ 2 17   IS S N:  22 52 - 8776 ,  DOI: 10 .11 591/iji ct . v6 i 3.p p 20 9 - 2 17           209       Journ al h om e page :  http: // ia esj ou r nal.co m/ on li ne/in dex .php / IJ ICT   Density  Based Cl usterin g with Int egrated  On e - Class SVM  for  Noise Re du ctio n       Md. A bdul  A w al ,  M oham mad   Jah angir  A la m * ,   Md.  Nu rul  Must afa   Depa rtment  o f  C om pute r  Scie n ce a nd  In form at ion   Technol og y ,   So uthe rn  Univ ersity   B anglade sh   739/A  Mehidi b a g  Road, Chitta go ng,   Bang la d esh.       Art ic le  In f o     ABSTR A CT    Art ic le  history:   Re cei ved   A ug   21 st ,  20 1 7   Re vised  Oct   5 th , 201 7   Accepte d   Oct   19 th ,  20 1 7       The   t ec hno log y   base d  m oder n  a gric ult u re   indust rie s  ar e  tod a y ‟s  re quire m ent  in  eve r y   p art   of  agr ic u lt ure   in  B angl ad esh.   In  this   te chnol og y ,   th e  disea se  of   pla nts  is  pr ec is ely   cont rol le d .   Du e  to  the   v ariabl e   at m ospheric  ci r cums ta nce s   the se  cond it ions  som et im es  the   fa rm er  doesn‟t  k now  what  t y p e  o f  disea se  on   the   pla n t  and  w hic h  t y pe  o f  m edi ci n e  provide   t hem  to  avoi d  di sea ses.  Thi s   re sea rc h  d eve lo ped  for  cro ps  disea ses  det ection   and  to  provide s  soluti on  b y   using  image  proc essing  te chn iqu es.   W e  have   use d  Android   Studio  to  deve lop   the   s y s te m .   The  cro ps  disea ses  d et e ct ion   and   solu ti on   s y s te m   is  co m par ed  the  image  of  aff ecte d  cro ps  with  dat aba se  of  CDD AS S   (Cro ps  Disea ses  Dete c ti on  and  Soluti on   s y stem ).  If  CDD AS S   de te c t  an y   d isea se   s y m ptom ,   the n  provide   su ggesti on  so   tha t  fa rm ers  ca n  ta ke   prope r  dec ision   to  provide  m edi ci ne   to  the  aff e cted  cro ps .   The  applic at io n  has  dev el op e d  with  user   frie ndl y   fe at ure s   so t ha t  f armers  ca n  use   i t  e asily .   Ke yw or d:   agr i c ultur al  e xperts   a ndr oid   a pps     CDD AS S     Crops  Diseases  D et ect ion   Im age p r ocessi ng       Copyright   ©   201 7   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Moh am m ad  Jahangir  A la m ,    Dep a rtm ent o f C om pu te r  Scie nce a nd Info rm at ion  Tec hnol ogy, S outhe rn Unive rsity  Bang l ades h   739/A M ehi diba g  R oad, Chitt agon g,  Ba ngla des h .   E m a il :  j ahangir@s outher n. e du. bd       1.   INTROD U CTION     Agricult ure  a nd  hum an  so ci al   dev el op m ent  go   si de  by  s ide  as  the  pro du ct io n  of  cr ops  m ade  it  po s sible  for  pr i m itive  m an  to  set tl e  down  in   sel ect ed  s po ts  l eadin g  t o  f orm at ion   of  s ociet y   [1 ] .   The   hist or y  of  agr ic ultur al   in   Ba ng la des h  long  befor e .   B ang la des h  is  ba sic al ly   an  agri cultural  co untry ,  an d  the  i nc om e  is  base d on the a gr ic ultur al   pro du ct s  and all  it s r es ources  d e pe nd on t he  a gr i cultural  outp ut.   Althou gh  Ba ngla des h  is  on  course  f or   Mi d dle  I nc om e  Cou nt ry  sta tus  by   2021,   ag ricult ur e   rem ai ns   the largest   em plo ye r  in the c ount ry b y fa r   an d  47. 5% of  t he  p op ulati on  is  directl y e m plo ye d  in agric ult ur e a nd   arou nd   70%  de pends  on  a gr i culture   in  one  form   or   an othe r  f or  their   li velihood.  Agricul ture   is  t he  s our ce  of  foo d  for  pe op l e  through  cr op s,  li vestock,  fisher ie s;  the  source  of  ra w  m at erial s  fo r  in dustry,  of  tim ber   for  const ru ct io n;  and  a  gen e rat or   of  f orei gn   exc hange  f or  the  c ountry  thr ough  the   e xport   of  a gr ic ultur al   com m od it ie s,  wh et her   ra w  or  processe d.   It   is  the  m oto r  of   the  de velo pm ent  of   the  agro - i ndus tria l  sect or   includi ng  f ood  processi ng,  in put  pro duct io n  a nd  m ark et ing ,  an d  relat ed   ser vices. A s  m ai n  source   of  ec onom ic  li nk age s  in  r ural   areas,  it   play s  a  f undam ental   ro le   in  re duci ng   pove rt y   w hich  rem ai ns   a  pr e dom inantly  rura l   ph e nom eno n   [ 2].   Th ough ,   i n  A gri cultural   De pa rtm ent  te chn ol og y  is   ra pid ly   changin g,  m any  autom at ic   tech no lo gies   are  com ing   in  the  m ark et   (e xam ple ,  Au to m at ic  planting,  cutte r  m achines  et c  wh ic h  helps  the  farm er  to   pro du ce  m axim u m   pr oducts ).   Plant  diseas e  is  an  i m po rtant  con c er n  f or  the  far m ers  in  Ba ngla des h  because   Plant  disease  i s  an   im pair m e nt  of  t he  norm al   sta te   of  the   plant  t hat  inter rupts  or  m od if ie s  it s  vital   f unct ions   [3] .   To   get  s olu ti on  on  pla net   disease   I f   farm ers  deci de  t o  ta ke  a dvic e  from   agr ic ultu ra l  ex per t  regar di ng   the  treatm ent  of   in ci den ce  of  pest   /disea se/ trai t  to  their   cr op / plant  in  order   t o  increase  t he  cr op   pro duct ivit y  the n  he  m ay  f ace f ol lowing situat i on s  [4]:     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2252 - 8776   IJECE    V ol.  6 ,   No.  3 ,   Decem ber   20 1 7   :   209 –   2 17   210   i) S om eti m es t hey h a ve  t o go  lon g dist ances  for  a ppr oach i ng the  expe rt.    ii )  Eve n  th ou gh they  go s uc h dist ances e xper t  m ay  n ot be a vaila ble at t hat  tim e.    ii i)  So m eti m es ,  the  ex pe rt  w ho m   a  far m er  con ta ct s,  m ay   no t  be  in  a  posit ion   to  a dv is e  the  far m er   with the  av ai la ble in form at io n  a nd k nowle dge.    In   these  cases  seekin g  the  ex per t  ad vice  is  ver y  ex pe ns iv e  and   tim e  con su m ing .  He nc e  el ect ro nic  exp e rt  syst em s   are  nee ded.  El ect ronic  ex pe rt  syst e m s  enab l e   far m ers  in  i de ntifyi ng  ty pe  of   diseases;   m akin g  the  ri gh t  decisi on  an d  s el ect ing  the  pro per  treat m ent.  The  exp e rt  syst em s   are  i ntell igent  com pu te r  pro gr am s  that  are  capa ble  of   offe rin g  s olu ti ons  or  ad vi ces  relat ed  to  sp eci fic  pro ble m s   in  giv en  dom ai n,   bo t h  in  a  way   and   at   a  le vel  com par able  to  that  of   hu m an  exp e rt  in  a  fiel d.  On e  of   the  a dvan ta ges  of  us i ng   Ele ct r onic   exp e rt  syst e m s  is   it s  a bili ty   to  reduc e  the  inform at i on   that  hum an  us ers  nee d  to  proces s,  re du ce  per s onnel  co sts  and   increase  t hroughp ut.  A nothe r  ad va ntage  of  ex per t  syst em   is  that  it   perf or m s  ta sk s  m or e  co ns ist ently   tha n  hu m an  ex pe rts  [5 ] .   Ther e  a re   var i ou s  kind s   of   a bnorm ality   s ta t es  pr es ent  on   t he  pla nts  le af  wh ic h  can  be  i den ti fie d  by   m ean  of   m anu al   insp ect ion.  The  i m age  pro cessi ng   a nd   pa tt ern   recog niti on   te ch niques  play   the  wo rt h  fu ll   ro le   to  c onver t   m a nu al   proce ss  t o  a uto m at e  the  proces s.  The   autom at ic   diagn o sis   syst em   based   on  plant  disease   featur e s  re du ce s  the  de pende nc y  on   e xp e rts  in  the  area  c on cern e d   [6 - 8]. D ependin g  on   t he   app li cat ion,  m any   of th os e  pro blem s  m ay   be  so l ved or at l east   reduce d   by the  us e  of im age p ro ces sin g.   Hen ce  we  are   proposing  an   autom at ic  crops  diseases  de te ct ion   an d  sol ution   syst em   (CD DAS S )   wh ic h  help s  a   far m er  to  identify   the  disease  of   cr ops  an d  pr ov i de  treat m en t   fo r  his  cr ops  accor ding  to  di sease   us in g  i m age  processin g  te ch ni qu es  with out  help  of  any  cr op s  diseases  exp e rt.    To  get  s olu ti on,  fa rm e rs  just   n eed   to   instal l  the  a pps  i nto   their   m ob il e  phone s   f or  the   f irst  tim e  and  uploa d  t he  a ff e ct ed  cr ops ‟   im age  t o  detect   an d  get  su ggest io n  fro m   the  syst e m .  That‟s  way  a  f arm er  can  save   tim e,  eff ort s  a nd   m on ey   a nd   can  be   te ns io n  f ree.       2.   LIT ERATUR E REVIE W   Pr of. H. M.   Des hm uk h,   Ja dha v   Sanjiva ni,L ohar  Ut karsha ,  Bhagat  Ma dhuri   and   Sal unke   Sh ub hangi .   “Pla nt  Lea f  D ise ase  I den ti fi cat ion   Syst em   for  A ndro i d”.  In te rn at io nal  Jo ur nal  of  A dvance d  Re sea r ch  i n  Com pu te r   an d  Com m un ic at i on   En gin ee rin g  [ 9 ] .   I n  this  arti cl e  they   ha ve  de scri bed   t he  de vel op m ent  of  an   Androi d  a pp li c at ion   th at   gi ve s  us e rs  or  fa rm ers  the   ca pab il it y  to  identify   t he  plant   le af   di seases  based  on   the   photog raphs o f  p la nt lea ves  ta ken th rou gh an an droid  appli cat ion .   Su fiy a n  K  S he kh, A nik et   Ba it ule, Mil ind   N arethe,  Sa ngap pa   Ma ll a d,   W a ghda rikar  a nd D r D Y  Pati l .  “Detec ti on   of  Leaf  Diseases  and   Mo nito rin g  the  A gr ic ultur al   Re source s   us ing   And ro i d  A pp ” .  In te rnat ion al   Jo ur nal  of  I nnov at ive  Re se ar ch  in  C om pu te r   an d  Com m un ic at ion   En gin e erin g  [ 10 ] .   In   t his  arti cl e  they   ha ve   descr i bed   a nd  desig ne d  a  ne w  arc hitec ture   for  rem ote  co ntr ol  of   a gri cu lt ur e  de vices  a nd   al s o  de te ct ing   t he  diseases  of p la nt which  m ake m uch  easie r  a nd less  de pende nt of t he   c onditi on s  prese nt to farm ers.   Mr.S us ha nt.S . Chava n,  Mr. Nite sh . P.S at re ,   Mr.Ra j at .R. D eshm ane,  Mr. Suhas.B. Katka r .   „„A ndro i d  Ba sed  App  t o  Pr e ven t  C rop  Diseased   in  V ario us   Sea sons ‟‟ .   I nter nationa l  Re search   Jou rn al   of  E ng i ne erin g  and  Tec hnol og y(IRJET )  [ 11 ] .  In  this  a rtic le   they   ha ve   de velop e d  a n  a ndr oid   a pp li c at ion  f or   a gri cultu re,  whe n  and whic h fe rtil iz ers,  p e sti ci des  an d her bicid es are  us e d  t o  s ave  var i ou s  cr ops  from  v ario us disease s .       3.   PROP OSE D MET HO D   3.1 .    Flow  c hart       Figure  1.   Flo w char t  of Cr ops  Diseases  Detec ti on  a nd S olu ti on Syste m   Evaluation Warning : The document was created with Spire.PDF for Python.
IJ - ICT     IS S N:  22 52 - 8776       Crop s  D ise as e s D et ect io n and Sol ution Sy ste m  ( M d. A bdul  Awal )   211   The  flo wc har t  descr i bes  the  whole  process   of   the  resear c h.   At  first  us e r  has  to  uploa d  a  def ect e d  crops  im age o n t he  syst e m   then  syst e m  w il l s earch  im age r el at ed  inform at i on  in  th e syst em   database,   if m at ch   the  up l oad e d  im age  with  the  syst e m   database  it   wi l l  pr ov i de   po ssi ble  diseases  nam e  wit h  so luti on ,  if  does  not  m at ch  it  w il l show n ot m at ch  m essage.      3.2 .   I nt er f ace  Design           Figure  2.   H ome  p a ge of  Cr ops D ise ases  D et ect ion  a nd S ol ution Syst em       The  fig ure  sho ws  m ai n  pag e  of   the  syst em   wh e re  us e rs  ca n  ch oo s e  their  act ivit ie s  including  m enu   acce ss and  dif f eren t c rops  li st. A   us e r  ca n be  able to  see s ome  d ise ases  li st wit h  im age.            Figure  3.   Disea ses List  Pa ge     Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2252 - 8776   IJECE    V ol.  6 ,   No.  3 ,   Decem ber   20 1 7   :   209 –   2 17   212       Figure  4.   Disea se w ise  sym ptom  an d  so l ution Page     Af te r   cl ic king  any  ic on ,   im a ge  of   disease s,   visit or  can  be   able  to  fin d  s pecific  disease   sy m pto m s   with  s olu ti ons .       4.   RESEA R CH MET HO D   Ther e  are  so m e f undam ental  steps:   a.   Im age  Acquisi ti on :   Im ages  of  the   infe ct ed  le aves  hav e   ta ken  f ro m   the  crops.  T he  database  ha s   diff e re nt ty pes im ages on plan t diseases a nd t he  im ages ar e s tore d  in  ( . jpg, . png) im age f or m at .   b.   Im age  pr ep ro c essing:  I f  nois es   are  pr ese nt  in  i m age,  interest ed  reg i on   in   the  i m age   is  no t  cl ear.  I n  the  im age  cl ipp in g,   sm oo thi ng,  e nhancem ent  is  the  three  st eps  incl ud e d  i n  pr e proces sin g  ph a se.  T he  process  of   im age  colle ct io n  and  lots  of  i nfor m at ion   m a y  br in g  no ise   wh ic h  m ake  the  qual it y  of   i m age d r oppe d. T o per form  d e m isi ng  d if fe re nt  ki nds  of   re duct ion t ech nique a re a pp li cab le .   c.   Im age  Segm en ta ti on :   Im age  s egm entat ion   is  the  first  ste p  and   al s o  one  of  the  m os t  crit i cal   ta sk s  of   i m age an al ysi s.  Acc ordi ng to t he  re gion  of in te rest, the  im age w il l be  segm ented  i nto   dif fe ren t  par ts .    d.   Im age   Feat ur e   Extracti on:   T he  fe at ur e s  ext racti on  is  the  i nput  data  tra nsfo rm   into  set   of   featu res .   The  featu re  se t  will   extract  the  releva nt  inf or m at ion .  so  sh ould  care f ul ly   hav e  cho s en.   Feat ure   extracti on  in volves   sim plify ing   t he  am ount   of  res ources   re qu ire d  t o  de scribe  a   la r ge   set   of  data  accuratel y.   e.   Im age  cl assifi c at ion :   The  i ntent  of   t he  cl assifi cat ion   proces s  is  to  cat egorize  al l  pix el s  in  a  dig it a l   i m age  into  on e   of   cl asses  or   t hem e.  The  ob je ct ive  of  im ag e  cl assifi cat ion  is  to  ide ntify,  as  a  uniq ue   gr ay   le vel  ( or  colo r) ,   feat ur e s  occ urrin g  i n  an  im age  in  te rm s  of   the   obje ct   or  ty pe  t he se  feat ur es   act ually   rep res ent  on   the  gr ound.  Im age  cl assifi cat ion   is  pe rh a ps   the  m os t  i m po rtant  pa rt  of   di gital   i m age an al ysi s [ 12 ].         5.   BINAR Y RO BUST I NVA R IAN T  S CA L A BL E KEY P O INTS  (BRI SK )  :  THE  METHOD   Descr i ption   of   the  key  sta ges   in  BR IS K ,  na m el y  featur e  de te ct ion ,  de scri ptor  com po sit ion   a nd  key   po i nt m a tc hin g t o  the level o f deta il  that the m ot ivate d  rea de r  can  unde rsta nd  a nd r e pro duce. I t i s i m po rt ant to   no te   that  t he  m od ularit y  of   t he  m et ho d  al lo ws  the  us e  of   t he  BR ISK  detect or   in  c om bin at ion   with  a ny   oth er  key point  desc r iptor an d vice  ver sa , optim iz i ng for t he desir ed per form ance and the  task   at  h an d [ 13 ].     5.1.  Scale  Sp ac e Key P oint  Det ec tion   W it h  the  ai m   of   ac hieving  in var ia nce  to  sca le   wh ic h  is  cr uc ia l  fo r  hi gh - qual it y  key  po in ts,  we  go  a  ste p  furthe r  by   searching  f or   m axi m a  no t  on ly   in  the  i m a ge  plane ,  but  al so   in  scal e - s pace  us in g  the   FA ST  scor e s  as  a   m e asur e   f or  sal ie ncy.  Des pite  di screti zi ng   t he  scal e  axis  at   c oar se r  i nter vals  tha n  in   al te r nativ e   high - perf or m a nce  detect or s ,  t he  BR ISK  det ect or   est im at es   the  tr ue  scal e  of   eac h  key  point  in  the  c onti nuous   Evaluation Warning : The document was created with Spire.PDF for Python.
IJ - ICT     IS S N:  22 52 - 8776       Crop s  D ise as e s D et ect io n and Sol ution Sy ste m  ( M d. A bdul  Awal )   213   scal e - sp ace .  I n  the  BR IS K  f r a m ewo r k,   the  scal e - sp ace  pyram id  layers  con sist   of  n  oct aves  c i   an d  n  intra - octaves  d i ,  for  i = {0,  1, . .  ., n  − 1 }  and ty pic al ly  n  = 4.   The  octaves  a re  f or m ed  by   pro gr essi vely   half - sam pling   the  ori gi nal  i m age  (corr es pondin g  t o   c 0 ) .Each  int ra - octave  di  is  locat ed  in - be twe en  la ye rs  c i   and   c i+ 1   (as  il lustrate d  in  Figure  5).  The  first   intra - octave  do  is  obta ined   by  do wn  sam pling   the  or igi nal  im age  c 0  by  a  fa ct or   of  1.5 ,  w hi le   the  rest  of   t he  intr a - octave  la ye rs  are  der i ved   by  su ccessi ve  half  sam pling .  Therefo re,  if  t  deno te s  scal e  then  t (c i )  =  2 i an d  t( d i )  =   2 i   *1. 5 [ 5].         Figure  5 .   Scal e - sp ace  interest   po i nt d et ect io n       Scal e - sp ace  i nt erest  point  dete ct ion :   a  key  po int  (i.e.  sal ie nc y  m axi m u m )  is   identifie d  at   oc ta ve  c i   by  analy zi ng   t he  8  nei ghbori ng  sal ie ncy  sco r es  in  c i   as  w el l  as  in  the  c orres pondin g  s cor es - patches  in  the  i m m ediat e ly - neighborin g  la ye rs  ab ove  an d  belo w.   I n  al l  three  la ye rs  of   i nterest,  the  l oc al   sal ie ncy  m a xim u m   is  su b - pi xel  refi ned   be f or e  a  1D   par a bola   is  fitt ed  al on g  t he   scal e - axis  to  determ ine  the  t ru e  scal e  of  th e  key   po i nt.  The  lo c at ion   of  the  ke y  po int  is  the n  al so   re - inter po la te d  betwe en  the  patc h  m axi m a  cl os est   to  the  determ ined  sca le  [ 13 ].     5.2.  Key  P oint Descri p tion   Give n  a  set   of   key  points  (c on sist in g  of   s ub - pix el   re fine d  i m age  locat ion s  an d  ass ocia te d  floati ng - po i nt  scal e  val ues),  the  BR I SK   descr i ptor  is  com po sed  a s  a  bin a ry  string   by  co ncate nating  t he  res ults  of   si m ple  br ig htne ss  com par iso n  te sts.  This  i de a  has  be e n  de m on strat ed  in  to  be  ver y  e ff ic ie nt,  ho wev e r  he re  w e   e m plo y  it   in  a  far   m or e  qual it at ive  m ann er.   In   BR I SK,  w e  identify   the  char act e risti c  directi on  of  ea ch  key   po i nt  to  al low  for  ori entat ion - norm al iz ed  descr ipto rs  an d  he nce  achie ve  r otati on   in var ia nce  w hich  is  ke y  to   gen e ral  r obust ness.  Als o,   w e  caref ully   sel ect   the  bri ght ness  c om par ison s   with   the  f ocus  on  m axim iz ing  descr i ptivene ss  [ 13 ].       6.   DESCRIPT O R MAT CHIN G   Ma tc hin g  tw o  BR IS K  de scri ptors  is  a  si m ple  com pu ta ti on   of  their  Ha m m ing   distance  as  done  in   BR IEF:  the  nu m ber   of   bits  di ff e ren t  in  the  t wo   desc riptors   is  a  m easur e  of  their  dissim ilarity .  No ti ce  th at   the   resp ect ive  ope rati on s  reduce  to  a  bitwise  X OR  fo ll ow e d  by  a  bit  count,   wh ic h  can  both  be  com pu te d  ve ry  eff ic ie ntly  on t od ay ‟s  a rch it ec tures [ 13 ] .       7.   E X PERI MEN TAL RES UL TS A ND DIS CUSSIO N     7.1.    Ex peri ment al result  wi th   ap pl ying al go ri th m       The   ex pe rim e nt  is  c onduct e d  i n  Android   Op e rati ng  Syst e m s  us in g  O pe nCv   31 0  wh ic h  us e d  im age   processi ng   a nd   i m age  com pari so ns  te ch niqu es  with  BR ISK   al gorithm .  Th e  databa se  is  cr eat ed  of  si x  dif fer e nt   plants .   It  co nsi sts  of   30  im a ges  of  Pa ddy  plant  af fected  Ba ct erial   Bl ig ht  Disease,  B act erial   Leaf  Stre a k  Disease,  20  im ages  of  Paddy  plants  af fected   by  Fo ot  Rot  D ise ase,  38   im a ges  of  Early   Bl igh t  an d  Lat e  Bl igh t  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2252 - 8776   IJECE    V ol.  6 ,   No.  3 ,   Decem ber   20 1 7   :   209 –   2 17   214   of   T om at o  plant,  38  im ages  of   Early   Bl igh t  an d  Lat e  B li gh t  of  P otato   plant,   20  im a ges  of   An t hr a cnose   Disease  of Mango  plant a nd  15 im ages o f  R ot  W il t Disea s e of J ute p la nt .        Table  1.   T he   s a m ple o f  d if fe r ent  sta ges  of a f fected  c rops   store d  i nto  t he d at abase         We  ha ve  us e d  BR IS K  al gorithm   in  ou r  rese arch   t o  m at ch  the  uploa de d  a ff ect ed   cr ops  im ages  with   our  database   im ages.    As  pe r  BR ISK  al gor it h m ‟s  te chn i ques  th e  syst em   ta kes  100  ke y  obj ect s  from   both   up l oad e d  im age  e.g .   cl ass  1  a nd   al l  database   i m ages  e.g .  cl ass  2  for  the  s pecific  cr op  th en  it   is  com par e  ke y   obj ect s  be twee n  cl ass  1  a nd   c la ss  2.   A fter  find i ng   t he  m at c hing  of  the  obje ct s  it   do es  cal culat e  the  pe rc entage   of   m at ched  f ou nd. It  foll ows t he belo w  e qu at ion :       If    cal culat e d  pe rcen ta ge  is  a bove   70  the n  di sp la y  the   m at c hed  im age  fro m   database  an d  pro vid e   the  po s sible  diseas e  nam e  and  s ol ution  ab out  th e  disease   ot herwise  prov i de s   m essage  “ Up l oad e d  im age  is  not   m at che d  wit h  t he   database” .       7.2.  Resul t  w it h d e velop e d  apps   Me nu  b a r  is  a u ser   inter face w it h  diff e re nt m enu   it em   l ike  Das hboa rd,  T ake  P hoto  a nd U pl oad  P ho t o  et c.       Figure  6.   Me nu li st   Evaluation Warning : The document was created with Spire.PDF for Python.
IJ - ICT     IS S N:  22 52 - 8776       Crop s  D ise as e s D et ect io n and Sol ution Sy ste m  ( M d. A bdul  Awal )   215   Using  U plo a d  Photo  m enu   fa rm ers  can  up l oa d  af fected  cr ops  ph oto   to  de te ct   diseases  and   will   get  so luti on.         Figure  7.   U ploa d Im age P age     Af te r  cl ic king   Up l oad  P ho t o  m enu   it e m   far m ers  or   vis it or s  ca n  see  Photo  Up l oad  op ti on.   He re   cl ic kin g  us e rs  will   sel ect   sp e ci fic  crops,  us e r  can   sel ect   ph oto   by  ta ppin g/ cl ic kin g  blan k  i m age  and   will   cl ic k  Up l oad butt on.         Figure  8.   U ploa d Im age P age  with  process  Di al og     Af te r  cli ckin g Up l oad butt on  a proces s  dialo g wil l sh ow.           Figure  9.   S ucc essfu l  d et ect io n resu lt   pag e   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2252 - 8776   IJECE    V ol.  6 ,   No.  3 ,   Decem ber   20 1 7   :   209 –   2 17   216   If   up l oad e d  photo   m at ched   w it h  store d  im a ge  the n  su cce s sfu l  detect ion   resu l t  pa ge  will   sh ow  with   po s sible  diseas e n am e, cau ses  and s olu ti ons.           Figure  10.   Fail ed dete ct ion re su lt  p a ge     If   uploa de d  i m age  does   not  m at ch   with  stored   im age ,  then  it   will   sh ow  'Cou ld  not  de te ct   disease'   m essage.     7.3.  C ompari s on   s t at eme nt     We  ha ve  c ompare d   the  C rop s  Diseases  Detect ion   an d  S ol ution   syst em   with  ot her s  sy stem   and   got   the b et te r , e ff ic ie nt p e rfor m ance of th e  syst em  w hich  sta te d i n  the  b el ow t able 2.       Table  2.  C om par iso n of Cr ops D ise ases  D et ect ion  a nd S ol ution wit h ot he rs  syst em s   Criteria   Cro p s  Diseas es  Detectio n   an d   So lu tio n   syste m   Plan t  Leaf  Diseas e   Iden tif icatio n   S y ste m   f o r  An d roid  [ 9 ]   Detectio n   o f   Leaf   Diseas es  an d   Mon ito ring  th e  Ag ricultu ral  Res o u rces  u sing  An d roid  Ap p  [ 1 0 ]   An d roid   Bas ed   Ap p   to   Preven t  Cro p   Di seas ed   in   Variou s Seaso n s  [ 1 1 ]     Eno u g h  in f o r m atio n  sto red in   d atab ase abo u t plan t dis eases   Yes   Yes   Yes   Yes   Fu ll part of  the d iseas es   Yes   No   No   No   Many  k in d s o f  plan ts   Yes   Yes   Yes   No   Easy  to u se   Yes   Yes   Yes   Yes   Access f ro m   ev er y  where   Yes   Yes   Yes   Yes   A ccurac y   Yes   No   Yes   Yes   Faster to g et  resu lt   Yes   Yes   No   No   Detail s   so lu tio n   Yes   No   No   No         8.   ADV AN T AGE S   a.   It is easy  to  ins ta ll   b.   No n ee d  t o reg ist er   c.   It is use r frie ndly   d.   It work ‟s  in  d i f fer e nt v e rsion  of an droid   e.   It is li gh t  wei ght   f.   It is faste r       9.   CONCL US I O N   This  Au t om at e d  Cr ops  Diseas es  Detect io n  a nd  S olu ti on  Sy stem   is   te ste d  in  diff e re nt  A ndr oid   phone  and   it   is  wor kin g  nicel y   and   t he  syst em   is  ver y  us ef ul   f or   f arm ers  especial ly   wh o  are  li vi ng   in  rural  are a   and   wh e re  the  a gri cultural  e xp e rt s   are  not  a vaila ble .  U ser  ca n  easi ly   us e  this  app li cat io n.   A ny  pe op le   ca n  detect   and   get  so l ution   a ny  tim e  us ing   this  a ppli cat ion .  T he  ap plica ti on   is  fr e e  of   c os t  an d  do e s  not  re qu i re  any   add it io nal  dev i ce.    Evaluation Warning : The document was created with Spire.PDF for Python.
IJ - ICT     IS S N:  22 52 - 8776       Crop s  D ise as e s D et ect io n and Sol ution Sy ste m  ( M d. A bdul  Awal )   217   REFERE NCE S   [1]   A y esha   Bhandr a li a ,   Resham  Ary a,   S.  N.  Panda,   Sachi n  Ahuja .   “ Pol y house  Agric ult ura l  Mark et in g  Sy stem  Us ing  Big  Dat a  Hadoo p . ”   In te rnat ional J ournal  o f Adv a nce s in   App li ed   Sci en ce s ( IJ AA S ) . 2016 ;  5 ( 2 ):78 - 84.   [2]   Ham id  Miah .   “ Agric ult u re   Se ct or   Deve lopment  St ra te g y :   ba ckgr ou nd  pape r  fo r  pre par ation  of  7th   Five  Ye ar  Plan , ”   htt p://ww w.pl an comm . gov. bd/7th - five - y e ar - pl an/   [3]   Hite shw ari   Sabr ol1,   Sati sh  Kum ar.   “ Rec ogni ti on   of  Tomato  La t e   Bli ght  b y   using  DW T  and  Com p onent   Anal y sis , ”   Inte rnational   Jo urnal  of El e ct ri c al  and  Comput er  Engi n ee ring   ( IJ ECE ) .   2017;   7 ( 1 ): 194 - 199 .   [4]   MS   Prasad  Babu  and  B  Sriniv asa   Rao .   “ Le av es  Rec ognition  Us i ng  Bac k  Propag at ion  Neur al   N etw ork - Advice   For   Pest  and  Dise ase   Control On Cro ps , ”   Indi aKisa n. Net:   Expe rt   Adv issor y   S y s te m .   2 007.     [5]   Ja y ama la   K.  Pat il ,   Ra j  Kum ar.   “ Plant   Le af  Disea se  Im age   Ret r ie va l  Us ing  Color  Mom ent s.  IAE S  Inte rnational   Journal  of   Artifi ci al   Intelli g ence ( IJ - AI) . 2013 ;   2 ( 1 ):   36 - 42 .   [6]   B.   Li ,   e t  al .  “ H y per sp ec tr al   id e nti ficat ion  of  rice  disea ses  and  pests  base d  on  princ ip al   component  anal y s is  a nd   proba bil ist ic ne u ra l  n et work , ”   Tr ansacti ons of   the CSA E ,  ,   2009 ; 5 :   143 – 147.     [7]   H.  Jie,   “ Applicati on  of  PC A  Method  on  Pest  Inform at ion  Detect ion  of  Elec troni c  Nos e , ”   I EE E  internation al  Confe renc e  on   I nformation  A cqu isit ion .   W ei h ai ,   Shandong,   Chin a ,   2006 ;1456 - 14 68 .    [8]   M .   M.  Seinl ,   et  al .   “ Authentic a ti ons  of  M y a nm ar  Nati on al   Reg istra ti on  C ard , ”   Indone sian  Journal  of  Elec tri cal  Engi ne ering  and   Informatic s ( IJ EE I) ,   2013 ;   2 :   53 - 58.     [9]   Prof.H.M. Deshm ukh,   Jadha v   Sanji v ani ,   Loha r   Utkar sha,   Bhag a t   Madhuri,   Salun ke   Shubhangi.   “ Plant   Leaf  Disea se  Id ent if ic a ti on  S ystem  for  Android , ”   Int ernati onal   Journal  of  Ad va nce d  R ese arch  i n  Compute r  and  Comm unic ati on   Engi ne ering.       2 016 ;  5 :   396 - 398.   [10]   Sufi y an   K  Shekh,   Aniket   B aitul e,   Mil ind   Naret he,   Sangapp a   M al l ad,   W aghda r i kar ,   Dr  D  Y  Pat il .   “ Det ec t ion  of  Le af   Disea ses  a nd  Monitori ng   t he  Agric u lt ura l   Resourc es  using   Android  App , ”   Inte rnational   Jo urnal  of  Inno vative  Re search in Co mputer  and  Com municat ion   Enginee ring .   2015;   3 :   9540 - 9547.   [11]   Mr.Sus hant .   S.C hava n,   Mr.Ni te s h.   P.Satr e ,   Mr.R aj a t.   R. Deshm an e,   Mr.Suhas.B . Katka r.   “ Androi d  Based  App  to   Preve nt  Cr op   Disea sed  in   Vari ous  Sea sons , ”   Inte rnat ional   R ese arch   Journal  o f  Engi ne ering  a nd   Technol ogy( IR J ET) .   2016;  3 : 105 2 - 1055.   [12]   Pri y ank a  L . Kam ble ,   Anj al i  C . Pis e.   “ Revi ew  on  Agric ult ur al   Pla nt  Disea se  Detect ion  b y   using  I m age   Proce ss ing .   Inte rnational   Jo urnal  of  Lat est  T rends i n  Eng inee ring a nd  Techno logy   ( IJ LT ET) .   2016;  7 :   335 - 339.   [13]   Stefa n  L eutene g ger ,   Marg ari t a  C hli   and   Rola nd  Y.Sie gwart .   “ BRISK:   Bi nary  Rob ust I nvariant   S c alabl e  K ey poin ts , ”   IEE E   Internat ion al   Conf ere n ce o n  Com pute r  Visi on,   ICCV 2011 ,   Barc e lona,  Spai n,   . 2011; 2548 - 2 555.                                                               Evaluation Warning : The document was created with Spire.PDF for Python.