در این پژوهش با استفاده از تکنیک های پردازش تصویر و شبکه های عصبی مصنوعی، آفت های پروانه برگ خوار و پسیل برگ پسته شناسایی شد. بدین منظور، تصاویر دیجیتالی از برگ های آفت زده درخت پسته رقم اوحدی تهیه و ویژگی های رنگ، بافت، مورفولوژیکی و ترکیبی (بافت- رنگ) از تصاویر استخراج شد و در تشخیص و طبقه بندی آفت ها استفاده گردید. برای دست یابی به بهترین مدل، حالت های مختلف شبکه های عصبی مصنوعی و ویژگی های مختلف استخراج شده از تصاویر، مورد ارزیابی قرار گرفت که بهترین حالت ها عبارت بودند از: الف) با استفاده از شش ویژگی رنگی (واریانس، میانه، انحراف معیار، فشردگی، کشیدگی و صافی)، شبکه پس انتشار با تابع انتقال لگاریتم سیگموئید با دو لایه پنهان و لایه خروجی با تابع انتقال تانژانت سیگموئید با دقت 3/93%؛ ب) با استفاده از پنج ویژگی بافتی (آنتروپی، کنتراست، همبستگی، انرژی و همگنی)، شبکه پس انتشار با تابع انتقال تانژانت سیگموئید با دو لایه پنهان و لایه خروجی با تابع خطی با دقت 95%؛ و ج) با استفاده از پنج ویژگی مورفولوژیکی (سطح، محیط، سطح چند ضلعی محیطی، وسعت، استحکام) و 11 ویژگی ترکیبی (6 ویژگی رنگی و 5 ویژگی بافتی) با شبکه پس انتشار، با تعداد دو لایه پنهان و تابع انتقال تانژانت سیگموئید و لایه خروجی خطی به ترتیب با دقت 7/86% و 3/98%. نتایج این پژوهش نشان داد که تکنیک پردازش تصویر و شبکه های عصبی مصنوعی، توانایی تشخیص و طبقه بندی آفت های برگ پسته را با دقت بسیار خوبی دارد.
