We propose and experimentally evaluate a software solution for automatic detection and classification of plant leaf diseases.The proposed solution is an improvement to the solution proposed in [1] as it provides faster and more accurate solution.The developed processing scheme consists of four main phases as in [1].The following two steps are added successively after the segmentation phase.In the first step we identify the mostlygreen colored pixels.Next, these pixels are masked based on specific threshold values that are computed using Otsu's method, then those mostly green pixels are masked.The other additional step is that the pixels with zeros red, green and blue values and the pixels on the boundaries of the infected cluster (object) were completely removed.The experimental results demonstrate that the proposed technique is a robust technique for the detection of plant leaves diseases.The developed algorithm"s efficiency can successfully detect and classify the examined diseases with a precision between 83% and 94%, and can achieve 20% speedup over the approach proposed in [1].

This paper presents a novel meta-heuristic algorithm so-called White Shark Optimizer (WSO) to solve optimization problems over a continuous search space. The core ideas and underpinnings of WSO are inspired by the behaviors of great white sharks, including their exceptional senses of hearing and smell while navigating and foraging. These aspects of behavior are mathematically modeled to accommodate a sufficiently adequate balance between exploration and exploitation of WSO and to assist search agents to explore and exploit each potential area of the search space in order to achieve optimization. The search agents of WSO randomly update their position in connection with best-so-far solutions, to eventually arrive at the optimal outcome. The performance of WSO was comprehensively benchmarked on a set of 29 test functions from the CEC-2017 test suite for several dimensions. WSO was further applied to solve the benchmark problems of the CEC-2011 evolutionary algorithm competition to prove its reliability and applicability to real-world problems. A thorough analysis of computational and convergence results was presented to shed light on the efficacy and stability levels of WSO. The performance score of WSO in terms of several statistical methods was compared with 9 well-established meta-heuristics based on the solutions generated. Friedman’s and Holm’s tests of the results showed that WSO revealed reasonable solutions, in terms of global optimality, avoidance of local minima and solution quality, compared to other existing meta-heuristics.

In Machine Learning (ML) tasks, Feature Selection (FS) methods are typically used by learning machines to filter data prior to training to lessen training complexity, thus alleviating the challenge of dimensional catastrophe. FS is a combinatorial optimization problem that can be used with meta-heuristics to better select the optimum combination of relevant features to help ML tasks provide adequate classification accuracy. White Shark Optimizer (WSO), as a swarm intelligence algorithm, has been extensively applied to address optimization problems with diverse levels of complexity. Although WSO is a promising meta-heuristic, it occasionally exhibits low solution accuracy and slow pace of convergence in addressing optimization tasks. These critical issues could be significantly curtailed by carefully balancing exploratory and exploitative mechanisms in WSO. In this, three binary variants of WSO were proposed, namely: (1) Binary Adaptive WSO (BAWSO) which assesses population distribution and estimates evolutionary status, (2) Binary Comprehensive Learning WSO (BCLWSO) which uses all the search agents' best solutions and which may act as a model for velocity updating, and (3) Binary Heterogeneous CLWSO (BHCLWSO) which splits the population into two subpopulations in order to undertake exploration and exploitation separately and without interfering with each other. Further, a Binary variant of the classical WSO (BWSO) was created alongside these variants. A thorough evaluation of these algorithms was conducted using 24 well-known datasets. The findings showed that the proposed algorithms significantly boosted the performance level of BWSO and showed that BHCLWSO outperformed other binary algorithms in classification accuracy and number of selected features.