بیماری های گیاهی در کاهش کمی و کیفی محصولات کشاورزی تاثیر قابل توجهی دارند. ویروس ها به عنوان یکی از مهمترین عوامل بیماری زای گیاهی، باعث خسارت قابل توجهی به محصولات زراعی می شوند. در کدوئیان از جمله خیار، ویروس های متعددی باعث ایجاد بیماری می شوند که اغلب تولید علائم موزاییکی روی برگ و میوه می کنند.یکی از مهمترین ویروس های آلوده کننده کدوئیان،ویروس آبله ای شدن برگ یا به عبارتی بیماری موزاییک خیار با نام علمی cucumber mosaiv virus است که گسترش جهانی و دامنه میزبانی وسیعی دارد. خسارت این بیماری در ایران زیاد است و در مزارع خیار میزان کاهش محصول ناشی از این بیماری را تا یک سوم برآورد نموده اند. استفاده از حشره کش برای محافظت از محصول در مقابل بیماری و آفت نه تنها هزینه تولید محصول را بالا می برد، بلکه خطر باقیماندن سموم در محصولات کشاورزی را افزایش می دهد. تشخیص زود هنگام علائم بیماری یا حضور اولیه ی آفت (شته) یک نقطه کلیدی در زمینه ی مدیریت آفات و کنترل بیماری است. علائم این بیماری، در مراحل اولیه، ظهور لکه های رنگ پریده (لکه های سبز روشن در زمینه سبز تیره یا بلعکس) در سطح برگ می باشد. به علت شرایط دمایی و رطوبتی در گلخانه، تصمیم سریع برای کنترل بیماری و آفات به منظور جلوگیری از انتشار و آلودگی دائمی گلخانه ضروری است. از این رو در پروژه حاضر، اقدام به طراحی، ساخت و ارزیابی یک سیستم متحرک در گلخانه جهت تشخیص علائم موزاییک در خیار و کدو، به کمک عکسبرداری و پردازش تصویر در طیف مرئی شد. برای رسیدن به هدف ابتدا در شرایط کنترل شده گلخانه، گیاهان خیار و کدو کاشته شدند؛ سپس به منظور تولید علائم موزاییکی، از ویروس موزاییک خیار جهت تلقیح گیاهان استفاده شد. بعد از بروز علائم ظاهری، از آن ها به کمک سامانه متحرک در گلخانه، در شرایط نور طبیعی و با دوربین canon s110، عکسبرداری شد. این تصاویر در نرم افزار متلب و به کمک الگوریتم gmr، جهت جداسازی سایه انداز گیاه از پس زمینه (خاک و بقیه اجزای گلخانه)، پردازش شدند و 31 ویژگی رنگی از کلیه تصاویر استخراج شد. به منظور دسته بندی گیاهان سالم از گیاهان دارای علائم موزاییکی، از شبکه عصبی مصنوعی استفاده شد که ورودی آن، ویژگی های استخراج شده از مرحله قبل بود. شبکه بهینه ای که برای دسته بندی گیاهان دارای علائم موزاییکی از گیاهان سالم، انتخاب شد؛ یک شبکه عصبی مصنوعی با اختصاص 70% داده ها به داده های آموزش، 15% به داده های اعتبار سنجی و 15% به داده های تست بود. جهت آموزش شبکه از تابع آموزش trainscg و از تابع آستانه گذاری sigmoid برای لایه میانی و لایه خروجی استفاده شد. شبکه مورد نظر، سه لایه (ورودی، پنهان و خروجی)، با 31 ورودی، 27 نرون در لایه پنهان، یک نرون در لایه خروجی و با توپولوژی 2-27-31 بود. دقت دسته بندی تصاویر گیاهان سالم از گیاهان دارای علائم موزاییک، که توسط سامانه متحرک در گلخانه، تهیه شده بوند با استفاده از شبکه عصبی مورد نظر 100% بود، یعنی هیچ گیاه سالمی به اشتباه بیمار و هیچ گیاه بیماری به اشتباه سالم ارزیابی نشدند.