پژوهش‌های مکانیک ماشینهای کشاورزی

پژوهش‌های مکانیک ماشینهای کشاورزی

شناسایی آفت سن مادر در مزارع غلات با استفاده از تکنیک پردازش تصاویر دریافتی از پهپاد

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانش‌آموخته مقطع کارشناسی‌ارشد، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران،
2 استادیار، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران
3 دانشیار، گروه مهندسی آب ، دانشکده کشاورزی، دانشگاه شهرکرد، شهرکرد، ایران،
4 مربی پژوهشی، بخش آفات و بیماریهای گیاهی، مرکز تحقیقات کشاورزی و منابع طبیعی استان اصفهان، اصفهان، ایران
چکیده
نظر به اینکه گندم و جو از محصولات با اهمیت و استراتژیک کشور ایران است و یکی از مهمترین آفات این محصولات سن غلات می‌باشد، بنابراین هر ساله سازمان حفظ نباتات کشور این آفت خطرناک را پایش می‌کند تا در زمان مناسب دستور مبارزه صادر شود. طبق آمارهای وزارت جهاد کشاورزی خسارت ناشی از آفات، بیماری‌ها و علف‌های هرز هر ساله حدود 35-30 درصد کل محصول را در بر می‌گیرد که 12-10 درصد آن مربوط به حشرات مضر می‌باشد و در مناطقی که آلودگی شدید باشد، خسارت وارده به محصول حتی به 100 درصد هم می‌رسد. پایش یک به یک مزارع کاری بسیار سخت و وقت‌گیر، در بازه زمانی محدود که نیازمند تعداد زیادی نیروی انسانی متخصص است. حضور فیزیکی کارشناسان در مزارع جهت انجام عملیات پایش، نیازمند صرف زمان و هزینه است و هم باعث آسیب به گیاهان در مزارع می‌شود. یکی از اهداف این پژوهش استفاده از روشی غیرمخرب برای چنین عملیاتی در شناسایی آفت سن غلات است. در این تحقیق شمارش آفت سن مادر در مزارع غلات و نرم‌گیری آن به دو روش استفاده از پردازش تصاویر هوایی با ثبت 954 تصویر و روش کادراندازی و شمارش چشمی در مزرعه توسط کارشناس خبره در دو مزرعه با نرم متفاوت انجام گرفت. پس از پردازش تصاویر با استفاده از محیط Pycharm در نرم افزار پایتون، تعداد سن در هر تصویر بدست آمد، نتایج آنالیز آماری نشان داد که اختلاف میانگین این دو روش در سطح احتمال 1% معنادار نیست و می‌توان با اطمینان از این روش برای پایش آفت سن مادر مزارع غلات استفاده کرد. در این پژوهش با استفاده از پردازش تصاویر پهپادی، روشی سریع و دقیق، بدون خسارت به محصول، برای نرم‌گیری آفت سن و صدور دستور سمپاشی جهت جلوگیری از وارد‌آمدن خسارت به مزرعه بدست آمد.
کلیدواژه‌ها
موضوعات

Abasi. K., Almasi. M., Barghae. A. M., & Minae. S. (2014). Performance model of basic products based on the level of agricultural mechanization in Iran. Journal of Agricultural Machinery, 4: 351-344. (In Persian)
 
Ahmadi. K., Ebadzade. H., Hatami. F., Adbshah. H., & Kazemiyan. A., (2019). Agricultural statistics of the crop year 1396-97. Volume One: 18. (In Persian)
 
Allahyari, M. Bandani, A. R. & Habibi-Rezaei, M. (2010). Subcellular fractionation of midgut cells of the sunn pest Eurygaster integriceps (Hemiptera: Scutelleridae): Enzyme markers of microvillar and perimicrovillar membranes. Journal of Insect Physiology, 56: 710-717.
 
Anonymous (2020) Instructions of the National Plant Protection Organization of Iran, Technical and executive instructions to combat grain age in the 99-98 crop year. (In Persian)
 
Bagheri, N. & Moazzen, S. A. (2009). Optimum Strategy for Agricultural Mechanization Development in Iran, Journal Agricultural of Technology, 6(1): 225-237.
 
Chanyoung, Ju. & Hyoung, Son. (2018). Multiple UAV Systems for Agricultural Applications:Control, Implementation, and Evaluation. Electronics, 162 :1-19.
 
Duric, V., Mlandenov, N., Hristov, N., Kondic-Spika, A., Acin, V. & Racic, M. (2014). The Effect of Sunn Pest Infested Grains on Wheat Quality in Different Field Conditions. Romanian Agricultural Research, 31: 323-330.
 
Ebadzadeh. H., Ahmadi. K., Mohamadinia Afrozi. Sh., Abastaghani. R, Abasi. M., & Yari. Sh., (2018). Agricultural Statistics of 1396. Volume II: 68. (In Persian)
 
F.A.O. (2009). Sunn Pests and their Control in the Near East, F.A.O Corporate Document Respository, pp. 1-17.
 
Heydari. A., & Amiri Pariyan. J., (2020) Identification and enumeration of two important greenhouse pests with the help of image processing: case study of whitefly and thrips. Journal of Agricultural Machinery, 9: 320-309. (In Persian)
 
Hosseini, S. A., Masoudi, H., Sajjadieh, S. M., & Abdanan-Mehdizadeh, S. (2019) Determining the amount of nitrogen and chlorophyll of sugarcane plant from the color indices of digital aerial images with regression modeling. Agricultural Engineering Scientific Journal of Agriculture. Volume 42: 98-83. (In Persian)
 
Johnson, J. B. (2020). An overview of near-infrared spectroscopy (NIRS) for the detection of insect pests in stored grains. Journal of Stored Products Research, 86: 101558. https://doi.org/10.1016/J.JSPR.2019.101558
 
Kasinathan, T., Singaraju, D., & Uyyala, S. R. (2021). Insect classification and detection in field crops using modern machine learning techniques. Information Processing in Agriculture, 8(3): 446-457.
 
Kavoosi, Z. & Raoufat, M. H. 2020. Feasibility of Drone Imagery for Monitoring Performance of a Modified Drill in a Conservation Farming System. Journal of Agricultural Machinery, 10: 23-35.
 
Khanjani, M. (2008). Field Crop Pest in Iran, Bu-Ali Sina University Pub, 195: 108.
 
Moonrinta, J., Chaivivatrakul, S., Dailey, MN. & Ekpanyapong, M. (2010). Fruit detection, tracking, and 3D reconstruction for crop mapping and yield estimation. Control Automation Robotics & Vision (ICARCV), 2010 11th International Conference on: 1181-1186.
 
Rajabi, Gh. (2007). Sunn Pest Management Based on its Outbreaks' Key Factor Analysis in Iran. Agricultural Education Publications, Tehran, Iran. 163p.
 
Rajabi, GH.R. & Behvarzin, M. (2003). The Sunn Pests and Farm Land Diseases in Iran,the Institute of Researches and Education, the Agricultural Education Issue, 4-6.
 
Rezabaygi, M. & Rajabi, GH.R. (2006). The Important Sunn Pests of Wheat and it’s Control Management in Iran.