تشخیص آلودگی زنگ زرد گندم به کمک تصاویر مرئی و شبکه عصبی مصنوعی (مطالعه آزمایشگاهی)

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی

نویسندگان

1 عضو هیات علمی سازمان تحقیقات کشاورزی

2 استاد بخش تحقیقات غلات، موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات ، آموزش و ترویج کشاورزی، کرج، ایران.

3 گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران

4 دانشگاه فردوسی مشهد

5 بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی، سازمان تحقیقات، آموزش و ترویج کشاورزی،

6 استادیار پژوهش، بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خوزستان، سازمان تحقیقات ، آموزش و

10.22034/jrmam.2024.15006.733

چکیده

هدف از این پژوهش تشخیص بیماری زنگ زرد گندم در نمونه‌های آزمایشگاهی (با ایجاد آلودگی مصنوعی) و با استفاده از تصاویر دوربین مرئی و پردازش تصاویر به دست آمده بود. برای تهیه نمونه‌های آزمایشگاهی، رقم حساس به زنگ زرد (رقم بولانی) در گلدان‌هایی به قطر 15 سانتی‌متر کاشته شدند. در مرحله گیاهچه‌ای، مایه‌زنی جهت تولید آلودگی بر روی گیاه صورت گرفت. سپس از گیاه آلوده تصاویری تهیه و پیش‌پردازش و پردازش تصاویر به کمک نرم‌افزار Matlab بررسی شد. سپس شاخص‌های پوشش گیاهی گوناگون برای تصاویر مرئی مورد ارزیابی قرار گرفته و مناسب‌ترین شاخص برای تشخیص بیماری زنگ زرد معرفی شد. نتایج نشان داد که، شاخص انعکاس مؤلفه‌های قرمز و سبز در نمونه‌های آزمایشگاهی رتبه اول و دوم را در تحلیل افتراقی به خود اختصاص دادند. دقت شبکه عصبی ماشین بردار پشتیبان در طبقه‌بندی نظارت شده بر روی تصاویر مرئی در مرحله یادگیری و آزمایش به ترتیب 06/98 و 44/95 درصد بود که بیش‌ترین دقت نسبت به سایر روش‌های طبقه‌بندی را نشان‌داد.سپس شاخص‌های پوشش گیاهی گوناگون برای تصاویر مرئی مورد ارزیابی قرار گرفته و مناسب‌ترین شاخص برای تشخیص بیماری زنگ زرد معرفی شد. برای انتخاب و رتبه‌بندی شاخص‌ها روش تحلیل افتراقی گام به گام مورد استفاده قرار گرفت. برای تعیین مدل مناسب تشخیص بیماری زنگ زرد، روش‌هایی شامل طبقه‌بندی نظارت شده بر روی تصاویر شامل روش‌های شبکه عصبی خود سازمان دهنده، شبکه عصبی چندی ساز بردار یادگیر، شبکه عصبی تابع پایه شعاعی، طبقه‌بندی ماشین بردار پشتیبان، شبکه عصبی پرسپترون چند لایه، طبقه‌بندی نزدیک‌ترین همسایه و طبقه‌بندی خوشه‌بندی k میانگین (K-means) ارزیابی شد. دقت شبکه عصبی ماشین بردار پشتیبان در طبقه‌بندی نظارت شده بر روی تصاویر مرئی در مرحله یادگیری و آزمایش به ترتیب 06/98 و 44/95 درصد بود که بیش‌ترین دقت نسبت به سایر روش‌های طبقه‌بندی را نشان‌داد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Detection of wheat yellow rust disease using visible images and artificial neural network (laboratory study)

نویسندگان [English]

  • Farzad Afshari 2
  • Reyhaneh Pakdel 3
  • Jalal Baradaran Motie 4
  • Saeed Zarifneshat 5
  • Naim Lovaimi 6
1
2 Seed and Plant Improvement Institute; Agricultural Research, Education and Extension Organization (AREEO), Karaj, Iran.
3 Department of Biosystems Engineering, Faculty of Agriculture, Ferdowsi University of Mashhad, Mashhad. Iran
4 Ferdowsi university of Mashhad
5 Department of Agricultural Engineering Institute, Khorasan Razavi Agricultural and Natural Resources Research and Education Center, AREEO, Mashhad, Iran.
6 Department of Agricultural Engineering Institute, Khoozestan Agricultural and Natural Resources Research and Education Center, AREEO, Ahvaz, Iran
چکیده [English]

Yellow rust is one of the most important wheat diseases in Iran. One of the most fundamental points in the fight against yellow rust disease is to identify the points and foci of this disease in the field. This research aimed to identify yellow rust contamination in wheat by taking pictures of laboratory samples (with artificial pollution) using a visible camera. To prepare laboratory samples, yellow rust-sensitive variety (Bolani variety) was planted in pots and kept in a controlled environment. For pre-processing and processing, the images prepared using a visible camera were first checked with the help of software, and pre-processing including histogram expansion was done on the images to improve the contrast. Then, various vegetation indices were evaluated for visible images and the most suitable index for diagnosing yellow rust disease was introduced. The extracted features were evaluated by the differential stepwise analysis method separately. To determine the appropriate model for the diagnosis of yellow rust disease, various methods of supervised classification on images were evaluated. The results showed that the reflection index of red and green bands ranked first and second in the differential analysis. The accuracy of SVM neural network in supervised classification on visible images was 98.06% and 95.44% respectively in the learning and testing phase, which showed the highest accuracy compared to other classification methods.

کلیدواژه‌ها [English]

  • Image Processing
  • Neural network
  • Wheat
  • Yellow rust
پژوهش‌های مکانیک ماشینهای کشاورزی

مقالات آماده انتشار، پذیرفته شده
انتشار آنلاین از تاریخ 20 اسفند 1403

فایل ها

هم رسانی

ارجاع به این مقاله

آمار