تشخیص آلودگی زنگ زرد گندم به کمک تصاویر مرئی و شبکه عصبی مصنوعی(مطالعه آزمایشگاهی) | ||
| پژوهشهای مکانیک ماشینهای کشاورزی | ||
| دوره 14، شماره 1 - شماره پیاپی 34، بهار 1404، صفحه 1-12 اصل مقاله (2.12 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/JRMAM.2024.15006.733 | ||
| نویسندگان | ||
| محمدحسین سعیدی راد* 1؛ فرزاد افشاری2؛ ریحانه پاکدل3؛ جلال برادران مطیع4؛ سعید ظریف نشاط1؛ نعیم لویمی5 | ||
| 1بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خراسان رضوی، مشهد. | ||
| 2بخش تحقیقات غلات، موسسه تحقیقات اصلاح و تهیه نهال و بذر، سازمان تحقیقات ، آموزش و ترویج کشاورزی، کرج. | ||
| 3گروه مهندسی بیوسیستم دانشگاه فردوسی مشهد، مشهد. | ||
| 4استادیار، گروه مهندسی بیوسیستم، دانشکده کشاورزی، دانشگاه فردوسی مشهد، مشهد، ایران | ||
| 5بخش تحقیقات فنی و مهندسی کشاورزی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی خوزستان، اهواز. | ||
| چکیده | ||
| زنگ زرد یکی از مهمترین بیماریهای گندم در ایران است. از مهمترین و اساسیترین نکات در مبارزه با بیماری زنگ زرد، شناسایی نقاط و کانونهای این بیماری در مزرعه است که در صورت سمپاشی، در مراحل اولیه میتوان از شیوع این بیماری و خسارت ناشی از آن جلوگیری کرد. 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 و در محیط پایش شده نگهداری 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. 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. 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 نشان داد. | ||
| کلیدواژهها | ||
| پردازش تصویر؛ زنگ زرد؛ شبکه عصبی؛ گندم | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 126 تعداد دریافت فایل اصل مقاله: 67 |
||
| تعداد نشریات | 11 |
| تعداد شمارهها | 184 |
| تعداد مقالات | 2,028 |
| تعداد مشاهده مقاله | 508,563 |
| تعداد دریافت فایل اصل مقاله | 295,172 |