پردازش تصویر
حسن کوروشی طلب؛ داود محمدزمانی؛ محمد غلامی پرشکوهی
چکیده
تشخیص بیماری‌های گیاهی بخش مهمی از فرآیند مدیریت مزرعه است و می‌تواند تاثیر قابل‌توجهی بر کمیت و کیفیت تولید داشته باشد. روش‌های سنتی ارزیابی چشمی توسط ناظران انسانی زمان‌بر، پر هزینه و مستعد خطا هستند و تشخیص دقیق و تمایز بین بیماری‌های مختلف را دشوار می‌سازند. پیشرفت‌های کشاورزی امکان استفاده از سامانه‌های بینایی ماشین غیرمخرب ...
بیشتر
تشخیص بیماری‌های گیاهی بخش مهمی از فرآیند مدیریت مزرعه است و می‌تواند تاثیر قابل‌توجهی بر کمیت و کیفیت تولید داشته باشد. روش‌های سنتی ارزیابی چشمی توسط ناظران انسانی زمان‌بر، پر هزینه و مستعد خطا هستند و تشخیص دقیق و تمایز بین بیماری‌های مختلف را دشوار می‌سازند. پیشرفت‌های کشاورزی امکان استفاده از سامانه‌های بینایی ماشین غیرمخرب را برای تشخیص بیماری‌های گیاهی فراهم کرده است و حسگرهای تصویربرداری رنگی توانایی بالایی در این زمینه از خود بروز داده‌اند. این مطالعه چارچوبی را برای تشخیص بیماری لکه موجی زودرس و سفیدک داخلی سیب‌زمینی با استفاده از ترکیبی از الگوریتم‌های انتخاب ویژگی Relief و طبقه‌بندی تصادفی جنگل و ویژگی‌های رنگ، بافت و شکل در سه فضای رنگی RGB، HSV و Lab* توصیف کرد. نتایج این بررسی نشان داد که دقت تشخیص برای گروه بیماری لکه موجی زودرس و سفیدک داخلی و گروه برگ سالم به‌ترتیب 94.71، 95 و 95.2 درصد و دقت کلی برای طبقه‌بندی بیماری 95.99 درصد بود. همچنین دقت تشخیص برای دو گروه بیماری لکه موجی زودرس و سفیدک داخلی و گروه برگ سالم به‌ترتیب 91.07، 98.36 و 98.93 درصد و دقت کلی برای طبقه‌بندی بیماری‌ها 96.12 درصد بود. پس از جداسازی ناحیه بیمار از قسمت سالم برگ، در مجموع 150 ویژگی شامل 45 ویژگی رنگی، 99 ویژگی بافتی و شش ویژگی شکلی استخراج شد. مؤثرترین ویژگی‌ها برای تشخیص بیماری با استفاده از ترکیبی از هر سه مجموعه ویژگی شناسایی شدند. این مطالعه نشان داد که ترکیب این سه مجموعه از ویژگی‌ها می‌تواند منجر به طبقه‌بندی دقیق‌تر برگ‌های سیب‌زمینی شود و بینش ارزشمندی در تشخیص و طبقه‌بندی بیماری‌های سیب‌زمینی ارائه دهد. این رویکرد می‌تواند به کشاورزان و سایر متخصصان بیماری‌های گیاهی کمک کند تا بیماری‌های سیب‌زمینی را به‌طور دقیق تشخیص داده و مدیریت کنند و در نهایت منجر به افزایش کیفیت و عملکرد محصول شود.
علی مقیمی؛ آمنه سازگارنیا؛ محمدحسین آق خانی
چکیده
در سال‌های اخیر تولید پسته توسط آفتی به نام پسیل تهدید شده است. هدف از انجام این تحقیق انتخاب باندهای طیفی مناسب جهت تشخیص برگ‌های آلوده به آفت پسیل می‌باشد. برای این منظور از 160 برگ سالم و 160 برگ بیمار در 64 باند طیفی در ناحیه بین 400 تا 1100 نانومتر با قدرت تفکیک طیفی حدوداً 10 نانومتر طیفنگاری انجام شد. از روش جنگل‌های تصادفی برای مرتب‌سازی ...
بیشتر
در سال‌های اخیر تولید پسته توسط آفتی به نام پسیل تهدید شده است. هدف از انجام این تحقیق انتخاب باندهای طیفی مناسب جهت تشخیص برگ‌های آلوده به آفت پسیل می‌باشد. برای این منظور از 160 برگ سالم و 160 برگ بیمار در 64 باند طیفی در ناحیه بین 400 تا 1100 نانومتر با قدرت تفکیک طیفی حدوداً 10 نانومتر طیفنگاری انجام شد. از روش جنگل‌های تصادفی برای مرتب‌سازی طول‌موج‌ها بر اساس قدرت تفکیک بین برگ‌های سالم و بیمار استفاده شد. پس از شناسایی و مرتب‌سازی طول‌موج‌ها بر اساس میزان اهمیت، طول‌موج‌های دارای بیشترین اهمیت توسط یک الگوریتم خوشه‌بندی در شش خوشه تقسیم‌بندی شدند به‌طوری‌که میانگین طول‌موج‌های هر خوشه‌ها حداقل 50 نانومتر از یکدیگر فاصله داشته باشند. میانگین طول‌موج‌های قرار گرفته در شش خوشه به‌ترتیب اهمیت عبارت بود از: 710، 791، 858، 598، 468، و 1023 نانومتر. برای تبدیل داده‌های فراطیفی به چندطیفی، از بازتابش‌های به‌دست آمده در فاصله 15± نانومتری این مراکز میانگین‌گیری انجام گرفت و داده‌های بازتابش به‌دست آمده از دیگر طیف‌ها حذف شد. الگوریتم ماشین بردار پشتیبان برای طبقه‌بندی برگ‌های سالم و بیمار با استفاده از داده‌های فراطیفی و چند طیفی به‌دست آمده در این پژوهش به‌کار گرفته شد. دقت طبقه‌بندی با استفاده از تمام 64 طول‌موج (داده‌های فراطیفی) 90.91 درصد و با استفاده از 6 طول‌موج (داده‌های چندطیفی) 88.69 درصد بود. اختلاف بسیار کم (حدود 2 درصد) در میزان دقت طبقه‌بندی نشان‌دهنده صحت شیوه ارائه شده در این پژوهش برای کاهش ابعاد داده‌های فراطیفی می‌باشد. علاوه بر کاهش ابعاد داده، تعیین باندهای طیفی مناسب از میان داده‌های فراطیفی گامی موثر در طراحی و ساخت حسگری چندطیفی جهت تشخیص بیماری گیاهان می‌باشد.
