با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشگاه بوعلی سینا

چکیده

شناسایی و ردیابی به موقع آفات در گلخانه یک امر حیاتی جهت کنترل آفات و بیماری‌ها، کاهش خسارت و افزایش عملکرد محصول می‌باشد. آفات مختلفی از قبیل سفید بالک‌ها، تریپس‌ها، شته‌ها و غیره در خسارت به محصول و در نتیجه کاهش آن موثر هستند. در این پژوهش، شناسایی و شمارش آفات مهم گلخانه (سفید بالک و تریپس) از طریق کارت‌های چسبان زرد رنگ به کمک پردازش تصویر انجام شد. ابتدا از کارت‌های نصب شده در گلخانه در طول روز با دوربین دیجیتال عکس گرفته شد. سپس بر اساس طراحی الگوریتمی به منظور استخراج مولفه‌های رنگی و اندازه اشیاء از تبدیلات فضای رنگ، آستانه‌گیری، حذف نویز، عملیات مرفولوژیکی برچسب‌زنی به هم‌بندها برای شناسایی و شمارش حشرات سفید بالک و تریپس به تله افتاده بر روی کارت‌های چسبان زرد استفاده شد. به کمک روش ماتریس اغتشاش، دقت الگوریتم پیشنهادی بررسی شده که این مقدار برابر با 5/94 و 4/87 درصد به‌ترتیب برای شناسایی سفید بالک و تریپس محاسبه شد.

کلیدواژه‌ها

1. Barbedo, J. G. A. 2014. Using digital image processing for counting whiteflies on soybean leaves. Journal of Asia-Pacific Entomology 17: 685-694.
2. Bhadane, G., S. Sharma, and V. B. Nerkar. 2013. Early pest identification in agricultural crops using image processing techniques. International Journal of Electrical, Electronics and Computer Engineering 2: 77-82.
3. Boissard, P., V. Martin, and S. Moisan. 2008. A cognitive vision approach to early pest detection in greenhouse crops. computers and electronics in agriculture 62: 81-93.
4. Cho, J., J. Choi, M. Qiao, C.-W. Ji, H.-Y. Kim, K.-B. Uhm and T.-S. Chon. 2007. Automatic identification of whiteflies, aphids and thrips in greenhouse based on image analysis. Red 346: 244.
5. Flint, M. 2002. Whiteflies: Integrated pest management for home gardeners and professional landscapers. University of California, Davies, Tech. Report.
6. Gonzalez, R. C., and R. E. Woods. 1992. Digital image processing: Addison-wesley Reading.
7. Huddar, S. R., S. Gowri, K. Keerthana, S. Vasanthi, and S. R. Rupanagudi. 2012. Novel algorithm for segmentation and automatic identification of pests on plants using image processing. Pages 1-5. Computing Communication & Networking Technologies (ICCCNT), 2012 Third International Conference on: IEEE.
8. Krishna, M., and G. Jabert. 2013. Pest Control in Agriculture Plantation using Image Processing. IOSR Journal of Electronic and Communication Engineering (IOSR-JECE) 6: 68-74.
9. Malais, M., and W. Ravensberg. 2003. Knowing and recognizing: the biology of glasshouse pests and their natural enemies. rev.
10. Martin, J., and L. Mound. 2007. An annotated check list of the world's whiteflies (Insecta: Hemiptera: Aleyrodidae). Lista de las moscas blancas del mundo (Insecta: Hemiptera: Aleyrodidae). Zootaxa 1: 1-84.
11. Martin, V., S. Moisan, B. Paris, and O. Nicolas. 2008. O. 50-Towards a video camera network for early pest detection in greenhouses. ENDURE International Conference.
12. Mundada, R. G., and V. Gohokar. 2013. Detection and classification of pests in greenhouse using image processing. IOSR Journal of Electronics and Communication Engineering 5: 57-63.
13. Payman, S. H., A. Bakhshipour Ziaratgahi, and A. Jafari. 2016. Exploring the possibility of using digital image processing technique to detect diseases of rice leaf. Journal of Agricultural Machinery 6: 69-76. (In Farsi).
14. Pokharkar, S., and V. Thool. 2012. Early pest identification in greenhouse crops using image processing techniques. International Journal of Computer Science and Network 1: 1-6.
15. Pourdarbani, R., and B. Rezaei. 2011. Automatic detection of greenhouse plants pests by image analysis. Tarım Makinaları Bilimi Dergisi 7.