با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه رازی

2 دانشگاه رازی، کرمانشاه

چکیده

استراتژی مدیریت تلفیقی آفات(IPM)، به پایش پیوسته جمعیت آفات وابسته است، این کار نه تنها زمان‌بر است، بلکه وابستگی زیادی به داوری انسان دارد و پر هزینه نیز می‌باشد. استفاده از روش‌های هوش مصنوعی به جای تصمیم‌گیری‌های دستی و انسانی، علاوه بر این که سبب افزایش بهره‌وری می‌گردد، از دقت بالایی نیز برخوردار است. پسته، یک محصول تجاری است و هر ساله خسارت زیادی توسط حشرات به تولیدکنندگان این محصول وارد می‌شود. گروهی از آفات پسته عمدتاً از میوه پسته تغذیه می‌کنند، که از این گروه زنجرک پسته، Idiocerus stali دارای اهمیت زیادی می‌باشد. در این تحقیق زنجرک پسته به عنوان حشره هدف جهت شناسایی انتخاب شد.برای جمع­آوری نمونه­ها از کارت­های زرد چسبنده استفاده شد.357خصوصیت رنگی و20خصوصیت شکلی برای شناسایی زنجرک پسته به­وسیله الگوریتم پردازش تصویر استخراج شد.خصوصیات رنگی به دو دسته‌ی خصوصیات مربوط­‌به میانگین و انحراف­معیار و خصوصیات مربوط­‌به شاخص‌های سبزی تقسیم شدند.از 17 فضای رنگی مختلف مثل RGB، HSV و... برای استخراج خصوصیات و از روش هیبرید شبکه عصبی مصنوعی-الگوریتم بهینه سازی ازدحام ذرات(ANN-PSO) برای انتخاب خصوصیات مؤثر استفاده گردید.خصوصیات مؤثر انتخابی جهت طبقه‌بندی حشرات عبارتند از:شاخص رنگی برای پوشش گیاهی استخراجی مربوط­به فضای رنگیHSL،شاخص تفاضل نرمال شده مربوط­به فضای رنگیLCH،کانال خاکستری مربوط­به فضای رنگیYCbCr،شاخص مؤلفه دوم منهای مؤلفه سوم مربوط­به فضای رنگیYCbCr،مساحت و میانگین مؤلفه­های اول،دوم و سوم فضای رنگیLuv.نرخ شناسایی الگوریتم پردازش تصویر طراحی شده،91.53درصد کل اشیاء(زنجرک پسته وسایر حشره­های غیر هدف و متفرقه) می­باشد.شبکه­های عصبی مصنوعی،توانایی طبقه‌بندی حشرات به دو کلاس زنجرک پسته وسایر حشرات با دقت99.59 درصد را دارند.

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.
    Espinoza, K., Valera, D. L., Torres, J. A., Lopez, A. and Molina-Aiz, F. D. 2016. Combination of image processing and artificial neural networks as a novel approach for the identification of Bemisia tabaci and Frankliniella occidentalis on sticky traps in greenhouse agriculture. Computers and Electronics in Agriculture, 127: 495-505.
    FAO, 2017. Food and agriculture organization of the United Nations. Retrieved May 16, 2019; Available at: http://fao.org/faostat/en/#data)
    Ghaiwat, S. N. and Arora, P. 2014. Detection and classification of plant leaf diseases using image processing techniques: A review. International Journal of Recent Advances in Engineering and Technology, 2(3): 1-7.
    Gonzalez, R. C., Woods, R. E. and Eddins, S. L. 2004. Digital Image Processing Using MATLAB., (Second ed.).USA. New Jersey: Pearson Prentice Hall.
    Jalilvand, N. and Kashani-Zadeh, S. 2013. Study on the Biology of Idiocerus stali in Qazvin Climate. Agricultural Research and Natural Resources Journal, 3(15): 22-30. (In Farsi).
    Karbasi, A. R. and Taohidi, a. h. 2015. Factors Affecting Iranian Pistachio Export. Agricultural Economics Research, 7(1): 91-112. (In Farsi).
    Kia, M., 2009. Neural Networks, (Second ed.) Tehran, Iran: Kian Rayaneh Sabz Publisher. 232 pp. (In Farsi).
    Mehrnejad, M. R., 2001. The current status of pistachio pests in Iran. In: Proceedings of the XI GREMPA Seminar on Pistachios and Almonds. (Cahiers Options Mediterraneennes; n. 56). Zaragoza: CIHEAM. pp. 315-322. Retrieved November 21, 2018 from http://om.ciheam.org/option.php?IDOM=769.
    ModarresAwal, M., 2009. Classification of insects, (1st ed.). Mashhad, Iran: Ferdowsi University Publisher, (In Farsi).
    Qiao, M., Lim, J., Ji, C. W., Chung, B. K., Kim, H. Y., Uhm, K. B., Myung, C. S., Cho, J., Chon, T. S. and D. Herak, A. K., A. Sedlaček, G. Gűrdil. 2008. Density estimation of Bemisia tabaci (Hemiptera: Aleyrodidae) in a greenhouse using sticky traps in conjunction with an image processing system. Journal of Asia-Pacific Entomology, 11: 25-29.
    Šimundić, A. M. 2009. Measures of Diagnostic Accuracy: Basic Definitions. The Journal of the international Federation of Clinical Chemistry and Laboratory Medicine(EJIFCC), 19: 203-211.
    Solomon, C. and Breckon, T., 2011. Fundamentals of Digital Image Processing.(First ed.). West Sussex, UK: John Wiley & Sons, Ltd, Publication, 328 pp.
    Wisaeng, K. 2013. A Comparison of Decision Tree Algorithms for UCI Repository Classification. International Journal of Engineering Trends and Technology(IJETT), 4: 3393-3397.