با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی بیوسیستم، دانشگاه فردوسی مشهد، مشهد، ایران

2 گروه فیزیک پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

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 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) 91/90 درصد و با استفاده از 6 طول‌موج (داده‌های چندطیفی) 69/88 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.

کلیدواژه‌ها


  1. Al-Saddik, H., J. C. Simon, and F. Cointault. 2018. Assessment of the Optimal Spectral Bands for Designing a Sensor for Vineyard Disease Detection: The Case of Flavescence Dorée. Precision Agriculture (0123456789). org/10.1007/s11119-018-9594-1.
  2. Alisaac, E., J. Behmann, M. T. Kuska, H.W. Dehne, and A. K. Mahlein. Hyperspectral Quantification of Wheat Resistance to Fusarium Head Blight: Comparison of Two Fusarium Species. European Journal of Plant Pathology. doi.org/10.1007/s10658-018-1505-9.
  3. Breiman, L. 2001. Random Forests. Machine Learning 45 (1): 5-32.
  4. Hastie, T., R. Tibshirani, and J. Friedman. 2009. Springer Series in Statistics The Elements of Statistical Learning: Data Mining, Inference and Prediction. New York: Springer-Verlag New York. springerlink.com/index/10.1007/b94608.
  5. Kheiralipour, , H. Ahmadi, A. Rajabipour, Sh. Rafiee, M. Javan-Nikkhah, D. S. Jayas, and K. Siliveru. 2016. Detection of Fungal Infection in Pistachio Kernel by Long-Wave near-Infrared Hyperspectral Imaging Technique. Quality Assurance and Safety of Crops and Foods 8 (1): 129-35. doi.org/10.3920/QAS2015.0606.
  6. Mahlein, A., Christian Oerke, U. Steiner, and H. Wilhelm Dehne. 2012. Recent Advances in Sensing Plant Diseases for Precision Crop Protection. European Journal of Plant Pathology 133 (1): 197-209.
  7. Moghimi, A., C. Yang, M. E. Miller, F. Shahryar Kianian, and P. M. Marchetto. A Novel Approach to Assess Salt Stress Tolerance in Wheat Using Hyperspectral Imaging. Frontiers in Plant Science. doi.org/10.3389/fpls.2018.01182.
  8. Moghimi, A., M. H. Aghkhani, A. Sazgarnia, and M. H. Abbaspour-Fard. 2011. Improvement of NIR Transmission Mode for Internal Quality Assessment of Fruit Using Different Orientations. Journal of Food Process Engineering 34 (5): 1759-74.
  9. Moghimi, A., C. Yang, and J. A. Anderson. 2020. Aerial Hyperspectral Imagery and Deep Neural Networks for High-Throughput Yield Phenotyping in Wheat. Computers and Electronics in Agriculture 172: 105299. org/abs/1906.09666.
  10. Moghimi, A., C. Yang, J. A. Anderson, and S. K. Reynolds. 2019. Selecting Informative Spectral Bands Using Machine Learning Techniques to Detect Fusarium Head Blight in Wheat. In ASABE Annual International Meeting, Boston, MA. org/10.13031/aim.201900815. (August 13, 2019).
  11. Moghimi, A., C. Yang, and P. M. Marchetto. 2018. Ensemble Feature Selection for Plant Phenotyping: A Journey from Hyperspectral to Multispectral Imaging. IEEE Access 6: 56870-84.
  12. Mohammadigol, R., H. Khoshtaghaza, R. Malekfar, M. Mirabolfathi, and A. M. Nikbakht. 2013. Detection of Pistachio Aflatoxin Using Raman Spectroscopy and Artificial Neural Networks. Journal of Agricultural Machinery 5 (1): 1-9. (In Persian). http://dx.doi.org/10.22067/jam.v5i1.28122.
  13. Mutanga, O., and A. K. Skidmore. 2007. Red Edge Shift and Biochemical Content in Grass Canopies. ISPRS Journal of Photogrammetry and Remote Sensing 62 (1): 34-42.
  14. Nagasubramanian, , S. Jones, S. Sarkar, A. K. Singh, A. Singh, and G. Baskar. 2018.Hyperspectral Band Selection Using Genetic Algorithm and Support Vector Machines for Early Identification of Charcoal Rot Disease in Soybean Stems. Plant Methods 14 (1): 1-13. doi.org/10.1186/s13007-018-0349-9.
  15. Sankaran, S., A. Mishra, J. M. Maja, and R. Ehsani. 2011. Visible-near Infrared Spectroscopy for Detection of Huanglongbing in Citrus Orchards. Computers and Electronics in Agriculture 77 (2): 127-34. org/10.1016/j.compag.2011.03.004.
  16. Susic, N., U. Zibrat, S. Sirca, P. Strajnar, J. Razinger, M. Knapic, and B. Stare. 2018. Discrimination between Abiotic and Biotic Drought Stress in Tomatoes Using Hyperspectral Imaging. Sensors and Actuators, B: Chemical 273(June): 842-52.
  17. Stefan, T., J. Behmann, A. Steier, T. Kraska, O. Muller, U. Rascher, and A. K. Mahlein. Quantitative Assessment of Disease Severity and Rating of Barley Cultivars Based on Hyperspectral Imaging in a Non-Invasive, Automated Phenotyping Platform. Plant Methods 14 (1): 45. doi.org/10.1186/s13007-018-0313-8.
  18. Wahabzade, M., A. K. Mahlein, C. Bauckhage, U. Steiner, E. C. Oerke, and K. Kersting. Plant Phenotyping Using Probabilistic Topic Models: Uncovering the Hyperspectral Language of Plants. Scientific Reports 6(February): 22482. http://www.nature.com/articles/srep22482.
CAPTCHA Image