با همکاری انجمن مهندسان مکانیک ایران

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشگاه فردوسی مشهد

2 دانشگاه علوم پزشکی مشهد

چکیده

در سال های اخیر تولید پسته توسط آفتی به نام پسیل تهدید شده است. هدف از انجام این تحقیق انتخاب باندهای طیفی مناسب جهت تشخیص برگ های آلوده به آفت پسیل  می باشد. برای این منظور از 160 برگ سالم و بیمار در 64 باند طیفی در ناحیه بین 400 تا 1100 نانومتر با قدرت تفکیک طیفی حدودا 10 نانومتر طیف نگاری انجام شد. از روش جنگل های تصادفی برای مرتب سازی طول موج ها بر اساس قدرت تفکیک بین برگ های سالم و بیمار استفاده شد. پس از مرتب سازی طول موج ها بر اساس میزان اهمیت ، طول موج های دارای بیشترین اهمیت توسط یک الگوریتم خوشه بندی در شش خوشه تقسیم بندی شدند به طوری که میانگین طول موج های هر خوشه ها حداقل 50 نانومتر از یکدیگر فاصله داشته باشند. میانگین طول موج های قرار گرفته در شش خوشه به ترتیب اهمیت عبارت بود از 710، 791، 858، 598، 468، و 1023 نانومتر. برای تبدیل داده های فراطیفی به چندطیفی، از بازتابش های بدست آمده در فاصله 15± نانومتری این مراکز میانگین گیری انجام گرفت و داده های بازتابش بدست آمده از دیگر طیف ها حذف شد. الگوریتم ماشین بردار پشتیبان برای طبقه بندی  برگ های سالم و بیمار با استفاده از داده های فراطیفی و چند طیفی بدست آمده بکار گرفته شد. دقت طبقه بندی با استفاده از تمام 64 طول موج (داده های فراطیفی) 90.91 درصد و با استفاده از 6 طول موج (داده های چندطیفی) 88.69 درصد بود. اختلاف بسیار کم (حدود 2 درصد) در میزان دقت طبقه بندی نشان دهنده صحت شیوه ارائه شده در این پژوهش می باشد.

کلیدواژه‌ها

  1. Al-Saddik H., Simon J.C. & Cointault F. ( 2018) Assessment of the optimal spectral bands for designing a sensor for vineyard disease detection. Precision Agriculture . DOI: 10.1007/s11119-018-9594-1
    Alisaac E., Behmann J., Kuska M. T., Dehne H.W., & Mahlein A. K.( 2018) Hyperspectral quantification of wheat resistance to fusarium head blight: Comparison of two fusarium species. European Journal of Plant Pathology 1–16.
    Breiman L.( 2001) Random forests. Machine Learning 45(1):5–32.
    Hastie T., Tibshirani R. & Friedman J.( 2009) The Elements of statistical learning: Data Mining, Inference & Prediction. New York: Springer-Verlag New York.
    Mahlein A.K., Oerke E.C., Ulrike S. & Wilhelm Dehne H.( 2011). Recent advances in sensing plant diseases for precision crop protection.” European Journal of Plant Pathology 133(1):197–209.
    Min M. & Lee W.S.( 2005) Determination of significant wavelengths & prediction of nitrogen content for citrus. Transactions of the ASAE 48(2):455–61.
    Moghimi A., Aghkhani M. H., Sazgarnia A. & Abbaspour-Fard M. (2011) Improvement of NIR transmission mode for internal quality assessment of fruit using different orientations. Journal of Food Process Engineering 34(5):1759–74.
    Moghimi A., Aghkhani M.H., Sazgarnia A. & Sarmad M.( 2010) Vis/NIR spectroscopy & chemometrics for the prediction of soluble solids content & acidity (PH) of kiwifruit.” Biosystems Engineering 106(3):295–302.
    Moghimi A., Yang C. & Marchetto P.M.(2018) Ensemble feature selection for plant phenotyping: A journey from hyperspectral to multispectral imaging. IEEE Access.
    Moghimi A., Yang c., Miller M.E., Shahryar F., Kianian S. & Marchetto P.M.(2018) A novel approach to assess salt stress tolerance in wheat using hyperspectral imaging. Frontiers in Plant Science.
    Moghimi A., Yang c., Miller M.E., Shahryar F., Kianian S. & Marchetto P.M.(2017) Hyperspectral imaging to identify salt-tolerant wheat lines, in autonomous air & ground sensing systems for agricultural optimization & phenotyping II 2017. Anaheim, California, United States.
    Mutanga O.& Skidmore A.K.(2007) Red edge shift & biochemical content in grass canopies. ISPRS Journal of Photogrammetry & Remote Sensing 62(1):34–42.
    Sankaran S. & Ehsani R.(2011) Visible-near infrared spectroscopy based citrus greening detection: Evaluation of spectral feature extraction techniques. Crop Protection 30(11):1508–13.
    Sankaran S., Mishra A., Maja J.M. & Ehsani R.( 2011) Visible-near infrared spectroscopy for detection of huanglongbing in citrus orchards. Computers & Electronics in Agriculture 77(2):127–34.
    Susic N., Zibrat U., Sirca S., Strajnar P., Razinger J.aka, Knapic M., Voncina A., Urek G. & Geric Stare B. (2018) Discrimination between abiotic & biotic drought stress in tomatoes using hyperspectral imaging. Sensors & Actuators, B: Chemical 273(June):842–52.
    Wahabzada M., Mahlein A.K., Bauckhage C., Steiner U., Oerke E.C. & Kersting K.(2016) Plant phenotyping using probabilistic topic models: Uncovering the hyperspectral language of plants. Scientific Reports 6(February):22482.