توسعه سامانه حسگر صوتی غیرتهاجمی برای تشخیص زودهنگام فعالیت لارو سرخرطومی خرما

مقالات آماده انتشار

نوع مقاله : مقاله پژوهشی انگلیسی

نویسندگان

سید احسان زاهدی

محمد ابونجمی

سید رضا حسن بیگی بیدگلی

گروه فنی کشاورزی، پردیس ابوریحان، دانشگاه تهران، تهران، ایران

https://doi.org/10.22067/jam.2026.96621.1447

چکیده

سوسک سرخرطومی حنایی خرما (Rhynchophorus ferrugineus) از آفات مهم نخل‌ خرما است که به دلیل تغذیه پنهان لاروها، تشخیص زودهنگام آن دشوار می‌باشد. برای ثبت سیگنال‌های ضعیف ناشی از جویدن لارو در شرایط طبیعی نخلستان، سامانه حسگرصوتی قابل‌حمل طراحی و ساخته شد. این سامانه با میکروفون الکتریت MAX9814 و ماژول داده‌برداری ۱۲ بیتی STM32F103C8T6 با نرخ نمونه‌برداری ۱۶ کیلوهرتز، امکان ضبط سریع و غیرتهاجمی سیگنال‌ها را فراهم و با طراحی فشرده، منبع تغذیه ایزوله و پایه ضدارتعاش، کارایی دستگاه را در شرایط میدانی افزایش داد. سیگنال‌های صوتی حاصل از نخل‌های آلوده در حوزه‌ زمان و فرکانس تحلیل و سپس شش ویژگی طیفی شامل فرکانس میانگین و میانه، توان باند، پهنای‌باند اشغال‌شده، پهنای‌باند توان و فرکانس پیک در پنج طول فریم مختلف استخراج گردید. نتایج آماری نشان داد مقیاس قطعه‌بندی بر پایداری سیگنال و افزونگی میان ویژگی‌ها اثرگذار است. برای یکپارچه‌سازی داده‌ها، اطلس طیفی ساختاریافته تدوین، که توصیف‌گرهای صوتی پراکنده را در قالب یک نمایش منسجم گردآوری کرد. فعالیت غالب لاروی در فرکانس‌های کمتر از ۷ کیلوهرتز مشاهده شد؛ به‌گونه‌ای که فرکانس‌های میانگین و میانه بین 2.1 تا 3.8 کیلوهرتز قرار داشتند (r > 0.85) و توان باند در محدوده ۸ تا ۲۲ دسی‌بل بود. همچنین پهنای‌باند اشغال‌شده (1.5 تا 2.8 کیلوهرتز) با تشدید عمل جویدن کاهش یافت که ثبات طیفی و ارزش تشخیصی ویژگی‌ها را تأیید نمود. این سامانه خط‌مبنای زیستی کمّی ارزشمندی ارائه داده که علاوه بر بهبود انتخاب ویژگی‌ها، از مدل‌های یادگیری ماشین پشتیبانی می‌کند و با حسگرهای صوتی تعبیه‌شده تشخیص زودهنگام و غیرتهاجمی آلودگی تنه نخل به آفت را میسر می‌سازد.

کلیدواژه‌ها

تشخیص زودهنگام

حسگر صوتی

سوسک سرخرطومی خرما

طیف ویژگی

نخل خرما

موضوعات

• کشاورزی دیجیتال، هوشمند و دقیق

---

Authors retain the copyright. This is an open access article distributed under Creative Commons Attribution 4.0 International License (CC BY 4.0)

مراجع

1. Ashry, I., Mao, Y., Al-Fehaid, Y., Al-Shawaf, A., Al-Bagshi, M., Al-Brahim, S., Ng, T. K., & Ooi, B. S. (2020). Early detection of red palm weevil using distributed optical sensor. Scientific Reports, 10(1), 3155. https://doi.org/10.1038/s41598-020-60171-7
2. Boashash, B. (2015). Time-frequency signal analysis and processing: A comprehensive reference (2nd ed.). Oxford, England: Academic Press.
3. Broujeni, F. M., & Maleki, A. (2017). Fractal analysis of sound signals in SAMPO 3065 combine harvester. Journal of Agricultural Machinery, 7(1), 86-96. (in Persian). https://doi.org/10.22067/jam.v7i1.44392
4. Clancy, E. A., Morin, E. L., & Merletti, R. (2002). Sampling, noise-reduction and amplitude estimation issues in surface electromyography. Journal of Electromyography and Kinesiology, 12(1), 1-16. https://doi.org/10.1016/s1050-6411(01)00033-5
5. Conover, W. J. (1999). Practical nonparametric statistics (3rd ed.). New York, NY: John Wiley & Sons.
6. Croarkin, C., & Tobias, P. (2003). NIST/SEMATECH e-handbook of statistical methods. Gaithersburg, MD: National Institute of Standards and Technology. Retrieved from https://www.itl.nist.gov/div898/handbook
7. Delalieux, S., Hardy, T., Ferry, M., Gomez, S., Kooistra, L., Culman, M., & Tits, L. (2023). Red palm weevil detection in date palm using temporal UAV imagery. Remote Sensing, 15(5), 0-21. https://doi.org/10.3390/rs15051380
8. Dubnov, S. (2004). Generalization of spectral flatness measure for non-Gaussian linear processes. IEEE Signal Processing Letters, 11(8), 698–701. https://doi.org/10.1109/LSP.2004.831663
9. Faleiro, J. R. (2006). A review of the issues and management of the red palm weevil Rhynchophorus ferrugineus (Coleoptera: Rhynchophoridae) in coconut and date palm during the last one hundred years. International Journal of Tropical Insect Science, 26(3), 135-154. https://doi.org/10.1079/IJT2006113
10. Gerhardt, H. C. (1998). Acoustic signals of animals: Recording, field measurements, analysis and description. In S. L. Hopp, M. J. Owren, & C. S. B. Evans (Eds.), Animal acoustic communication: Sound analysis and research methods (pp. 1–28). Berlin, Germany: Springer. https://doi.org/10.1007/978-3-642-76220-8_1
11. Hetzroni, A., Soroker, V., & Cohen, Y. (2016). Toward practical acoustic red palm weevil detection. Computers and Electronics in Agriculture, 124, 100-106. https://doi.org/10.1016/j.compag.2016.03.018
12. Hoddle, M. S., Antony, B., El-Shafie, H. A. F., Chamorro, M. L., Milosavljević, I., Löhr, B., & Faleiro, J. R. (2024). Taxonomy, biology, symbionts, omics, and management of Rhynchophorus palm weevils (Coleoptera: Curculionidae: Dryophthorinae). Annual Review of Entomology, 69, 455-479. https://doi.org/10.1146/annurev-ento-013023-121139
13. Hyndman, R. J., & Fan, Y. (1996). Sample quantiles in statistical packages. The American Statistician, 50(4), 361-365. https://doi.org/10.2307/2684934
14. Jeng, Y.-N., Yang, T.-M., & Lee, S.-Y. (2011). Response identification in the extremely low frequency region of an electret condenser microphone. Sensors, 11(1), 623-637. https://doi.org/10.3390/s110100623
15. Kay, S. M. (1988). Modern spectral estimation: Theory and application. Englewood Cliffs, NJ: Prentice Hall.
16. Khoshnam, F., Bidgoly, S. R. H. B., Namjoo, M., & Doroozi, M. (2017). The effect of acoustic system variables on sound signals of melon varieties. Journal of Agricultural Machinery, 7(1), 126-139. (in Persian). https://doi.org/10.22067/jam.v7i1.44340
17. Kotz, S., Kozubowski, T. J., & Podgórski, K. (2001). Asymmetric multivariate Laplace distribution. In S. Kotz, T. J. Kozubowski, & K. Podgórski (Eds.), The Laplace distribution and generalizations: A revisit with applications to communications, economics, engineering, and finance. Boston, MA: Birkhäuser. https://doi.org/10.1007/978-1-4612-0173-1_8
18. Kurdi, H., Al-Aldawsari, A., Al-Turaiki, I., & Aldawood, A. S. (2021). Early detection of red palm weevil, Rhynchophorus ferrugineus (Olivier), infestation using data mining. Plants, 10(1), 95. https://doi.org/10.3390/plants10010095
19. Lartillot, O., & Toiviainen, P. (2007). MIR in MATLAB (II): A toolbox for musical feature extraction from audio. In Proceedings of the 8th International Conference on Music Information Retrieval (ISMIR 2007) (pp. 127–130). Vienna, Austria. Retrieved from https://ismir2007.ismir.net/proceedings/ISMIR2007_p127_lartillot.pdf
20. Lindeberg, J. W. (1922). Eine neue Herleitung des Exponentialgesetzes in der Wahrscheinlichkeitsrechnung. Mathematische Zeitschrift, 15(1), 211-225. https://doi.org/10.1007/BF01494395
21. Manee, M. M., Alqahtani, F. H., Al-Shomrani, B. M., El-Shafie, H. A. F., & Dias, G. B. (2023). Omics in the red palm weevil Rhynchophorus ferrugineus (Olivier) (Coleoptera: Curculionidae): A bridge to the pest. Insects, 14(3), Article 255. https://doi.org/10.3390/insects14030255
22. Mankin, R. W., Hagstrum, D. W., Smith, M. T., Roda, A. L., & Kairo, M. T. K. (2011). Perspective and promise: A century of insect acoustic detection and monitoring. American Entomologist, 57(1), 30-44. https://doi.org/10.1093/ae/57.1.30
23. Mankin, R. W., Rohde, B., & McNeill, S. (2016). Acoustic detection of insect larvae in trees. Crop Protection, 85, 34-39. https://doi.org/10.1016/j.cropro.2016.03.013
24. Mao, Y., Ashry, I., Wang, B., Al-Fehaid, Y., Al-Shawaf, A., Ng, T. K., Yu, C., & Ooi, B. S. (2021). Monitoring the red palm weevil infestation using machine learning and optical sensing. Optical Fiber Communication Conference (OFC), Tu6C.2. https://doi.org/10.1364/OFC.2021.Tu6C.2
25. Martin, B. (2015). A relative analysis on sound of red palm weevil based on field and lab recordings. International Journal of Applied Engineering Research, 10(6), 5261-5268.
26. Mendel, Z., Voet, H., Nazarian, I., Dobrinin, S., & Ment, D. (2024). Comprehensive analysis of management strategies for red palm weevil in date palm settings, emphasizing sensor-based infestation detection. Agriculture (Switzerland), 14(2). https://doi.org/10.3390/agriculture14020260
27. Mohamed, A., Atwa, A., Hany, A., Adly, I., & Ragai, H. (2021). AI for acoustic early detection of the red palm weevil. International Conference on Computer Engineering and Systems (ICCES), 540-545. https://doi.org/10.1109/ICCES54031.2021.9686081
28. Nangai, V. L., & Martin, B. (2017). Interpreting the acoustic characteristics of RPW towards its detection: A review. IOP Conference Series: Materials Science and Engineering, 225, 012178. https://doi.org/10.1088/1757-899X/225/1/012178
29. Nasrollahi Azar, J., Farrokhi Teimourlou, R., & Rostampour, V. (2023). Feasibility of soil texture determination using acoustic signal processing of a cone penetrometer. Journal of Agricultural Machinery, 13(4), 509-520. (in Persian). https://doi.org/10.22067/jam.2023.78870.1126
30. Rach, M. M., Gomis, H. M., Granado, O. L., Malumbres, M. P., Campoy, A. M., & Martín, J. J. S. (2013). On the design of a bioacoustic sensor for the early detection of the red palm weevil. Sensors (Switzerland), 13(2), 1706-1729. https://doi.org/10.3390/s130201706
31. Samad, S. A., & Huddin, A. B. (2019). Improving spectrogram correlation filters with time-frequency reassignment for bio-acoustic signal classification. Indonesian Journal of Electrical Engineering and Computer Science, 14(1), 59-64. https://doi.org/10.11591/ijeecs.v14.i1.pp59-64
32. Siddiqui, S. A., Thanpandiyan, K., Adli, D. N., Yudhistira, B., Fernando, I., & Palo, P. De. (2025). Overview of the African palm weevil (Rhynchophorus phoenicis) as food and feed – A critical review. Journal of Insects as Food and Feed, 11(3), 391–416. https://doi.org/10.1163/23524588-00001005
33. Torky, M., Dahy, G., & Hassanien, A. E. (2023). Recognizing sounds of red palm weevils (RPW) based on the VGGish model: Transfer learning methodology. Computers and Electronics in Agriculture, 212(May), 108079. https://doi.org/10.1016/j.compag.2023.108079
34. Tukey, J. W. (1977). Exploratory data analysis. Reading, MA: Addison-Wesley.
35. Tzanetakis, G., & Cook, P. (2002). Musical genre classification of audio signals. IEEE Transactions on Speech and Audio Processing, 10(5), 293-302. https://doi.org/10.1109/TSA.2002.800560
36. Wilcox, R. R. (2017). Introduction to robust estimation and hypothesis testing (4th ed.). Waltham, MA: Academic Press.
37. Yavari, M., Banakar, A., & Sharafi, M. (2020). Sound signals processing of roosters for sexual maturity and puberty diagnosis. Journal of Agricultural Machinery, 10(2), 265-271. (in Persian). https://doi.org/10.22067/jam.v10i2.75264
38. Zamani, M., Aboonajmi, M., & Hassan-Beygi, S. R. (2016). Design, development and test of the gearbox condition monitoring system using sound signal processing. Journal of Agricultural Machinery, 6(2), 322- (in Persian). https://doi.org/10.22067/jam.v6i2.47825