بخشی از مقاله
خلاصه
گوجه فرنگی از جمله سبزیجات پر مصرف در جهان و ایران است که هر ساله خسارتهای قابل توجهی ناشی از بیماری لکهیموجی و آفت مینوز به این محصول وارد میشود. هدف از انجام این پژوهش، تشخیص زود هنگام این بیماری و آفت در مراحل اولیه جهت جلوگیری از شیوع آن در مزرعه و گلخانه است.
در این مقاله تلاش گردید با استفاده از پردازش تصویر و شبکههای عصبی، علائم بیماری و آفت در گوجهفرنگی تشخیص داده شود. در این پژوهش، تعداد 150 تصویر در اوایل و اواسط شیوع بیماری از برگ-های گوجهفرنگی واقع در مزرعه دانشگاه ولی عصر - عج - رفسنجان تهیه شد. نتایج نشان داد که نرمافزار تهیه شده میتواند جهت تشخیص زود هنگام بیماری لکهی موجی و آفت مینوز استفاده شود.
.1 مقدمه
بیماریها و آفات گیاهی در سراسر جهان باعث کاهش محصولات کشاورزی به میزان قابل توجهی میشوند. تشخیص سریع و خودکار بیماریهای گیاهی در نظارت بر مزارع بزرگ مزایای زیادی دارد. روشهای زیادی برای تشخیص بیماری-های گیاهی وجود دارد ولی اکثر این روشها وقتگیر و پرهزینه یا مخرب هستند. - روشهای طیفی - بسیار گران قیمت و زمانبر بوده و نیاز به پرسنل آموزش دیده دارد.
مزرعه داران در تمام دنیا برای مبارزه با عوامل زندهی کاهش تولید، ناگزیرند از انواع آفتکشها استفاده کنند ولی باقیمانده سموم روی سطح محصولات یا در داخل بافت میوها، سبزیها و حتی دانههای غلات همچنان یکی از مشکلات جدی مصرف است. استفاده بیش از حد از آفتکشها در تولید محصولات کشاورزی باعث بروز پدیدهای به نام بقایای سموم میگردد که این پدیده به عنوان یک خطر جدی برای سلامتی انسان و آلودگی محیط زیست مطرح است. در حال حاضر بیماریهای گیاهی توسط متخصصین و باچشم غیرمسلّح تشخیص داده میشوند که این کار به نظارت مستمر کارشناسان نیازمند است که ممکن است در مزارع بزرگ هزینههای زیادی را باعث شود
کشاورزان ممکن است مجبور به پیمودن مسافتهای طولانی برای تماس با کارشناسان باشند که این کار بسیار گران و وقتگیر است. همچنین، کنترل به موقع بیماریهای گیاهی باعث کاهش تلفات محصول و حداقل استفاده از سموم شیمیایی میشود که در نتیجه باعث کاهش آلودگی منابع زیرزمینی میشود.
آفات و بیماریهای بوتهی گوجهفرنگی میتوانند روی تنه، ریشه، شاخه، برگ، گل یا میوه ظاهر شود. به دلیل اینکه آفات و بیماریها اول برگ و سپس گل و در پایان میوه را درگیر میکنند و با کنترل بیماری در مراحل اولیه به محض ظاهر شدن روی برگ میتوان خسارات وارده به درخت را تا حد ممکن کاهش داد، به بررسی آفات و بیماریهای برگی پرداخته میشود
فناوری ماشین بینایی و پردازش تصویر قادر است به طور خودکار بیماریهای گیاهی را تشخیص، تفکیک و طبقه-بندی کند. طراحی و کاربرد این فناوریها به طور عمده به کاهش کاربرد مواد شیمیایی و کاهش هزینههای پرسنلی و افزایش حاصلخیزی و کیفیت محصول کمک میکند
.1.1 بیماری لکه ی موجی
در این بیماری لکههای موجدار روی برگ گیاه ایجاد میشود. عامل بیماریزا، قارچی با نام علمی Alternaria است. این قارچ به بادمجان، سیب زمینی، گوجهفرنگی، طالبی، خیار چمبر و غیره حمله میکند. این قارج ساقهها، برگها و میوه-های گوجهفرنگی را آلوده میسازد. این بیماری در خزانه موجب مرگ گیاهچه* میشود. روی برگها لکههای قهوهای مدوّر و اغلب احاطه شده با هالهی زرد ظاهر میگردد. با توسعهی بیماری قارچ ممکن است ساقهها و میوهها را آلوده سازد. لکه-های روی میوه شبیه به لکههای روی برگها به رنگ قهوهای با حلقههای متحدالمرکز تیره میباشند
.2,1 آفت مینوز
آفت بسیار مهم و خطرناک قرنطینهای است که در بسیاری از نقاط جهان به گوجهفرنگی خسارت وارد میکند. در شرایط مساعد دیاپوز نداشته و 10-12 نسل در سال ایجاد میکند. سوراخهای ریز، تونل سطح برگ، بدشکلی و تودهی فضولات لاروی، کوتاه شدن بوته، توقف رشد، خشکیدگی انتهایی بوته و در نهایت مرگ کامل گیاه، از جمله علایم خسارت روی برگ است. این آفت روی ساقهها و سرشاخهها باعث توقف رشد، خشکیدگی و همراه با تودهی فضولات لاروی و پژمردگی است. آفت مینوز روی میوه نیز باعث خرابی میوه و تغذیه از گوشت میوه که همراه با تودهی فضولات لاروی است، میشود
.2 پیشینه ی پژوهش
در دههی گذشته، محققین مختلفی از تکنیکهای پردازش تصویر جهت بررسی آلودگی بیماری و آفت در گیاهان استفاده کردهاند، از آن جمله میتوان به شناسایی علفهای هرز در یک مزرعه، جدا کردن میوهها و سبزیجات آلوده و بیمار و غیره اشاره کرد.
در [6] ای هللی و همکاران سه بیماری خیار - سفیدک پودری*، کپک ریز و قارچ برگی - را با استفاده از شبکهی عصبی پسانتشار تشخیص و دستهبندی کردند. در [7] روشی برای تشخیص خودکار بیماریهای گیاه پنبه ارائه شد که از تبدیل موجک برای استخراج ویژگی و از شبکهی عصبی ماشین بردار پشتیبان** برای دستهبندی تصاویر استفاده گردید که در بهترین مدل دقت %90 گزارش شد. در [8] با استفاده از روش پردازش تصویر، سه اختلال درخت سیب شامل بیماریهای لکهی سیاه سیب، آلترناریا و آفت مینوز تشخیص داده میشوند. در این تحقیق از ویژگیهای رنگ، ویژگیهای حاصل از ماتریس همرویدادی، تبدیل فوریه سریع و تبدیل موجک سریع برای تشخیص بیماریها استفاده شد.
در [9] شناسایی آفات با استفاده از شبکههای عصبی مصنوعی مورد بررسی قرار گرفته است. این روش بر پایهی خوشهبندی با استفاده از آستانهگیری و شبکههای عصبی به عنوان ابزار طبقهبندی است. محققین در [10] با استفاده از روش ماشین بینایی بیماریهای برگ گردو را تشخیص دادند، ابتدا خواص رنگی و ظاهری برگها را مورد ارزیابی قرار دادند و از این خواص جهت شناسایی بیماریها استفاده کردند. محمدی و همکاران در [11] با استفاده از تبدیل فضاهای رنگی و هیستوگرام شدتهای رنگی و آستانه روشی دقیق برای تشخیص بیماری سفیدک دروغی خیار گلخانهای ارائه دادند.
در برخی از روشهای ارائه شده، از اطلاعات رنگ برای تشخیص بیماری و آفت استفاده شده است که این ویژگی نسبت به تغییرات نور محیط بسیار حساس است و در مواردی که شدت رنگ های RGB بیماریها به هم نزدیک باشد، دقت و کارایی لازم را ندارد. روش K-means هم برای خوشهبندی روش مناسبی است چون رنگهای شبیه به هم را در یک خوشه قرار میدهد اما این روش برای قطعهبندی نواحی بیماری و طبقهبندی دقت لازم را ندارد. روش آستانهگذاری هم برای طبقهبندی دو بیماری یا آفت کارایی مناسبی ندارد. در این پروژه از روش شبکههای عصبی برای طبقهبندی بیماری لکهی موجی و آفت مینوز استفاده شده است.
