بخشی از مقاله
چکیده
بیماریهای گیاهی میتوانند باعث کاهش کیفیت و کمیت محصولات کشاورزی شوند. در بعضی از کشورها، کشاورزان زمان قابل توجهی برای مشاوره با گیاهپزشکان صرف میکنند، در حالیکه زمان عامل مهم در کنترل بیماری میباشد؛ بنابراین ارائه روشی آسان، سریع، ارزان و دقیق برای تشخیص بیماریهای گیاهی لازم به نظر میرسد. در این تحقیق، با استفاده از روش پردازش تصویر، سه اختلال درخت سیب - بیماریهای لکه سیاه سیب، آلترناریا و آفت مینوز - تشخیص داده میشوند. پس از جمعآوری برگهای بیمار و انتقال آنها به آزمایشگاه، تصاویر برگها تحت شرایط نور کنترل شده تهیه شده و سپس به کمک الگوریتم طراحی شده در نرمافزار MATLAB، ابتدا نواحی بیماری روی برگ ها با استفاده از روش خوشهبندی -kمیانگین کلاسیک تشخیص و جداسازی شدند و سپس ویژگیهای مربوط به رنگ و بافت تصویر نواحی بیماری استخراج شدند.
در ادامه چهار مدل توسعه داده شد که مدل اول شامل ویژگیهای حاصل از ماتریس هم رویدادی، مدل دوم شامل ویژگیهای رنگی، مدل سوم شامل ویژگی های استخراج شده از تبدیلهای موجک و فوریه و مدل چهارم شامل همهی ویژگیها بود و سپس با استفاده از شبکه عصبی مصنوعی - - ANN بیماریهای گیاهی طبقهبندی شدند. نتایج نشان داد که شبکه عصبی مصنوعی به طور موفقیت آمیزی توانست لکههای بیماری مشخص شده با روش خوشهبند -kمیانگین کلاسیک را با دقت % 100 طبقهبندی کند .
1 مقدمه
بیماریهای گیاهی باعث کاهش تولید و خسارتهای زیاد اقتصادی در بخش کشاورزی میشود. پایش کردن سلامتی و تشخیص بیماری در گیاهان و درختان در کشاورزی پایدار حائز اهمیت است. در حال حاضر بیماریهای گیاهی توسط متخصصین و با چشم غیرمسلح تشخیص داده میشوند که این کار به نظارت مستمر کارشناسان نیازمند است که ممکن است در مزارع بزرگ هزینههای زیادی را باعث شود. علاوه بر این، در برخی از کشورهای در حال توسعه، کشاورزان ممکن است مجبور به پیمودن مسافتهای طولانی برای تماس با کارشناسان باشند که این کار بسیار گران و وقتگیر میباشد. 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. فناوری ماشین بینایی و پردازش تصویر قادر است به طور خودکار بیماریهای گیاهی را تشخیص، تفکیک و طبقهبندی 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 - Weizheng et al., . - 2008
تشخیص سریع و خودکار بیماریهای گیاهی پژوهشی ضروری است که در نظارت بر زمینهای بزرگ مزایای زیادی دارد. اطلاعات اولیه سلامتی محصول و تشخیص بیماری میتواند از طریق استراتژیهای مدیریتی مناسب از قبیل کنترل آفتکشها، قارچ کشها و مواد شیمیایی خاص بهرهوری را تسهیل نماید . - Patil and Kumar, 2011 - روشهای زیادی برای تشخیص بیماریهای گیاهی وجود دارد ولی اکثر این روشها یا وقتگیر و پرهزینه میباشند یا روشهای مخرب میباشند. روشهای طیفی بسیار گرانقیمت و زمانبر بوده و نیاز به پرسنل آموزشدیده دارد. امروزه ابزارهای کامپیوتری بر پایهی پردازش تصویر در حوزهی کشاورزی برای نظارت بر رشد محصول توسعهی زیادی داشته است. تشخیص خودکار بیماریهای گیاه برای افرادی که اطلاعاتی در مورد روش کشت محصول ندارند، میتواند مزایای زیادی داشته باشد . - aCamargo and Smith, 2009 -
مزایای استفاده ازتکنولوژی تصویربرداری، دقیق، غیرمخرب و عملکرد بهتر آن میباشد. کاربرد تکنولوژی ماشین بینایی بازدهی صنعت کشاورزی را به وسیله کاهش هزینههای کارگری، افزایش خواهد داد. در حال حاضر زیر مجموعه باغبانی کشور به عنوان ارزآورترین زیرمجموعه بخش کشاورزی ایران محسوب میشود. از طرفی تنوع اقلیمی حاکم بر کشور باعث شده تا امکان کشت و کار گونههای متفاوتی از درختان باغی در کشور ما وجود داشته باشد، به طوری که از 25 محصول باغی منتخب FAO، کشت 16 گونه از آنها در ایران در سطح اقتصادی رواج دارد - کلیایی و همکاران،. - FAO, 2013;1381 طبق گزارش های مرکز ملی آمار ایران، تولید سیب در سال 1386 با 130,291 هکتار سطح زیر کشت میزان 968,544 تن بوده است - مرکزآمارایران، - 1392 بنابراین سیب یک محصول استراتژیک و صادراتی ایران میباشد که تشخیص خودکار بیماریهای این محصول مزایای زیادی در بهبود کشت این محصول دارد.
آفات و بیماریهای درخت سیب 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. درخت سیب بیماریها و آفات زیادی دارد، در اینجا به دلیل اینکه مینوز لکه گرد، بیماریهای لکه سیاه سیب و آلترناریا از اختلالاتی هستند که بر تولید تجاری سیب تأثیرگذار بوده و در شهرستان کرج - منطقه مورد مطالعهی - خسارتهای زیادی وارد میکنند، فقط به بررسی این اختلالات میپردازیم.
روشهای تشخیص بیماری را میتوان به طور گسترده به دو روش مستقیم و غیر مستقیم دسته بندی کرد:
روشهای مستقیم شامل روشهای سرولوژیکی، روشهای مولکولی و روشهای غیرمستقیم شامل روشهای مبتنی بر مارکرهای زیستی و روشهای مبتنی بر ویژگیهای گیاه مانند تکنیکهای تصویربرداری - فلوروسانس ، فراطیفی - و روشهای مبتنی بر طیف سنجی - مرئی، فروسرخ، فلوروسانس و باندهای چندطیفی - . پیشرفتهای اخیر در تکنولوژی کشاورزی تقاضا را برای ابداع روشهای غیرمخرب برای تشخیص بیماری افزایش داده است. تکنیکهای طیفسنجی و تصویربرداری تنها روشهای نظارت هستند که برای تشخیص بیماری و تنش در درختان و گیاهان استفاده میشوند.
در دهه گذشته، محققین مختلفی از تکنیکهای پردازش تصویر جهت بررسی آلودگی در گیاهان استفاده کردهاند، از آن قبیل می- توان شناسایی علفهای هرز در یک مزرعه، جدا کردن میوهها و سبزیجات آلوده و بیمار و غیره را نام برد. در سال 2006 با استفاده از تکنیک پردازش تصویر و آنالیزهای جداسازی، چهار بیماری مربوط به درخت گریپفروت شناسایی و طبقهبندی شد. پردازش تصاویر با استفاده از ماتریس رنگی هماتفاق انجام گرفت و در آن خواص ساختاری رنگ برگ مرکبات در کانال رنگ HSI استخراج شد و سپس با استفاده از آنالیزهای جداسازی بوسیله نرمافزار SAS بیماریها با دقت % 98/75 از هم جداسازی گردیدند - Pydipati et al. 2006 -
در سال 2011 از روش خوشهبندی -k میانگین و شبکه عصبی مصنوعی برای دستهبندی بیماریهای گیاهی استفاده گردید . در این تحقیق پنج نوع بیماری گیاهی مورد بررسی قرار گرفتند که روش کار به این ترتیب بود که ابتدا تصاویر به فضای HSI منتقل می شدند و سپس ویژگیهای حاصل از ماتریس همرویدادی مورد نظر استخراج شده و سپس عمل دسته بندی با استفاده از شبکه عصبی انجام میپذیرفت. محققین به دقت 84 تا 93 درصد برحسب نوع بیماری دست یافتند . - Al-Hiary et al. 2011 -
در سال 2013 روشی برای تشخیص خودکار بیماریهای گیاه پنبه ارائه شد که از تبدیل موجک برای استخراج ویژگی و از شبکه عصبی ماشین بردار پشتیبان برای دستهبندی تصاویر استفاده گردید که در بهترین مدل دقت %90 گزارش شد . - Bernardes et al. 2013 - در سال 2011 نیز بیماریهای گیاهی با استفاده از شبکه عصبی پس انتشار دستهبندی گردیدند. در این تحقیق شش نوع بیماری با شبکهای با ده لایهی مخفی تفکیک و دقت 93 درصد گزارش شد . - Bashish et al., 2011 - محمودی و همکاران - 1390 - با استفاده از روش ماشین بینایی، خواص رنگی و ظاهری برگها را مورد ارزیابی قرار دادند و از این خواص جهت شناسایی بیماریها استفاده کردند. جهت شناسایی بیماریهای گردو، دو بیماری لکه برگی گردو - بلایت - و لکه سیاه گردو - آنتراکنوز - و یک نمونه آفت - کنه گال زگیلی برگ گردو - همراه با نمونههای برگ سالم به عنوان شاهد در نظر گرفته شدند. دستهبندی این بیماریها با استفاده از روش شبکه عصبی مصنوعی انجام پذیرفت - محمودی و همکاران، . - 1390 این محققین در دستهبندی بیماریهای گیاهی به دقت %95 دست یافتند.
