بخشی از مقاله
چکیده
کمبود عناصر غذایی در گیاهان و درختان میوه میتوانند باعث کاهش کیفیت و کمیت محصولات کشاورزی شوند. در بعضی از کشورها، کشاورزان و باغداران زمان قابل توجهی برای مشاوره با گیاه پزشکان صرف میکنند، در حالیکه زمان عامل مهم در کنترل کیفیت و کمیت محصولات میباشد؛ بنابراین ارائهی روشی نسبتا سریع، ارزان و دقیق برای تشخیص کمبود عناصر غذایی درگیاهان و درختهای میوه لازم به نظر میرسد. در این پژوهش، با استفاده از روش پردازش تصویر، کمبود چهار عنصر غذایی درخت مو - منیزیم، منگنز، پتاسیم و نیتروژن - تشخیص داده میشوند. پس از نمونه برداری، ابتدا از برگهایی که دچار کمبود عناصر غذایی بودند،
با استفاده از دستههایی که با بینایی انسان دسته بندی شده بودند تصاویری اخذ شد و سپس با استفاده از روش خوشه بندی -Kمیانگین نواحی که دچار کمبود عناصر غذایی بودند تشخیص و جداسازی شدند. ویژگیهای مربوط به رنگ و بافت تصویر نواحی که دچار کمبود عناصر غذایی بودند استخراج شد. از شبکه عصبی مصنوعی برای طبقه بندی نمونه استفاده شد. نتایج نشان داد که شبکه عصبی مصنوعی به طور موفقیت آمیزی توانست کمبود عناصر غذایی در نمونهها که با روش خوشه بندی -Kمیانگین مشخص شده بودند را با دقت بسیار بالایی طبقه بندی کند.
-1 مقدمه
کمبود عناصر غذایی در گیاهان و میوهها باعث کاهش کیفیت و کمیت محصولات کشاورزی میشود. کاهش کیفیت و کمیت منجربه افت قیمت محصولات کشاورزی در بازار میشود که تولید کنندگان محصولات کشاورزی در بخش اقتصادی متحمل ضرر و زیان بسیاری میشوند؛ که در ادامه اگر در چند دوره ی تولید محصولات، تولید کننده نتواند کیفیت وکمیت محصول خود را بهبود ببخشد، علاوه بر اینکه خود تحمل ضرر و زیان اقتصادی میشود، باعث کاهش صادرات محصولات کشاورزی و ارز آوری به کشور نیز میشود، چرا که خریداران خارجی به خصوص کشورهای اروپایی، کیفیت و سلامت محصولات مهمترین اولویتشان در خرید محصولات کشاورزی میباشد.
در حال حاضر کمبود عناصر غذایی در محصولات کشاورزی توسط متخصصین و با چشم غیر مسلح تشخیص داده میشوند که این کار به نظارت مستمر کارشناسان نیازمند است که ممکن است در مزارع و باغات بزرگ هزینههای زیادی را متحمل کشاورزان و باغداران نماید. همچنین، در برخی کشورهای در حاله توسعه ممکن است کشاورزان مجبور به پیمودن مسافتهای طولانی برای برقراری تماس با کارشناسان باشند که این کار بسیار گران و وقت گیر میباشد. به علاوه، تشخیص به موقع کمبودهای عناصر غذایی در محصولات زراعی و باغی باعث کاهش تلفات، افزایش کیفیت و کمیت محصولات و حداقل استفاده از مواد شیمیایی میشود که با این کار آلودگی زیست محیطی و منابع زیر زمینی نیز به حداقل میرسد.
درحال حاضر زیر مجموعه باغبانی کشور به عنوان ارز آورترین 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 1 FAO، کشت 16 گونه از آنها در ایران در سطح اقتصادی رواج دارد.[1] از مجموع 38,19 میلیون تن تولید محصولات باغبانی در سال 1394 ، حدود 25,3 میلیون تن معادل 75,16 درصد مربوط به میوههای دانه ریز بوده است. از تولید 25,3 میلیون تن میوههای دانه ریز در سال 1394 شده، میزان تولید انگور97,6 درصد از کل میزان تولید میوههای دانه ریز را به خود اختصاص داده است.[2]
از مهم ترین محصولات باغی شمال غرب، شمال شرق و غرب ایران، انگور و فراوردههای انگور میباشد که به عنوان محصول صادراتی نیز به کشور های همسایه و اروپایی صادر میشود. در چند ساله گذشته برخی از کشورهای وارد کننده انگور ایران، بخشی از انگورهایی که از ایران وارد کرده بودند را به ایران باز پس فرستاندن، دلیل آنها برای باز پس فرستادن محصولات، کیفیت پایین محصولات و استفاده ی غیر استاندارد برخی باغداران از انواع کودها و مکملها برای بهبود کیفیت و جبران کمبود عناصر غذایی در محصولات خود بود. تشخیص سریع و خودکار کمبود عناصر غذایی در درختان مو پژوهشی ضروری است که در بهبود کیفیت و کمیت محصولات به خصوص در باغات بزرگ مزایای زیادی دارد.
روشهای زیادی برای تشخیص کمبود عناصر غذایی در درختان مو وجود دارد ولی اکثر این روشها یا وقتگیر و پرهزینه میباشند یا روشهای مخرب میباشند. پایهی پردازش تصویر در حوزهی کشاورزی برای نظارت بر رشد محصول توسعهی زیادی داشته است. تشخیص خودکار بیماریها و کمبود عناصر غذایی برای افرادی که اطلاعاتی در مورد روش کشت محصول ندارند، میتواند مزایای زیادی داشته باشد .[3] مزایای استفاده از تکنولوژی تصویربرداری، دقیق، غیرمخرب و عملکرد بهتر آن میباشد.
کمبود عناصر غذایی در درخت مو به شکلهای مختلفی در قسمتهای مختلف درخت مو ظاهر میشود؛ به دلیل اینکه کمبود عناصر غذایی ابتدا در برگ سپس در گل و در پایان میوه را درگیر می کنند و با ظاهر شدن کمبود در مرحله اولیه - به محض ظاهر شدن بر روی برگ - میتوان از افت کیفیت و کمیت محصول در حد ممکن جلوگیری کرد.[4,5] درخت مو عناصر غذایی زیادی را دارد و کمبود هر کدام از این مواد میتواند بر روی کیفیت نهایی محصول تاثیر گذار باشد، در این پژوهش کمبود چهار عنصر غذایی - منگز، منیزیم، پتاسیم و نیتروژن - در درخت مو را به این دلیل بررسی کردیم، چون بیشترین تاثیر را در کیفیت نهایی محصول دارند و بر تولید تجاری انگور نیز تاثیر دارند و همچنین در شهرستان ابهر رود - منطقه مورده مطالعه - بیشترین دلیل افت کیفیت محصول انگور تولیدی در این منطقه به دلیل کمبود عناصر غذایی نام برده بود.
-2 پیشینه تحقیق
در دهه گذشته، محققین مختلفی از تکنیکهای پردازش تصویر جهت بررسی آلودگی در گیاهان استفاده کردهاند، ازآن قبیل میتوان شناسایی علفهای هرز در یک مزرعه، جدا کردن میوهها و سبزیجات آلوده و بیمار و غیره را نام برد. در سال 2016 تکنیک پردازش تصویر و آنالیزهای جداسازی، چهار بیماری مربوط به درخت گریپ فروت شناسایی و طبقه بندی شد. بیماری ها با دقت %98,75 از هم جداسازی گردیدند.[6] در سال 2011 از روش خوشه بندی -kمیانگین و شبکه عصبی مصنوعی برای دسته بندی بیماریهای گیاهی استفاده گردید . در این تحقیق پنج نوع بیماری مورد بررسی قرار گرفتند که محققین به دقت 84 تا 93 درصد بر حسب بیماری دست یافتند.[7]
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 دسته بندی تصاویر استفاده گردید که در بهترین مدل دقت %90 گزارش شد.[8] در سال 1394 با استفاده از پردازش تصویر و شبکه عصبی، بیماری قارچی سفیدک پودری و انتراکتوز خیار تشخیص داده شد که دقت تشخیص %98,8 گزارش شد.[9]
-3 مواد و روشها
-1-3 تهیه تصاویر برگها
برای انجام پژوهش در ابتدا برگهای سالم و برگهایی که دچار کمبود عناصر غذایی بودند در 15 مرداد 1396 و نمونه های بعدی نیز در 5 شهریور 1396 از باغات انگور تهیه شد، تصاویر برگها تحت شرایط نور کنترل و با استفاده از دوربین 13 مگاپیکسل به صورت عمودی از آنها تصویر برداری شد. با توجه به تحقیقهای انجام شده، رنگ برگ و سایر ویژگیهای تکنیکی مانند سهولت قطعه بندی، بهترین پس زمینه2 برای نمونهها، رنگ پس زمینه سیاه بود.[10]
ما در این پژوهش نمونهها را در سه پس زمینه سیاه، سفید و بر روی زمین خاکی تهیه کردیم؛ نتایج حاصل از دسته بندی نشان داد، تصاویری که پس زمینه آنها، زمین خاکی بود با دقت کمتری قطعه بندی شده بودند، بدین منظور ما فقط نمونههایی که پس زمینه سیاه و سفید داشتند را به عنوان نمونه نهایی مورده استفاده قرار دادیم. الگوریتم اصلی مراحل انجام کار در شکل - 1-3 - نمایش داده شده است.
شکل 1-3 مراحل اصلی الگوریتم پیشنهادی
-2-3 پیش پردازش تصاویر
گام بعدی پیش پردازش تصویر میباشد. مرحلهی پیش پردازش شامل عملیاتی است که قبل از مرحلهی بخش بندی و به منظور حذف اثرات ناخواسته در تصویر انجام میشود و شامل عملیاتی همچون انتقال تصویر از فضای رنگی به فضای خاکستری، استخراج هیستوگرام تصویر، آستانهگیری روی هیستوگرام و تبدیل تصاویر بین فضاهای رنگی میباشد.[11] در شکل - 2-3 - تعدادی از نمونه ها نمایش داده شده است.
در ابتدا در عملیات پیشپردازش برای کاهش زمان پردازش، ابعاد تصاویر نمونهها را به 700*500 تغییر دادیم؛ سپس تصاویری که پس زمینه سفید داشتند را با انتقال به فضای رنگی HSV و با آستانه گذاری روی هیستوگرام S، پس زمینه را حذف کردیم که در شکل - 3-3 - مراحل پیش پردازش، حذف پس زمینه نمایش داده شده است. در مراحل بعد برای انجام عمل بخش بندی، تصاویر باید به فضای رنگی مستقل از دستگاه منتقل میشدند. در یک فضای رنگی مستقل از دستگاه، مختصات مورد استفاده برای تعیین رنگ، همان رنگ را بدون در نظر گرفتن دستگاه تولیدی مورد استفاده، تعیین می کنند و یک فضای رنگی وابسته به دستگاه، فضایی است که در آن رنگ حاصله بستگی به تجهیزات مورد استفاده برای تولید آن دارد. به عنوان مثال روشنایی و کنتراست3 رنگ حاصله در فضای RGB در دستگاه های مختلف تغییر میکند، پس فضای رنگی RGB یک فضای وابسته است.[12]
الف - تصویر اصلی در فضای RGB
ب - تصویر در فضای رنگی HSV
ج - تصویر با مؤلفه S
د - تصویر با استانه گذاری بر روی مؤلفه S و به صورت باینری
ه - تصویر باینری بعد از پر کردن
و - تصویر بعد از حذف پس زمینه فضاهای خالی شکل 3-3 تصاویر مربوط به مرحله ی پیش پردازش، حذف پس زمینه
-3-3 بخش بندی تصاویر
برای بخش بندی تصاویر از روش - K میانگین4، ابتدا تصاویر به فضای رنگی مستقل از دستگاه انتقال داده شدند و سپس برای حذف اثر درخشندگی، مولفه L تصاویر حذف شد و دستورهای خوشه بندی فقط به مولفه هایa* و b* اعمال شدند.[13,14]
-4-3استخراج ویژگی ها
هدف از استخراج ویژگیها، کاهش دادههای تصویر به وسیلهی ویژگی های مطمئن یا خواصی از هر ناحیه بخش بندی شده مثل رنگ، بافت یا شکل در تصویر میباشد؛ چرا که اگر به جای استفاده از ویژگی های هر تصویر از پیکسل ها برای دسته بندی و تفکیک تصاویر استفاده میکردیم با انبوه زیادی از دادهها مواجه میشدیم که زمان بسیار زیادی برای پردازش نیاز بود. بدین منظور در این پژوهش از ویژگی
