تشخيص بيماري لكه موجي در گوجه فرنگي با استفاده از ماشين بينايي جهت اعمال سمپاشي نقطه اي

Detection of tomato disease Alternaria Solani using machine vision

در سراسر جهان، بيماري ها و آفات گياهي باعث كاهش محصولات كشاورزي به ميزان قابل توجهي مي شوند و استفاده از مواد شيميايي جهت مبارزه با آنها ضروري به نظر مي رسد. اين سموم نه تنها روي سطح محصولات باقي مي مانند بلكه به داخل بافت آنها نفوذ كرده و سبب مشكلاتي براي سلامتي مصرف كنندگان مي شوند. تشخيص زود هنگام علائم بيماري و آفات و استفاده از سمپاشي نقطه اي مي تواند به رفع اين مشكل كمك كند. از طرفي گوجه فرنگي از جمله سبزيجات پر مصرف در جهان و ايران مي باشدكه هر ساله خسارتهاي قابل توجهي ناشي از بيماري لكه موجي به اين محصول وارد مي شود. در اين مقاله تلاش گرديد با استفاده از روش هاي پردازش تصوير در ماشين بينايي، علائم اين بيماري در گوجه فرنگي تشخيص داده و الگوريتمي به اين منظور ارائه شود. براي انجام اين كار مولفه هاي سبز (G)، قرمز (R) و آبي (B) تصاوير استخراج و از تصوير آبي براي محاسبه مساحت سطح برگ و محصول گوجه فرنگي استفاده گرديد. همچنين تغييرات به وجود آمده در رنگ سبز بافته اي آلوده در برگ ها و تغييرات به وجود آمده در رنگ قرمز بافته اي آلوده در محصول گوجه فرنگي معيار جداسازي قسمت هاي سالم از آسيب ديده بود. الگوريتم به نحوي نوشته شده است كه علاوه بر تشخيص نقاط آلوده، درصد آلودگي برگ و ميوه را به صورت درصدي از سطح كل نيز بيان مي نمايد. نتايج به دست آمده از اين الگوريتم نشان داد كه الگوريتم مورد نظر داراي كارايي مناسبي است، به طوري در همه نمونه هاي مورد پردازش نقاط آلوده به درستي تشخيص داده شد.

All over the world, plant diseases and pests causes significant reduction in agricultural production while application of chemicals seems to be essential. These pesticides not only remain on the product skin, but also influence in their texture and produce some problems for the consumers. Early detection of the disease and pest symptoms along with spot spraying can overcome this problem. Tomato is among the highly consumed vegetables in Iran and the world which suffer from considerable damages due to Alternaria Solani disease every year. Therefore, it was attempted in this study to detect the symptoms of this disease on leaf and product of tomato. To achieve this job, principal color components of the images were extracted and blue color component was used to determine areas of the leaf and product. Variations appeared in green color of the infected leave textures and red color of the infected tomato products was used as criteria for discrimination of intact and infected parts. The algorithm was written so that it not only detects the infected parts, but also states the infection percentage. Results revealed that the algorithm has a suitable performance so that all of infected parts of the processed samples were correctly distinguished