تشخيص كمبود عناصر غذايي در برگ درخت مو به كمك پردازش تصوير و شبكه عصبي

Grape Leaf nutrient deficiencies detection using image analysis and neural network

كمبود عناصر غذايي در گياهان و درختان ميوه ميتوانند باعث كاهش كيفيت و كميت محصولات كشاورزي شوند. در بعضي از كشورها، كشاورزان و باغداران زمان قابل توجهي براي مشاوره با گياه پزشكان صرف ميكنند، در حاليكه زمان عامل مهم در كنترل كيفيت و كميت محصولات ميباشد؛ بنابراين ارائهي روشي نسبتا سريع، ارزان و دقيق براي تشخيص كمبود عناصر غذايي درگياهان و درختهاي ميوه لازم به نظر ميرسد. در اين پژوهش، با استفاده از روش پردازش تصوير، كمبود چهار عنصر غذايي درخت مو )منيزيم، منگنز، پتاسيم و نيتروژن( تشخيص داده ميشوند. پس از نمونه برداري، ابتدا از برگهايي كه دچار كمبود عناصر غذايي بودند، با استفاده از دستههايي كه با بينايي انسان دسته بندي شده بودند تصاويري اخذ شد و سپس با استفاده از روش خوشه بندي K -ميانگين نواحي كه دچار كمبود عناصر غذايي بودند تشخيص و جداسازي شدند. ويژگيهاي مربوط به رنگ و بافت تصوير نواحي كه دچار كمبود عناصر غذايي بودند استخراج شد. از شبكه عصبي مصنوعي براي طبقه بندي نمونه استفاده شد. نتايج نشان داد كه شبكه عصبي مصنوعي به طور موفقيت آميزي توانست كمبود عناصر غذايي در نمونهها كه با روش خوشه بندي K -ميانگين مشخص شده بودند را با دقت بسيار بالايي طبقه بندي كند.

Nutrient deficiency in plants and trees cause significant reduction in quality and quantity of agricultural products. In some countries, farmers may have to spend considerable time to see the experts, whereas time is an important factor in controlling the diseases. While time is an important factor in controlling the quality and quantity of products. Therefore; looking for a fast, automatic, inexpensive and accurate method to detect nutritional deficiencies seems necessary. In this study, the deficiency of four nutrients of grapevine (magnesium, manganese, potassium and nitrogen) using the image analysis method is detected. After sampling, Leaves that were nutrient deficient, at first, images were taken from the categories that were categorized by the human eye, then, nutrient deficient region on leaves with using K-means clustering were detected and then color and texture features were extracted. From artificial Neural Network (ANN) was used for samples classification. The results showed that the ANN was able to successfully Segment leaves with classical k-means clustering method with very high accuracy of the classification.