بررسي امكان استفاده از شبكه حسگر بيسيم (WSN) و پردازش تصوير در ديده باني و تشخيص به موقع آفت مگس سفيد گلخانه

Investigating the Possibility of Using the Wireless Sensor Network (WSN) and Image Processing in an Early Detection and Diagnosis of the Pest of Greenhouse Whitefly

مديريت توليد محصولات گلخانه اي نيازمند دانش كنترل بسياري از عوامل محيطي ، تغذيه گياهي و مبارزه با آفات و بيماري هاي گياهي است. يكي از مهمترين فعاليت ها در فرآيند توليد محصولات گلخانه اي شناخت و مبارزه با آفات مي باشد. از جمله روش هاي اثر بخشي سموم و كاهش ميزان مصرف آنها خصوصا در مورد سموم كنترل كننده آفات حشره اي، پيش آگاهي و اطلاع از تراكم جمعيتي آفات است. فناوري شبكه هاي حسگر بيسيم (WSN) از جمله فناوري هاي نويني است كه به منظور حس كردن محيط و جمع آوري و انتقال اطلاعات به سمت كاربر يا ايستگاه مركزي براي مشاهده و عكس العمل مناسب با رخداد يا پديده اي بكار برده مي شوند. در تحقيق حاضر، امكان استفاده از WSN در ديده باني و تشخيص به موقع آفت مگس سفيد گلخانه و تهيه و ترسيم نقشه آلودگي گلخانه مورد بررسي قرار گرفت. براي اين منظور تعداد 3750 تصوير از 15 تله چسبي نصب شده در گلخانه اي با محصول طالبي در مركز تحقيقات و آموزش جهاد كشاورزي اصفهان كه به مگس سفيد آلوده شده بودند تهيه و به صورت خودكار با استفاده از WSN و به صورت بيسيم به رايانه واقع در فاصله 900 متري از گلخانه انتقال مي يافت. تصاوير رنگي تله هاي چسبي كه به كمك 15 دوربين تصوير برداري تهيه شدند با استفاده از نرم افزار متلب به تصاوير خاكستري تبديل شده و بعد از بخش بندي توسط الگوريتم ماشين بردار پشتيبان (SVM) و بر اساس ويژگي هاي تصاوير، به دو دسته تصاوير داراي آفت مگس سفيد و فاقد مگس سفيد طبقه بندي شدند. پس از شناسايي آفت مگس سفيد، تعداد آفات تصاوير شمارش شده و با توجه به تعداد آنها با استفاده از نرم افزار ArcMap10. 2 نقشه آلودگي گلخانه ترسيم گرديد. با ارزيابي سامانه نتايج نشان داد كه دقت الگوريتم SVM براي طبقه بندي تصاوير تله هاي چسبي برابر 73/97 درصد است و ميانگين مقادير شاخص هاي آماري ماتريس اغتشاش براي 15 تله چسبي شامل حساسيت، صحت، اختصاصي بودن و دقت طبقه بندي به ترتيب 46/98، 31/86، 08/99 و 72/97 درصد مي باشد. ميانگين دقت كلي سامانه در تشخيص و شمارش تعداد مگسهاي سفيد به دام افتاده در تله هاي چسبي 71/97 درصد مي باشد. محاسبه ريشه ميانگين مربعات خطا (RMSE) در برآورد تعداد مگس سفيد به روش پردازش تصوير و شمارش مستقيم بين 1 تا 5/03 متغير بود. لذا استفاده از اين سامانه براي تشخيص و رديابي و شمارش تعداد مگس هاي سفيد به دام افتاده مناسب است و مي توان با ترسيم نقشه آلودگي گلخانه برنامه ريزي مناسب جهت مبارزه با آفت مذكور انجام داد.

Managing the production of greenhouse products requires knowledge of controlling many environmental factors and plant nutrition and fight against pests and plant diseases. Recognition pests and fight against them is one of the most important activities in the process of production of greenhouse products. Pre-knowledge of the demographic density of insect pests is one of the effective methods of pesticides and reduce their levels of use, especially for insect pest control toxins. Wireless Sensor Networking Technologies (WSN) is one of the new technologies used to sense the environment and collect and transmit information to the user or the central station to view and respond appropriately to an occurrence or phenomenon. In this study, the use of WSN in monitoring, timely diagnosis of greenhouse white flies, design and mapping of greenhouse contamination was investigated. For this goal, 3750 images of 15 sticky traps with white flies that attached to Melon greenhouse in Isfahan Agricultural Jihad Research Center were provide and transmitted online using a WSN to a computer located at a distance of 900 meters from the greenhouse. The color images of the sticky traps are acquired by using 15 digital cameras were converted to gray colored images using MATLAB software, then after image classification with Support Vector Machine (SVM) classifier based on their features, are divided into two categories of images: whiteflies affected image and whiteflies unaffected image. After identification of the white flies, number of pests was counted and infection maps of Greenhouse with ArcMap10.2 software was drawn up. Assessment of the system showed that accuracy of SVM algorithm for categorizing images of sticky traps was 97.73%, and the average values of statistic parameters of the Confusion matrix for 15 traps including sensitivity, accuracy, specificity and classification accuracy were 98.46%, 83.31%, 99.08% and 97.72% respectively. The overall accuracy of the system for detection and counting Greenhouse whitefly pests is 97.71%. The average root mean square error (RMSE) in estimating of the number of white flight by image processing and direct counting was between 1 and 5.03. Therefore, the system is suitable for detecting and tracing and counting the number of trapped white flies, and it is possible to design appropriate greenhouse poisoning plans to fight this pest.