كليدواژه :
كمبود مواد مغذي , ماشين بردارپشتيبان , كيفيت محصول , يادگيري ماشين , پردازش تصوير , هوش مصنوعي
چكيده فارسي :
كمبود مواد مغذي، يكي از چالش هاي اساسي در رشد درختان و گياهان است. براي افزايش توليد محصولات با كيفيت، شناسايي به موقع كمبود مواد مغذي امري ضروري است. انجام ندادن به موقع اين مهم موجب كاهش بهره وري و وارد شدن خسارات بعضا جبران ناپذير براي كشاورزان خواهد شد. روش سنتي براي اين كار، بررسي چشمي برگ، تجزيه خاك و روش هاي آزمايشگاهي است، كه به افراد خبره و وقت و هزينه هاي زيادي نياز دارد. اين روش در اغلب موارد مقرون به صرفه نيست. در دنياي امروز استفاده از هوش مصنوعي و يادگيري ماشين در تمامي حوزه هاي مختلف بسيار مورد توجه قرار گرفته است. در اين پژوهش ضمن جمع آوري داده و برچسب گذاري آن ها، يك روش خودكار و هوشمند مبتني بر پردازش تصوير و يادگيري ماشين براي تشخيص كمبود مواد مغذي در درختان پسته ارايه شده است. در ابتدا با تصويربرداري از برگ هاي مختلف، داده هاي مناسب جمع آوري و برچسب گذاري شده است تا سيستم هوشمند آموزش داده شود. مراحل اصلي در سيستم پيشنهادي شامل: پيش پردازش، شناسايي نواحي داراي كمبود، استخراج ويژگي و طبقه بندي نوع كمبود در هر ناحيه است. در مرحله استخراج ويژگي از خصوصيات آماري رنگ تصوير ازجمله ميانگين، انحراف معيار، آنتروپي، مقدار موثر، واريانس و همچنين ويژگي هاي بافت تصوير مانند همواري، كنتراست، همبستگي و انرژي بهره گرفته شده است. در نهايت به وسيله ي طبقه بندي كننده معروف ماشين بردارپشتيبان، كمبود ها طبقه بندي شده است. ارزيابي هاي انجام شده بر روي داده هاي واقعي، كارايي سيستم پيشنهادي با دقت ??% و موثر بودن آن براي كاربردهاي واقعي را نشان مي دهد.
چكيده لاتين :
Nutrient deficiency is one of the major challenges in growing trees and plants in agricultural areas. Identifying nutrient deficiencies is essential to increase high-quality production and decrease the risk of irreparable damage to farmers. Traditionally, detection of nutrient deficiency is performed by an expert via visual inspection of leaf ophthalmology, soil degradation, and laboratory methods. It takes a lot of time and cost, and it is not often costeffective. In recent years, artificial intelligence and machine learning have become popular for many monitoring applications. In this research, leaf images have been collected and labeled to develop an intelligent system for automatically nutrient deficiency detection in pistachio trees.
The system is proposed based on high technology image processing and machine learning
methods. First, by taking images from different leaves, appropriate images have been
collected and labeled to train the system. The main steps of the proposed system included preprocessing, identifying deficient areas, feature extraction, and deficiency type classification.
At the feature extraction step, the color statistical features such as mean, standard deviation,
entropy, root mean square, variance, as well as textural features such as smoothness, contrast, correlation, and energy were used. The classification of deficiencies was classified by a support vector machine (SVM). Experimental results have been provided on a real-world leaf image data set. The results compared with previous works showed the efficiency of the
proposed method with 89% accuracy and its effectiveness for real applications.
