تعيين ميزان آلودگي توده بذر يونجه به سس با روش تحليل تصوير ديجيتال و شبكه عصبي مصنوعي

Determination of Cuscuta Campestris L. inflection seed population by using digital image analysis and artificial neural network

گياه سس از علف‌هاي هرز يونجه است. بهترين راه مبارزه با سس، جلوگيري از آلودگي مزارع به بذر اين گياه است. هم‌اكنون در بسياري از مراكز تكثير و گواهي بذر، درصد سس موجود در بذر يونجه به روش دستي و با بينوكولر محاسبه مي‌شود كه علاوه بر صرف وقت و هزينه زياد، دقت كمي دارد. در اين پژوهش يك روش رايانه‌اي، مبتني بر پردازش تصوير و به كارگيري شبكه عصبي مصنوعي براي محاسبه درصد سس مخلوط با بذر يونجه طراحي شد. بدين منظور تصويرهايي از مخلوط بذر يونجه و سس تهيه شد و سپس در محيط نرم‌افزار MATLAB با به كارگيري حد آستانه مناسب، بذور از سطح زمينه جدا شدند. در مرحله بعد با استفاده از روابط هندسي، ويژگي‌هاي ابعادي بذور يونجه و سس استخراج و به‌عنوان ورودي‌هاي شبكه‌ عصبي درنظر گرفته شدند. براي انتخاب مناسب‌ترين توپولوژي شبكه‌هاي عصبي، انواع مختلف شبكه با توابع انتقال و يادگيري مختلف و تعداد نرون‌هاي متفاوت بررسي شد و درنهايت توپولوژي 1-5-4 با تابع انتقال لگاريتم سيگموييد (Logsig) و تابع يادگيري GDX انتخاب شد. اين شبكه قادر به تشخيص درصد بذر سس با ضريب تعيين 956/0 و ريشه ميانگين مربعات خطاي 017/0 است.

Cuscuta Campestris L. is one of the alfalfa weeds. The best way to fight this weed is preventing field contamination and using Cuscuta free seeds. Now in many research centers, alfalfa seed infection percentage is manually calculated using of Binocular that requires high cost-time and has low accuracy. In this study, a computerized method was designed for calculating the percentage Cuscuta mixed with alfalfa seed. This method is based on image processing and application of artificial neural networks using a Matlab programming. Therefore, the desired images were obtained and then using a suitable threshold in Matlab programming, seeds were separated from the substrate surface. By using the geometrical relationship, dimensional characteristics of seeds were extracted. For both alfalfa seed and Cuscuta seed were used as inputs to the neural networks. To select the most suitable neural network topology, different types of networks with different transfer functions and learning functions and different numbers of neurons were examined and it was found that the topology 4-5-1whit Logsig transfer function and GDX learning function is able to detect the percentage of Cuscuta seed with a R2 of 0.956 and RMSE of 0.017.