تعيين مناسب ترين فضاي رنگي به منظور تعيين تنش آبي در گياهان گلخانه اي به صورت هوشمند (مطالعه موردي: حُسنِ يوسف)

Determination of the most suitable color space for intelligent water stress discrimination for plants inside the greenhouse (Case Study: Coleus)

تخمين دقيق ميزان آب مصرفي گياه به عوامل بسياري وابسته است كه درصد پوشش سبز گياه يكي از موثرترين پارامترها مي باشد. از پردازش تصاوير ديجيتال و بينايي ماشين مي توان به منظور اندازه گيري اين پارامتر در برنامه هاي مديريت آب در كشاورزي به طور گسترده استفاده نمود. در اين پژوهش مجموعه اي از تصاوير گياه زينتي حُسنِ يوسف در دو وضعيت (شاداب و پژمرده) جهت تجزيه و تحليل پيكسل ها و مقايسه فضاهاي رنگ پيشنهاد شده با هدفِ تشخيص نياز آبي گياه مورد بررسي قرار گرفتند؛ فضاهاي رنگي مورد بررسي عبارتند از: RGB، rgb، XYZ، Lab، UVL، HSV، HLS، YCbCr، YUV، TSL و.I1I2I3 هر فضاي رنگي شرايط مختلفي از احتمال توزيع يك گروه رنگ را ارائه مي دهد، بدين ترتيب پس از بررسي فضاهاي رنگي با توجه به نتايج آناليز آماري در سطح احتمال 5% و با كمك ترسيم داده ها و مقايسه بصري آن ها، مناسب ترين فضاهاي رنگي انتخاب گرديد. نهايتاً فراواني شدت هاي فضاي رنگي مطلوب جهت آموزش طبقه بند بيز مورد استفاده قرار گرفتند كه در اين حالت طبقه بند بيز با دقت كلي 83/11 درصد دو وضعيت شاداب و پژمرده گياه را از يكديگر تشخيص داد. در نتيجه بر اساس اطلاعات حاصل از نمودارهاي هيستوگرام تصاوير (فراواني سطوح شدت تصاوير) وضعيت نياز گياه به آبياري قابل تشخيص مي باشد.

A precise estimation of required water for plant depends on many factors، among which the percentage of ground cover is a key parameter. Digital image processing and machine vision can be widely used to obtain this parameter in irrigation management applications. The aim of this study was to recognize the required water for plants based on color parameters of plants’ ground cover; therefore، different color spaces (RGB، rgb، XYZ، HSV، HLS، L*a*b، L*u*v*، YCbCr، YUV، TSL and I1I2I3) were applied on the set of ornamental shrub images with the scientific name of Plectranthusscutellarioides in two positions (fresh and wilting).Each color space demonstrated different probability distribution ofa given color class corresponded to two plant conditions (fresh and wilting). Thus، after examining the color spaces، both statistically and visually، the suitable color spaces were selected. Finally، histograms of suitable color spaces have been used to train the Bayesian Classifier. The Bayesian classifier detected two conditions of plant (fresh and wilting) with precision 83.11%. In general، on the basis of information obtained from images histograms، (frequency of pixels’ intensity) plantswater status for irrigationschedulingwas recognizable.