پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,766 |
| تعداد مشاهده مقاله | 115,212,899 |
| تعداد دریافت فایل اصل مقاله | 89,960,599 |
شناسایی شکرک ناشی از آفت پسیل پسته با استفاده از تکنیک پردازش تصویر | ||
| مهندسی بیوسیستم ایران | ||
| دوره 51، شماره 4، اسفند 1399، صفحه 737-748 اصل مقاله (1.02 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijbse.2020.297296.665271 | ||
| نویسندگان | ||
| محمد قربانی1؛ محمدمهدی مهارلویی* 2؛ کمال احمدی3 | ||
| 1بخش مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان | ||
| 2بخش مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران | ||
| 3بخش گیاه پزشکی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران | ||
| چکیده | ||
| مبارزه با آفات و بیماریها همواره جز دغدغههای اصلی کشاورزان بوده است. تشخیص به موقع آفت میتواند در روش مبارزه، حفظ محیط زیست و سلامت انسان بسیار موثر باشد. استفاده از ماشین بینایی و پردازش تصویر با ورود به عرصه کشاورزی کمک قابل توجهی در مبارزه با آفات داشته است. هدف پژوهش حاضر استفاده از این تکنیک برای تشخیص شکرک ناشی از آفت پسیل پسته بوده است. برگها با سطوح متفاوتی از شکرک از باغ جمعآوری شدند و تصویربرداری بوسیله دوربینهایی با وضوحهای 7، 13 و 7/20 مگاپیکسل و در شرایط نوردهی یکسان در جعبه تصویربرداری انجام شده است. تصاویر در جعبه ابزار پردازش تصویر نرمافزار متلب ویرایش 2019الف با استفاده از الگوریتمهای قطعهبندی حوضه آبریز و آتسوبرای شناسایی شکرکها پردازش و درصد مساحت شکرکدار برگ محاسبه شد. برای سهولت کار کاربران یک رابط گرافیکی کاربر نیز برای پردازش تصاویر و محاسبه مساحت شکرکدار طراحی گردید. میانگین نرخ طبقهبندی درست در ماتریس آشفتگی برای قطعهبند حوضه آبریز برای تشخیص شکرکها 95/0 و صحت کلی میانگین 88/0 بدست آمد. ضریب تبیین و معادله رگرسیونی بین جمعیت آفات و سطوح شکرکدار نمونهها برای دوربینهای مختلف بدست آمد. دوربین با وضوح 7/20 مگاپیکسل با ضریب تبیین 93/0= 2Rو معادله رگرسیونی x03/1y = توانست بهترین عملکرد را به خود اختصاص دهد. نتایج حاصل از سایر دوربینها نیز قابل قبول بوده و در شرایط متفاوت میتوان از آنها استفاده کرد. | ||
| کلیدواژه‌ها | ||
| پردازش تصویر؛ حوضه آبریز؛ شرایط نوردهی؛ شکرک؛ قطعهبندی | ||
| عنوان مقاله [English] | ||
| Detecting the Honeydew of Common Pistachio Psylla Pest by Using Image Processing Technique | ||
| نویسندگان [English] | ||
| Mohammad ghorbani1؛ Mohammadmehdi Maharlooei2؛ Kamal َAhmadi3 | ||
| 1Biosystems Engineering Dept. School of Agriculture, Shahid Bahonar University of Kerman | ||
| 2Dept. of Biosystems Engineering, School of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran | ||
| 3Dept of Plant Pathology, School of Agriculture, Shahid Bahonar Unversity of Kerman, Kerman, Iran | ||
| چکیده [English] | ||
| Pests and disease control have always been one of the main concerns and challenges of farmers and growers. The use of machine vision and image processing has greatly helped growers in pest management. The purpose of this study was to use image processing technique to detect honeydew produces by pistachio psylla and find the relation between the percent of leaf coverage by honeydew and pistachio psylla infestation. The leaves were collected from the research orchard with various infestation rates. Leaf samples were imaged by three cameras with 7, 13 and 20.7 MP resolutions at the same exposure conditions in imaging chamber with controlled lighting conditions. Images were processed in the Matlab R2019a using Watershed and Otsu segmentation algorithms to find the percentage of leaf surface covered by honeydew. The covered area was calculated using predefined functions in the image processing toolbox. A graphical user interface (GUI) was also designed to make the program more user friendly. Considering TPR mean value of 0.95 and total accuracy of 0.88 for watershed segmentation method showed its acceptable performance in discriminating honeydew out of other objects in images. Coefficient of determination and regression equation between pest population (obtained from manual count by expert) and percentage of leaf area covered by honeydew were obtained for different cameras. Camera with 20.7 MP resolution achieved the best performance with coefficient of determination 0.93 and regression equation y=1.03 x. The results from other cameras were also satisfactory. | ||
| کلیدواژه‌ها [English] | ||
| Honeydew, Image processing, Lighting condition, Segmentation, Watershed | ||
| مراجع | ||
|
Barbedo, J. G. A. (2014). Using digital image processing for counting whiteflies on soybean leaves. Journal of Asia-Pacific Entomology, 17(4), 685-694. Brosnan, T., & Sun, D. W. (2004). Improving quality inspection of food products by computer vision––a review. Journal of Food Engineering, 61(1), 3-16. Cho, J., Choi, J., Qiao, M., Ji, C. W., Kim, H. Y., Uhm, K. B., & Chon, T. S. (2007). Automatic identification of whiteflies, aphids and thrips in greenhouse based on image analysis. Red, 346(246), 244. Gonzalez, R. C., & Woods, R. E., (2017). Digital Image Processing Global edition. India, Pearson. Heidari, A. (2013). Digital image processing using MATLAB (5th ed). Iran, Beh avaran-kelk zarin. (In Farsi) Maharlooei, M., Sivarajan, S., Bajwa, S. G., Harmon, J. P., & Nowatzki, J. (2017). Detection of soybean aphids in a greenhouse using an image processing technique. Computers and Electronics in Agriculture, 132, 63-70. Mehrnezhad, M. (2014). The pests of pistachio trees in Iran, natural enemies and control (1st ed). Iran, Sepehr publication center. (In Farsi) Mongkolchart, N., & Ketcham, M. (2014). The measurement of brown planthopper by image processing. In International Conference on Advanced Computational Technologies & Creative Media. 14-15 Aug. Pattaya, Thailand. pp. 102-105. Omrani, A., Mohtasebi, S., Rafiee, Sh., Hosseinpur, S. & Aghili-nategh, N. (2014). Apple leaf diseases detection using image analysis techniques. In: Proceedings of 8th National Congress of Agricultural machinery (Biosystems Engineering) and mechanization. 2-4 Feb. Ferdowsi University of Mashhad, Mashhad, Iran. pp. 189-201. (In Farsi) Qing, Y., Xian, D. X., Liu, Q. J., Yang, B. J., Diao, G. Q., & Jian, T. A. N. G. (2014). Automated counting of rice plant hoppers in paddy fields based on image processing. Journal of Integrative Agriculture, 13(8), 1736-1745. Senthilnath, J., Dokania, A., Kandukuri, M., Ramesh, K. N., Anand, G., & Omkar, S. N. (2016). Detection of tomatoes using spectral-spatial methods in remotely sensed RGB images captured by UAV. Biosystems Engineering, 146, 16-32. Sunoj, S., Sivarajan, S., Maharlooei, M., Bajwa, S. G., Harmon, J. P., Nowatzki, J. F., & Cannayen, I. (2017). Identification and Counting of Soybean Aphids from Digital Images Using Shape Classification. Transactions of the ASABE, 60(5), 1467-1477. | ||
|
آمار تعداد مشاهده مقاله: 481 تعداد دریافت فایل اصل مقاله: 325 |
||