بررسی امکان استفاده از شبکه حسگر بیسیم (WSN) و پردازش تصویر در دیده بانی و تشخیص به موقع آفت مگس سفید گلخانه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکترا، گروه مهندسی مکانیک ماشین‌های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

2 استاد، گروه مهندسی مکانیک ماشین‌های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

چکیده

مدیریت تولید محصولات گلخانه­ای نیازمند دانش کنترل بسیاری از عوامل محیطی ، تغذیه گیاهی و مبارزه با آفات و بیماری­های گیاهی است. یکی از مهمترین فعالیت­ها در فرآیند تولید محصولات گلخانه­ای شناخت و مبارزه با آفات می­باشد. از جمله روش‌های اثر بخشی سموم و کاهش میزان مصرف آنها خصوصاً در مورد سموم کنترل کننده آفات حشره­ای، پیش آگاهی و اطلاع از تراکم جمعیتی آفات است. فناوری شبکه‌های حسگر بیسیم (WSN) از جمله فناوری‌های نوینی است که به منظور حس کردن محیط و جمع آوری و انتقال اطلاعات به سمت کاربر یا ایستگاه مرکزی برای مشاهده و عکس العمل مناسب با رخداد یا پدیده ای بکار برده می‌شوند.در تحقیق حاضر، امکان استفاده از WSN در دیده بانی و تشخیص به موقع آفت مگس سفید گلخانه و تهیه و ترسیم نقشه آلودگی گلخانه مورد بررسی قرار گرفت. برای این منظور تعداد 3750 تصویر از 15 تله چسبی نصب شده در گلخانه­ ای با محصول طالبی در مرکز تحقیقات و آموزش جهاد کشاورزی اصفهان  که به مگس سفید آلوده شده بودند تهیه و به صورت خودکار با استفاده از  WSN و به صورت بیسیم به رایانه واقع در فاصله 900 متری از گلخانه انتقال می یافت. تصاویر رنگی تله های چسبی که به کمک 15 دوربین تصویر برداری تهیه شدند با استفاده از نرم افزار متلب به تصاویر خاکستری تبدیل شده و بعد از بخش بندی توسط الگوریتم ماشین بردار پشتیبان ( SVM ) و بر اساس ویژگی های تصاویر، به دو دسته تصاویر دارای آفت مگس سفید و فاقد مگس سفید طبقه بندی شدند. پس از شناسایی آفت مگس سفید، تعداد آفات تصاویر شمارش شده و با توجه به تعداد آنها با استفاده از نرم افزار ArcMap10.2  نقشه آلودگی گلخانه ترسیم گردید. با ارزیابی سامانه نتایج نشان داد که دقت الگوریتم SVM برای طبقه بندی تصاویر تله های چسبی برابر 73/97 درصد است و میانگین مقادیر شاخص های آماری ماتریس اغتشاش برای 15 تله چسبی شامل حساسیت، صحت، اختصاصی بودن و دقت طبقه بندی به ترتیب 46/98، 31/86، 08/99 و 72/97 درصد می باشد. میانگین دقت کلی سامانه در تشخیص و شمارش تعداد مگسهای سفید به دام افتاده در تله های چسبی 71/97 درصد می باشد. محاسبه ریشه میانگین مربعات خطا (RMSE) در برآورد تعداد مگس سفید به روش پردازش تصویر و شمارش مستقیم بین 1 تا 03/5 متغیر بود. لذا استفاده از این سامانه برای تشخیص و ردیابی و شمارش تعداد مگس های سفید به دام افتاده مناسب است و می توان با ترسیم نقشه آلودگی گلخانه برنامه ریزی مناسب جهت مبارزه با آفت مذکور انجام داد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Investigating the Possibility of Using the Wireless Sensor Network (WSN) and image processing in an early detection and diagnosis of the pest of Greenhouse White fly

نویسندگان [English]

  • Mohsen Daneshmand Vaziri 1
  • Ali Rajabipour 2
  • Mahmoud Omid 2
1 Ph.D. Student, Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering and Technology, University College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran.
2 Professor. Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering and Technology, University College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran.
چکیده [English]

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.

کلیدواژه‌ها [English]

  • : Wireless Sensor Network (WSN)
  • infection maps
  • whitefly
  • sticky traps
  • Support Vector Machine (SVM)

مراجع

Akash, J. U., Ingole, P. V. (2014).  Automatic Monitoring of  Pest Insects Traps Using Image Processing . Telkomnika  Indonesian Journal of Electrical Engineering . 12( 8 ) : 5779 – 5783.
Azfar, S., Nadeem,A. &Basit, A. (2015). Pest detection and control techniques using wireless sensor network: A review. Journal of Entomology and Zoology Studies 3 (2), 92-99.
Danish, G. M., Niaz Kh., Y.(2015). Early Pest Detection from Crop usingImage Processing and Computational Intelligence , FAST-NU Research Journal (FRJ), 2015 . 1(1) :59 – 68.
Doddy, T. H., Yeni, H., MSi, M., Aunu, R. (2013). Whitefly (Bemisiatabaci) Calculation Based onImage Processing using Triangle Method .International Conference on Computer, Control, Informatics and Its Application.2013
Ebrahimi, M.A., Khoshtaghaza, M.H., Minaei, s., Jamshidi, B.(2017). Vision-based pest detection based on SVM classification method. Computers and Electronics in Agriculture 137 : 52–58
Ganesh, B., Sapana, Sh., Vijay, B. N. (2013). Early Pest Identification in Agricultural Crops using Image Processing Techniques .International Journal of Electrical, Electronics and Computer Engineering. 2(2): 77-82.
Gaurav, K. A.V., Deorankar, P.N.Ch. (2014). Classification of Agricultural Pests Using DWTand Back Propagation Neural Networks. International Journal of Computer Science and Information Technologies (IJCSIT) .5 (3):4034-4037.
Gaurav, Y. K., Deorankar,A.V., Chatur, Dr.P.N. (2014). A Review of Literature on Application of Image Processing for Identification of Agricultural Pests on Various Crops .International Journal of Engineering Science and Innovative Technology (IJESIT). 2 (6 ) :601 – 606.
Gods, S. ,Vahhab, S. (2016). A novel automated image analysis method for counting thepopulation of white flies on leaves of crops . Journal of Crop Protection. 5 (1): 59-73.
Jayme, G., Arnal, B. (2014). Using digital image processing for counting whiteflies on soybean leaves .Journal of Asia-Pacific Entomology.17 : 685 – 694.
Jongman, Ch., Junghyeon, Ch.,Mu, Q., Chang-woo, J., Hwang-young K., Ki-baik U. & Tae-soo, Ch.(2007). Automatic identification of whiteflies, aphids and thrips in greenhouse based on image analysis . International Journal of Mathematics and Computers in Simulation . 2007. 1 ( 1 ) : 46 – 53
Liu, Z., Wei, Z. (2013).Image Classification Optimization Algorithm based on SVM. Journal of Multimedia.8(5): 496 – 502.
Manoja M. , RajalakshmiJ. , Early Detection of Pests on Leaves Using Support Vector Machine . ISSN 2348-6988 . International Journal of Electrical and Electronics Research . 2014 . 2 ( 4 ) : 187 – 194.
Monika, W., Gohokar,V.V., Arti, Kh. (2015). Agriculture  Pest  Control  Using  Computer Vision Technique . International Journal of Advanced Research.3( 8 ): 309-314.
Paul, B., Vincent, M., Sabine, M. (2008).A Cognitive Vision Approach to Early Pest Detection inGreenhouseCrops .Computers and Electronics in Agriculture, Elsevier.62 (2), pp.81-93.
Pokharkar. S. R.  , ThoolV. R. b., (2012) . Early Pest Identification in Greenhouse Crops using Image Processing Techniques . ISSN 2277-5420. International Journal of Computer Science and Network (IJCSN) . 1 ( 3 ) : 154 – 159.
Pourdarbani, R., Rezaei, B. (2011).Automatic Detection of Greenhouse Plants Pests by Image Analysis . Journal of Agricultural Machinery Science . 7 ( 2 ) : 171 – 174.
Rajeswary, B., Divya, S. (2015). Identification and Classification of Pests in Greenhouse Using Advanced SVM in Image Processing .International Journal of Scientific Engineering and Research (IJSER). 3( 5 ) : 118 – 122
Ratnesh, K., Vincent, M., Sabine, M. (2010).Robust Insect Classification Applied to Real Time Greenhouse Infestation Monitoring . Proceedings of the 20th International Conference on Pattern Recognition on Visual Observation and Analysis of Animal and Insect Behavior Workshop : 1-4.
Rupesh, G. M., Gohokar, V. V. (2013). Detection and Classification of Pests in Greenhouse Using Image Processing . Journal of Electronics and Communication Engineering (IOSR-JECE).5(6) : 57-63.
Sitaram, L., Dixit, V. (2013).Pest Detection on Leaves Using Poission’sThresholding Techniques. The International Journal Of Engineering And Science (IJES).2 ( 10): 39-42.
Sreelakshmi M. , Padmanayana , Early Detection and Classification of Pests Using Image Processing . International  Journal of  Innovative Research in  Electrical, Electronics, Instrumentation and  Control Engineering . 2015 , 3(1): 239 – 242.
Thulasi, P. C., Praveen, K., Srividya, A. (2013) .Monitoring Of Pest Insect Traps Using Image Sensors &Dspic. International Journal Of Engineering Trends And Technology. 4(9): 4088-4093.
 
 
 
مهندسی بیوسیستم ایران
دوره 49، شماره 3
آبان 1397
صفحه 395-408

فایل ها

سابقه مقاله

  • تاریخ دریافت: 15 مهر 1396
  • تاریخ بازنگری: 19 دی 1396
  • تاریخ پذیرش: 14 بهمن 1396

هم رسانی

ارجاع به این مقاله

آمار