شناسایی شکرک‌ ناشی از آفت پسیل پسته با استفاده از تکنیک پردازش تصویر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 بخش مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان

2 بخش مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

3 بخش 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

موضوعات


عنوان مقاله [English]

Detecting the Honeydew of Common Pistachio Psylla Pest by Using Image Processing Technique

نویسندگان [English]

  • Mohammad ghorbani 1
  • Mohammadmehdi Maharlooei 2
  • Kamal َAhmadi 3
1 Biosystems Engineering Dept. School of Agriculture, Shahid Bahonar University of Kerman
2 Dept. of Biosystems Engineering, School of Agriculture, Shahid Bahonar University of Kerman, Kerman, Iran
3 Dept 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
Barbedo, J. G. A. (2014). Using digital image processing for counting whiteflies on soybean leaves. Journal of Asia-Pacific Entomology17(4), 685-694.
Brosnan, T., & Sun, D. W. (2004). Improving quality inspection of food products by computer vision––a review. Journal of Food Engineering61(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. Red346(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 Agriculture132, 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 Agriculture13(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 Engineering146, 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 ASABE60(5), 1467-1477.