تشخیص و شمارش آفت پسیل پسته با استفاده از روش بینایی ماشین در آزمایشگاه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

2 دانشیار، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

3 استادیار، گروه مهندسی گیاه‌پزشکی، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

10.30495/sarj.2022.1950499.1063

چکیده

آفت پسیل از متداول‌ترین‌ آفات‌ موجود در باغ‌های پسته می‌باشد که هر ساله خسارت‌های جبران ناپذیری را به این باغ‌ها وارد می‌کند. روش‌های معمول شناسایی و شمارش آفات درگیاهان که به صورت بصری هستند بسیار وقت‌گیر و پرهزینه است که علاوه بر صرف نیروی انسانی زیاد دارای خطاهای غیر قابل کنترلی هم می‌باشد. در این پژوهش آفت پسیل پسته با استفاده از روش پردازش تصویر مورد تشخیص و شمارش قرار گرفت. برای این منظور داده‌ها در ماه‌های تیر، مرداد و شهریور و در شرایط جمعیتی متفاوت‌ آفت‌ جمع‌آوری شده‌اند. تصاویر توسط دوربین‌هایی با رزولوشن‌های مختلف در شرایط نوردهی زیاد و کم گرفته شدند. پردازش‌ها با استفاده از نرم افزار Matlab و جعبه ابزار پردازش تصویر آن انجام شده است. به منظور ارزیابی دقت الگوریتم در شناسایی و شمارش آفات، نتایج حاصل با شمارش و شناسایی توسط کاربر در آزمایشگاه مقایسه شدند. دوربین تلفن همراه (MP 20/7) Sony ضریب تبیین0/94 را با نتایج شمارش دستی در داده‌برداری‌های مختلف در نوردهی زیاد از خود نشان داد. این ضریب ‌تبیین ‌برای دوربین‌ تلفن همراه(MP13) Samsung عدد 0/91 بود که نشان دهنده دقت بالای الگوریتم در شناسایی‌آفات است. درصد طبقه‌بندی نادرست برای دوربین‌های مختلف تحت شرایط نوردهی زیاد بین 5 تا 18 درصد بدست آمد. نتایج نشان می‌دهد که تصاویر گرفته شده توسط دوربین‌های معمولی در شرایط نوردهی مناسب می‌تواند جایگزین روش وقت‌گیر شمارش بصری توسط کاربر شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Detecting and Counting Pistachio Psylla Pest Using Machine Vision in Laboratory Condition

نویسندگان [English]

  • Mohammad Ghorbani 1
  • Mohammadmehdi Maharlooei 2
  • Kamal Ahmadi 3
1 Graduate MSc student; Biosystems Engineering Dept; School of Agriculture; Shahid Bahonar University of Kerman; Kerman; Iran.
2 Associate Professor; Biosystems Engineering Dept; School of Agriculture; Shahid Bahonar University of Kerman; Kerman; Iran.
3 Assistant Professor; Plant Pathology Dept.; School of Agriculture; Shahid Bahonar University of Kerman; Kerman; Iran.
چکیده [English]

Plant diseases and pest damages are one of the main factors that reduce both quality and quantity of final crops and restrict growers profit. Problems in photosynthesis and evapotranspiration may be taken place due to these pathogens. Efforts to apply chemicals or employing other methods for pest and disease control need precise field scouting and experts to identify the problem in a timely manner. Psylla pest is one of the most prevalent pests in pistachio orchards, which causes irreparable damage to orchards every year. In this study, the feasibility of employing machine vision to discriminate and count Pistachio Psylla was evaluated. Field data were collected from research orchards in three different time slots in summer based on pest infestation. The images were taken by various cellphone cameras with different resolutions in high and low controlled lighting conditions.

The results of image-based count were compared with manual count by the expert technician in the laboratory. The effect of different light conditions and cameras with different resolutions on pest detection were evaluated by ANOVA test.

There was no significant difference between manual count and digital count in high lighting conditions, but the differences in low lighting conditions were significant (p<0.05). The incorrect classification percentage values for low lighting conditions were higher than the ones obtained for high lighting conditions. This could be due to the lower quality of the images, in higher ISO values in low lighting conditions.

The results showed that images taken by low-cost cameras in proper light intensity can easily replace the time-consuming and labor-intensive method of manual count.

کلیدواژه‌ها [English]

  • Count
  • detection
  • image processing
  • Psylla pest
  • Lighting condition