تشخیص کمبود آهن در هلو با استفاده از پردازش تصویر و مدل شبکه عصبی مصنوعی

پایش سریع و دقیق شرایط تغذیه ای باغ های میوه برای توصیه بهینه کودی یک بخش حیاتی در بهبود عملکرد و افزایش کیفیت محصولات کشاورزی است. روش های آزمایشگاهی فعلی مورد استفاده برای وضعیت تغذیه درختان میوه گران، دشوار، زمان بر و نیازمند فرد متخصص هستند. این تحقیق به منظور تعیین میزان کمبود آهن در درختان هلو، روش پردازش تصویر و مدل شبکه عصبی استفاده شد. یک پایگاه داده شامل ۸۰۰ تصویر از نمونه های برگ هلو در ابتدا تهیه و تصاویر با استفاده از روش خوشه بندی KNN در چهار کلاس بدون کمبود، کمبود کم، کمبود متوسط و کمبود شدید طبقه بندی شدند. عملیات پیش پردازش، استخراج ویژگی ها و مدل سازی با استفاده از شبکه عصبی در نرم افزار متلب نسخه ۲۰۱۷ انجام گرفت. ویژگی های میانگین و انحراف معیار از مولفه های فضاهای رنگی RGB، HSV و Lab هر تصویر استخراج شدند و سپس الگوریتم آنالیز مولفه اصلی (PCA) بر روی بردار ویژگی اعمال شد. برای تعیین ساختار بهینه شبکه معیارهای دقت، صحت، بازیابی و معیار F برای تعیین تعداد ورودی های بهینه و تعداد نورون های متناظر با هر ترکیب ویژگی های ورودی (PCها) استفاده شد. نتایج نشان داد که مدل شبکه عصبی با ساختار ۴ – ۳۶ – ۶ قادر است با دقت (۵۴/۰ ± ۷۳/۸۹ %)، صحت (۵۷/۰ ± ۵۹/۸۹ %)، بازیابی (۵۱/۰ ± ۵۲/۸۹ %) و معیار F (۵۴/۰ ± ۵۵/۸۹ %) میزان سطح کمبود آهن در برگ درخت هلو را تشخیص دهد. نتایج بدست آمده از ماتریس اغتشاش و مدل توسعه داده شده نشان داد که این روش قادر است با کارایی بالا شدت کمبود آهن در برگ درختان هلو را تشخیص دهد.

کلیدواژه ها:

هلو ، کمبود آهن ، پردازش تصویر ، شبکه عصبی ، خوشه بندی KNN