تشخیص کمبود مواد ریز مغذی در گیاه اسفناج تحت شرایط کشت هیدروپونیک با کمک پردازش تصاویر دیجیتال

کنترل میزان مواد مغذی در محصول اسفناج می تواند مصرف نهاده های کودی را کاهش دهد و همچنین باعث حفظ کیفیت و افزایش نرخ تولید این محصول شود. در حقیقت نظارت بر شرایط رشد محصولات به صورت دستی و سنتی دارای هزینه های بالا و کاری زمانبر است و گاهی عدم تجربه کافی سبب ایجاد آسیب و نهایتا کاهش کیفیت در محصولات می شود. لذا ارائه ی راهکاری مناسب و کاربردی مبتنی بر تکنولوژی های جدید و غیر مخرب از جمله پردازش تصویر که توانایی تشخیص نیازهای گیاهان را داشته باشد، دارای اهمیت زیادی است. هدف از این پژوهش بررسی کمبود سه عنصر مغذی آهن، روی و منگنز در چند سطح مختلف است. بدین منظور مجموعه ای از ویژگی های رنگی، مورفولوژیکی و بافت از تصاویر نمونه ها استخراج شدند برای بررسی پنج روش طبقه بندی مختلف (شبکه عصبی مصنوعی، بیز، K نزدیک ترین همسایه، جنگل تصادفی و ماشین بردار پشتیبان)، از این ویژگی ها با ترتیب از پیش تعیین شده به عنوان ویژگی های ورودی طبقه بند استفاده شد. نتایج این مطالعه نشان داد که این پنج روش مختلف طبقه بندی هنگامی که دارای دو کلاس خروجی بودند، با میانگین دقت تشخیص ۸۱/۳ درصد بیشترین عملکرد را به دست آوردند. همچنین عملیات طبقه بندی توسط روش های مورد نظر با سه کلاس خروجی نیز دارای دقت قابل قبولی ۶۰/۹ درصد بود. میزان عملکرد همه این روش ها در تشخیص درست وضعیت نمونه ها در حالت چهار و پنج گروه خروجی به کمتر از ۵۰ درصد رسید. این در حالی است که زمانی که همه سطوح عناصر مغذی آهن، روی و منگنز به عنوان خروجی این طبقه بندها در نظر گرفته شدند، میزان عملکرد همه روش ها به طور قابل توجهی به مقداری کمتر از ۲۰ درصد کاهش یافت. نهایتا الگوریتم شبکه عصبی مصنوعی به عنوان مناسب ترین روش طبقه بندی به منظور شناسایی کمبود ریزمغذی هایی مانند آهن، منگنز و روی شناخته شد

کلیدواژه ها:

اسفناج ، انتخاب ویژگی ترتیبی ، طبقه بندی ، مواد ریز مغذی