پیش آگاهی و تشخیص میزان پیشرفت بیماری لکه موجی گوجه فرنگی با عامل قارچی Alternaria alternata با استفاده از تحلیل تصاویر مرئی و فراطیفی

اگرچه در تحقیقات پیشین امضای طیفی برخی بیماری های قارچی شایع گوجه فرنگی برای شناسایی زودهنگام آن ها به کمک روش های پردازش تصاویر فراطیفی گزارش شده است، این تحقیقات عموما تنها به شناسایی وقوع یا عدم وقوع بیماری محدود هستند و شدت پیشرفت بیماری را تشخیص نمی دهند. بنابراین، در این تحقیق، سعی شده است به کمک تحلیل تصاویر رنگی RGB و فراطیفی نمونه های برگ گیاهان، علاوه بر تشخیص زودهنگام بیماری لکه موجی گوجه فرنگی با عامل قارچی Alternaria alternata، مدت زمان سپری شده از مایه زنی سوسپانسیون اسپور قارچ به عنوان میزان پیشرفت بیماری نیز پیش بینی شود. داده های مرئی و فراطیفی به مدت ۱۸ روز پس از مایه زنی و پیش از بروز علائم ظاهری بیماری، به صورت یک روز در میان از برگ ها جمع آوری گردید. نتایج نشان داد که به کمک استخراج ویژگی ها از امضای فراطیفی بیماری که در تحقیقات پیشین شناسایی شده است (۴۵۰، ۵۵۰، ۶۵۰ و ۹۰۰ نانومتر)، روش جنگل تصادفی بهینه شده با الگوریتم شاهین هریس می تواند وقوع بیماری را تنها پس از گذشت شش روز از مایه زنی با دقت، صحت و بازیابی به ترتیب ۹۷، ۹۲، و ۹۴ درصد تشخیص دهد. همچنین، الگوریتم جنگل تصادفی بهینه شده با الگوریتم توده نقاط، توانایی پیش بینی صحیح میزان پیشرفت بیماری در هشت روز اول پس از مایه زنی با ضریب تبیین و میانگین مربعات خطای به ترتیب ۹۱/۰ و ۰۱۱/۰ را نشان داد. در مقایسه با عملکرد داده های فراطیفی، داده های به دست آمده از تحلیل تصاویر مرئی عملکرد به مراتب ضعیف تری را نشان داد. نتایج این پژوهش نشان می دهد استفاده از تصاویر فراطیفی می تواند به عنوان ابزاری قدرتمند در پیش آگاهی و تشخیص میزان پیشرفت بیماری های گیاهی کارآمد باشد.

کلیدواژه ها:

الگوریتم های فراابتکاری ، جنگل تصادفی ، مایه زنی سوسپانسیون ، هوش مصنوعی ، یادگیری ماشین