کاربرد فناوری یادگیری ماشین در شناسایی بیماری لکه باکتریایی گوجه فرنگی

یکی از بیماری­های مهم در گوجه­فرنگی بیماری لکه باکتریایی است که با تشخیص به موقع و کنترل آن می­توان موجب جلوگیری از گسترش آن در سطح مزرعه و کاهش خسارات اقتصادی شد. در این پژوهش از روش غیرمخرب تصویربرداری فراطیفی در محدوده ۸۰۰-۴۰۰ نانومتر به منظور تشخیص بیماری لکه باکتریایی گوجه  فرنگی حاصل از باکتری Xanthomonas perforans در مراحل اولیه بیماری و پیش از ظهور علائم ظاهری استفاده شد. عکس­های ابر طیفی و امضای طیفی نمونه ها در روزهای هفتم، دهم، چهاردهم و نوزدهم پس از مایه زنی جمع آوری  شد. در این پژوهش از چهار روش پیش پردازش، تصحیح پراکندگی ضربی ، متغیر نرمال استاندارد، مشتق اول  و مشتق دوم به منظور حذف نوفه ها و استخراج اطلاعات مفید برای تحلیل و طبقه بندی داده ها، استفاده شد. سپس طبقه­بندی گیاه سالم و بیمار  و با استفاده از سه الگوریتم جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) وتقویت گرادیان (GBM ) در فناوری یادگیری ماشین انجام شد. با توجه به نتایج بدست آمده در روز هفتم و دهم روش مشتق اول و در روز چهاردهم و نوزدهم دو روش مشتق دوم و تصحیح پراکندگی ضربی تاثیربسیاری بر کیفیت طبقه-بندی گیاهان سالم و بیمار داشت.  نتایج حاصل از طبقه­بندی داده­ها نشان داد که هر سه الگوریتم RF، SVM و GBM با دقت بیشتر ار ۹۰ درصد به منظور جداسازی دو کلاس گیاه سالم از بیما ارائه کردند. روش SVM با دقتی بالای ۹۷ درصد در تمام روز­های موردنظر، به عنوان بهترین روش به منظور جداسازی گیاهان سالم از گیاهان بیمار بدون علائم ارائه کرد. همچنین روز هفتم پس از مایه زنی ، ترکیب روش SVM با مشتق اول با صحتی معادل ۱۰۰ درصد به عنوان سریعترین زمان به منظور جداسازی گیاهان سالم از گیاهان بیمار بدون علائم انتخاب شد.

کلیدواژه ها:

بیماری لکه باکتریایی ، تصویربرداری فراطیفی ، گوجه فرنگی ، یادگیری ماشین ، ماشین بردار پشتیبان