تخمین مقدار آهن برگ سیب با استفاده از مدل مبتنی بر شبکه عصبی و پردازش تصویر

کمبود آهن به عنوان یکی از شایع ترین مشکلات تغذیه ای گیاهان باغی واقع در خاک های آهکی است. تشخیص سریع کمبود آهن با استفاده از پردازش تصویر و یادگیری ماشین می تواند به عنوان یک روش ارزان به رفع این مشکل کمک کند. از این رو برای بررسی ارتباط بین کمبود آهن و ویژگیهای رنگ برگ، یک پایگاه داده شامل ۱۵۷۵ تصویر برگ سیب با سطوح مختلف کمبود آهن (شدید، متوسط، کم و بدون کمبود) جمع آوری گردید. تصویربرداری با استفاده از دوربین گوشی هوشمند انجام گرفت و مقادیر آهن فعال و کل هر نمونه با دستگاه جذب اتمی اندازه گیری گردید. ویژگی های رنگی از فضاهای رنگی RGB، Lab، HSV و NTSC به همراه ۸ شاخص رنگی ترکیبی استخراج شد. مدل سازی با دو رویکرد رگرسیون خطی و شبکه عصبی مصنوعی انجام گرفت. نتایج مدل خطی نشان داد مدل خطی قادر به پیش بینی آهن فعال با ضریب تعیین  R۲ = ۰.۷۴ است، اما با آهن کل همبستگی نشان نداد. مدل شبکه عصبی با دقت R۲ = ۰.۸۰ و مقادیر خطای RMSE = ۱.۱۵۶ و MAPE=۲۵.۰۳ عملکرد بهتری نسبت به مدل خطی داشت. در نتیجه، مدل شبکه عصبی با استفاده از ویژگی های رنگی برگ می تواند به عنوان روش سریع و غیر مخرب در تشخیص کمبود آهن و تخمین میزان آهن برگ سیب مورد استفاده قرار بگیرد.

کلیدواژه ها:

برگ سیب ، یادگیری ماشین ، آهن فعال ، پردازش تصویر