بکارگیری روش پردازش تصاویر دیجیتال جهت تشخیص بیماریهای سطح برگ برنج

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,012

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCAMEM08_246

تاریخ نمایه سازی: 14 شهریور 1393

چکیده مقاله:

برنج یکی از محصولات استراتژیک است که به طور گسترده ای در جهان کشت می شود و غذای اصلی بسیاری از مردم جهان است. بیماری های مختلف برنج تهدیدی جدی برای تولید برنج به شمار می روند که علاوه بر اینکه از میزان کیفیت و کمیت محصول می کاهند، باعث تخریب واریته نیز می شوند. از طرفی یکی از مهمترین چالش های پیش روی تولید برنج استفاده بیرویه از سموم شیمیایی در تولید این محصولات می باشد. در این تحقیق توانایی تکنیک پردازش تصویر برای تشخیص دو بیماری مهم گیاه برنج (لکه قهوه ای و بلاست برگ برنج) مورد بررسی قرار گرفت. تصاویر دیجیتال مورد نیاز از برگ های گیاه برنج آلوده تهیه شده و به جعبه ابزار پردازش تصویر نرم افزار متلب انتقال داده شد. به منظور جداسازی نقاط سالم و آلوده سطح برگ از پردازش رنگی استفاده شد. الگوریتم ارائه شده توانست نقاط آلوده را در نمونه تصاویر مورد آزمایش با دقت 97/4 % تشخیص دهد. از سوی دیگر به منظور تمایز دو نوع بیماری، پردازش شکلی بر روی تصاویر باینری مربوط به برگ های آلوده انجام شد. نتایج نشان داد که دقت الگوریتم در تمایز بین دو بیماری لکه قهوه ای و بلاست برگ برنج در تصاویر حاصل از قطعه بندی بیش از 96/6 % بود.

نویسندگان

عادل بخشی پور

دانشجوی دکترای مکانیک ماشین های کشاورزی دانشگاه شیراز

میر حسین پیمان

استادیار گروه مکانیزاسیون کشاورزی، دانشگاه گیلان

عبدالعباس جعفری

استادیار بخش مکانیک بیوسیستم، دانشگاه شیراز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • آگاهی، ک.، فتوکیان، م.ح. و یونسی ذ. 1391. مطالعه تنوع ...
  • عماد زاده، م. و دلیری چولابی، ح. 1386. بررسی مزیت ...
  • مومنی، ع.، یزدی صمدی، ب. و لئونگ 5. 1382. مطالعه ...
  • دانشگاه فردوسی مشهد _ _ _ یهمن ماه 1392 ...
  • دانشگاه فردوسی مشهد _ _ _ یهمن ماه 1392 ...
  • دانشگاه فردوسی مشهد _ _ _ یهمن ماه 1392 ...
  • Aglave, V.A., S.B. Patil, andN.B. Sambre. 2012. Imaging Technique to ...
  • Aitkenhead, M.J., I.A. Dalgetty, C.E. Mullis, A.J.S. McDonald and N.J.C. ...
  • Al-Bashish, D., M. Braik, and S. Bani-Ahmad. 2011. Detection and ...
  • Al-Hiary, H., S. Bani-Ahmad, M. Reyalat, M. Braik, and Z. ...
  • Bhattacharry, D. and N.K. M ukhopudhyay _ 1986. Surface adherence ...
  • Bock, C.H., G.HH. Poole, P.E. Parker, and T.R. Gottwald. 2010. ...
  • Boese, B.L. and B.D. Robbins. 2008. Effects of erosion and ...
  • 1. Camargo, A. and J.S. Smith. 2009. An image -processing ...
  • Chen, Y.R., K. Chao, and S.K. Moon. 2002. Machine vision ...
  • El-Hally, M., A. Refea, S. Al-Gamal, and R.A. Al-Whab. 2004. ...
  • FAOSTAT, 2010. Rice production. http ://faostat.fao .org. Last access: 20, ...
  • Gomath inayagam, S. M. Rekha, S. Sakthivel Murugan, and R.C. ...
  • Hemming, J. 2000. Computer Vision for Identifying Weeds in Crops. ...
  • Hemming, J. and T. Rath. 2001. C omputer-vis ion-based weed ...
  • Liu, Z., C. Fang, Y. Yi-bi, and R. Xiu-qin. 2005. ...
  • Moya, E.A., L.R. Barrales, G.E. Apablaza. 2005. Assessment of the ...
  • Nithya, A. and V. Sundaram. 2011. Identifying the Rice diseases ...
  • Onyango, C.M. 2003. Segmentation of row crop plants from weeds ...
  • Otsu, N. 1979. A threshold selection method from gray-level histograms. ...
  • Ou, S.H. 1985. Rice diseases. Common wealth Mycological Institute. Secod ...
  • Sanjay, B, . S.B. Patil, and SK. Bodhe. 2011. Leaf ...
  • Shouche S.P., R. Rastogi, S.G. Bhagwat, and J.K. Sainis. 2001. ...
  • Skaloudova, B., V. Krivan, R. Zemek. 2006 C omp uter-assisted ...
  • Steddom, K., W.M. Bredehoeft, M. Khan, and M.C. Rush. 2005. ...
  • Wang, D., M.S. Ramandm and F.E. Dowell. 2002. Classification of ...
  • نمایش کامل مراجع