تعیین میزان ازت برگ خیار گلخانه ای به منظور مدیریت مصرف کود به کمک پردازش تصویر
محورهای موضوعی : مجله مهندسی زیست سامانه
کلید واژه: شبکه عصبی, کلروفیل, خیار گلخانه ای, پردازش تصویر, محتوای نیتروژن برگ,
چکیده مقاله :
مجید حداد [1] چکیده تشخیص ظاهری اختلالات تغذیه ای ممکن است با علائم ناشی از عوامل غیر تغذیه ای نظیر بیماری ها، آفات و ترکیبات شیمیایی اشتباه شود، لذا به منظور تأیید تشخیص ظاهری می توان از تجزیه برگی استفاده کرد. با مدیریت صحیح ازت می توان مقدار مناسب نیتروژن محصول را تأمین کرد و همچنین آلودگی ناشی از آن در خاک و آب را کاهش داد. هدف این پژوهش تعیین قابلیت استفاده از تصاویر رقومی برای تشخیص مقدار نیتروژن موجود در برگ خیارگلخانه ای و مقایسه آن با روش تجزیه آزمایشگاهی می باشد. نتایج حاصل از ارزیابی روش آزمایشگاهی اندازه گیری کلروفیل برگ گیاه خیار گلخانه ای با دستگاه کلدال و روش پردازش تصویر برای 50 عدد برگ سالم و آسیب دیده با یکدیگر مقایسه شد. سپس میزان دقت الگوریتم طراحی شده به منظور تعیین درصد کلروفیل و قسمت آسیب دیده برگ گیاه مورد ارزیابی قرار گرفت و در نهایت بهترین شبکه عصبی به عنوان دقیق ترین مدل انتخاب گردید. نتایج بدست آمده نشان داد میانگین میزان کلروفیل برگ خیار به ترتیب برای روش آزمایشگاهی تقریبا 65/72 درصد و برای روش پردازش تصویر تقریبا 14/74 درصد بدست آمد که نشان دهنده اختلاف کم دقت در این دو روش بوده و استفاده از روش غیرمخرب پردازش تصویر را نسبت به روش آزمایشگاهی مقدور می سازد. مدل پیشنهادی به منظور تشخیص میزان کلروفیل و قسمت آسیب دیده برگ با استفاده از تشخیص ناحیه با روش بدون نظارت خوشه بندی k-means، دارای شبکه ای با دو نرون در لایه مخفی اول و پنج نرون در لایه مخفی دوم و تابع آموزش و تابع انتقال بود و در نتیجه شبکه ای با توپولوژی 5-5-2-15 تشکیل شد که دقت 100 درصد برای این مدل بدست آمد. [1] - کارشناس ارشد، گروه مکانیک بیوسیستم، دانشگاه آزاد اسلامی واحد تاکستان، تاکستان، ایران Mhadad1212@gmil.com
Majid Hadda M.Sc, Department of Biosystems Engineering, Takestan Branch, Islamic Azad University, Takestan, Iran Abstract The external diagnosis of nutritional disorders may be confused with symptoms caused by non-nutritional factors such as diseases, pests and chemical compounds, therefore leaf analysis can be used to confirm the external diagnosis. With proper nitrogen management, it is possible to provide the right amount of nitrogen to the product and also reduce the pollution caused by it in soil and water. The purpose of this research is to determine the possibility of using digital images to determine the amount of nitrogen in greenhouse cucumber leaves and compare it with the laboratory analysis method. The results obtained from the evaluation of the laboratory method of measuring the chlorophyll of greenhouse cucumber leaves with the Keldal apparatus and the image processing method for 50 healthy and damaged leaves were compared with each other. Then the accuracy of the algorithm designed to determine the percentage of chlorophyll and the damaged part of the plant leaf was evaluated and finally the best neural network was selected as the most accurate model. The results showed that the average amount of chlorophyll in cucumber leaves was approximately 72.65% for the laboratory method and approximately 74.14% for the image processing method, which indicates the low accuracy difference in these two methods and the use of non-destructive image processing method. compared to the laboratory method. The proposed model in order to detect the amount of chlorophyll and the damaged part of the leaf by using the area detection with unsupervised k-means clustering method, has a network with two neurons in the first hidden layer and five neurons in the second hidden layer and the training function and It was a transfer function, and as a result, a network with 5-5-2-15 topology was formed, and 100% accuracy was obtained for this model.
_||_