>
Fa   |   Ar   |   En
   تشخیص آفت سوسک چهار نقطه‌ای حبوبات توسط تکنیک پردازش تصویر و شبکه عصبی مصنوعی  
   
نویسنده سجادیان سامان ,محمدزمانی داود ,جاویدان محمد
منبع آفات و بيماريهاي گياهي - 1399 - دوره : 88 - شماره : 1 - صفحه:103 -112
چکیده    با توجه به‌سرعت و دقت بالای تشخیص هوشمند آفات در محصولات انباری، در این پژوهش تشخیص آفت سوسک چهار نقطه ای حبوبات توسط تکنیک پردازش تصویر با بهره گیری از شبکه های عصبی مصنوعی انجام شده است. برای تهیه تصاویر مناسب، جعبه ای شیشه ای تهیه و دانه های نخود در مرکز جعبه قرار داده شد. سپس از شش وجه به آن نور تابانده و از تمامی وجوه توسط یک دوربین دیجیتال، از آن عکسبرداری انجام شد. سپس ویژگی تصاویر شامل بافت و لبه ها توسط موجک گابور با بکارگیری نرم افزار matlab استخراج و به‌عنوان داده‌های آموزشی به شبکه عصبی مصنوعی معرفی شدند. برای آموزش شبکه از 69 تصویر نخود آسیب دیده توسط سوسک چهارنقطه ای حبوبات و 59 نخود سالم استفاده شد. سپس برای ارزیابی شبکه، یک دسته از داده ها که در آموزش شبکه هیچ نقشی نداشته اند به عنوان داده های آزمون، به شبکه اعمال شد و نتایج آن بررسی شد. در این پژوهش از شبکه های عصبی پرسپترون و المن استفاده شد که شبکه پرسپترون نتایج بهتری نسبت‌به شبکه المن داشت. روش پیشنهادی با 6.17 درصد خطای عدم تشخیص و 4.86 درصد خطای تشخیص اشتباه، توانست با نرخ بالایی نخودهای آسیب دیده را آشکارسازی نماید. پس از پردازش تصویر توسط شبکه عصبی و تشخیص نقاط آسیب، میزان آسیب محصول نیز محاسبه شد. بدین‌منظور، سطح آسیب تشخیص داده شده محاسبه و مقدار آن بر مساحت سطح کل دانه نخود تقسیم و درصد آسیب دانه ها برابر با 2.3 درصد برآورد شد.
کلیدواژه پردازش تصویر، سوسک چهار نقطه ای، شبکه عصبی مصنوعی
آدرس داﻧﺸﮕﺎه آزاد اﺳﻼﻣﻲ واﺣﺪ ﺗﺎﻛﺴﺘﺎن, ﮔﺮوه ﻣﻬﻨﺪﺳﻲ ﺑﻴﻮﺳﻴﺴﺘﻢ, ایران, داﻧﺸﮕﺎه آزاد اﺳﻼﻣﻲ واﺣﺪ ﺗﺎﻛﺴﺘﺎن, ﮔﺮوه ﻣﻬﻨﺪﺳﻲ ﺑﻴﻮﺳﻴﺴﺘﻢ, ایران, داﻧﺸﮕﺎه تربیت مدرس, ﮔﺮوه ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ, ایران
 
   DDetection of Callosobruchus maculatus F. with image processing and artificial neural network  
   
Authors mohamadzamani davood ,sajadian saman ,javidan seyed mohamad
Abstract    Due to the high speed and accuracy of intelligent pest detection in warehouse products, in this study, the detection of chickpea fourpoint beetle pest was simulated by image processing technique using artificial neural networks. To prepare the images, a glass box was prepared and the chickpea seeds were placed in the center of the box. The light was then illuminated from all six sides and photographed with a digital camera from all sides. The image properties were then extracted by Wavelet Gabor using MATLAB software and applied to the ANN as training data. To train the network, 69 images of chickpeas damaged and 59 healthy chickpeas were used. Then, to evaluate the network, a set of data that did not play a role in network training as test data was applied to the network and its results were evaluated. In this study, Perceptron and Elman neural networks were used which had better results than Elman network. The proposed method was able to detect the high rate of damaged with 6.17% nondetection error and 4.86% errordetection error. After image processing by the neural network and detection of damage points, the amount of crop damage was also calculated. For this purpose, the level of detected damage was calculated and divided by the area of total area of chickpea seed and percentage of damage. After identifying the injury sites, the damage was estimated 2.3% in the studied images.
Keywords
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved