بررسی طبقه‌بندی تغییر رنگ برگ گیاه پونه در اثر جذب فلزات سنگین به روش شبکه عصبی مصنوعی (ann) و پردازش تصویر

روش‌‌های مختلفی برای حذف و تشخیص فلزات سنگین موجود در محیط‌زیست پیشنهاد شده که اکثر آن‌‌ها زمان‌‌بر و پرهزینه می‌‌باشند. در این میان گیاه پالایی زمان و هزینه کمتری نسبت به سایر روش‌‌ها برای حذف فلزات سنگین از محیط، نیاز دارد. در تحقیق حاضر به منظور تعیین آلودگی گیاه پونه به سه فلز سنگین سرب، نیکل و کادمیوم از روش پردازش تصویر به کمک تلفن همراه هوشمند استفاده شد. تعداد سی عدد از این گیاه در سی گلدان در پرلیت کاشته شد. به مدت 28 روز، هر روز از این گیاهان به دو حالت تصویربرداری در داخل جعبه و تصویربرداری تماسی به کمک گوشی تلفن همراه عکس‌برداری شد. برای عملیات پردازش تصویر و شبکه‌‌ی عصبی مصنوعی از محیط برنامه‌‌نویسی نرم‌‌افزار متلب r2017b استفاده شد. برای تعیین ساختار شبکه عصبی مصنوعی تعداد 12 نورون شامل (قرمز، سبز و آبی از فضای رنگی rgb، هیو، اشباع و روشنایی از فضای hsb، درخشندگی، کرومای آبی و کرومای قرمز از فضای رنگی ycbcr و روشنی، قرمز/سبز و زرد/آبی از فضای رنگ l*a*b*) به عنوان لایه ورودی و برای لایه خروجی یک بار 4 نورون شامل (سرب، نیکل، کادمیوم و شاهد) بار دیگر 2 نورون (شامل آلوده به فلز سنگین و شاهد) در هر دو نوع تصویربرداری جعبه و تماسی در نظر گرفته شدند و بهترین شبکه شناسایی و ماتریس اغتشاش به دست آورده شد.

Investigation of Pennyroyal Plant Leaf Discoloration Classification in the Effect of Heavy Metals Absorption by Using Artificial Neural Networks (ANN) and Image Processing

Various methods are suggested for the removal and detection of heavy metals in the environment, most of which require a lot of time and money. Therefore, phytoremediation is a method that requires less time and money than other methods to remove heavy metals from the environment. In the present study, the image processing technique by smart mobile phone was used to determine the contamination of pennyroyal hyper accumulator plants by three heavy metals lead, nickel, and cadmium. Thirty plants were planted in thirty pots in perlite. For 28 days, these plants were photographed by mobile phones, both inside the box and contact imaging. Matlab R2017b software environment was used for image processing and artificial neural network operations. To determine the structure of artificial neural network, 12 neurons (Includes red, green and blue of RGB color space, hue, saturation and brightness of HSB color space, luminosity, blue Chroma and red Chroma of YCbCr color space and bright, red/green and bright yellow/blue L*a*b* color space) neurons as input layer and 4 neurons for output layer once (includes lead, nickel, cadmium, and control) again 2 neurons (containing heavy metal and control) in the output layer, both box and contact images were considered and the best network structure was identified.