کاربرد پردازش تصویر و یادگیری عمیق در مطالعات گیاهان زراعی تحت تنش

تنش‏های محیطی (زیستی و غیرزیستی) از یکی چالش‏های مهم تولیدکنندگان کشاورزی و امنیت غذایی بشر است. تولید پایدار با شناخت تنش‏های محیطی به کمک مطالعات فیزیولوژیک گیاهی امکان‏پذیر است. سالیان زیادی است که پژوهش‏های فیزیولوژیک و فنوتیپی گیاهان زراعی بر مبنای روش‏های فشرده آزمایشگاهی قدیمی، تخریبی و زمان‏بر در آزمایشگاه و مزرعه بوده است. حل این مسئله با استفاده از روش‏های سریعی مانند تکنولوژی بینایی ماشین، الگوریتم‏های یادگیری ماشین و یادگیری عمیق بدست می‏آید. این روش‏ها با پایش تغییرات فنوتیپی و فیزیولوژیک گیاهان زراعی در جهت پیش‏بینی یا تشخیص تنش‏ها، گام‏های موثری برداشته شود. در مقاله حاضر آخرین تکنولوژی‏های تصویر، شاخص‏های گیاهی و الگوریتم‏های متنوع مرتبط با گیاهان تحت تنش مرور شده است. همچنین، الگوریتمهای بسیارپرکاربرد شبکه عصبی پیچشی در پردازش تصاویر گیاهان تحت تنش به طور خلاصه ذکر شده است. از طرف دیگر، چالش‏های کنونی استفاده از تکنیک‏های پردازش تصویر و هوش مصنوعی مرتبط با گیاهان تحت تنش مورد بحث قرار گرفته است.

application of image processing technics and deep learning in field of crops stress

one of the most important challenges of agricultural production growers and food security is environmental stress (biotic and abiotic) specially caused by global changes. sustainable yield could be accessible by identifying environmental stresses using physiological studies. physiological and phenotypical researches on crop have been based on labor-intensive conventional, distractive and time-consumer methods, as laborious and farm tasks, for many years. to address this issue, rapid approaches such as using machine vision technologies, machine learning and deep learning’s algorithms, are in urgent. these methods have had positive effect on prediction or identification of stresses by monitoring crop phenotypical and physiological changes. in this paper, the latest image technology, vegetation indices and a diversity of deep learning algorithms involved in plant stress, are reviewed. furthermore, the most functional algorithms of convolutional neural networks are summarized. on the other hand, the current challenges of application of image processing approaches and artificial intelligent in plant stressed are discussed.