شناسایی زنجرک پسته idiocerus stali (hem.: cicadellidae) با استفاده از پردازش تصویر و شبکه‌های عصبی مصنوعی

استراتژی مدیریت تلفیقی آفات (ipm)، به پایش پیوسته جمعیت آفات وابسته است، این کار نه تنها زمان‌بر است، بلکه وابستگی زیادی به داوری انسان دارد و پر هزینه نیز می‌باشد. استفاده از روش‌های هوش مصنوعی به جای تصمیم‌گیری‌های دستی و انسانی، علاوه بر این که سبب افزایش بهره‌وری می‌گردد، از دقت بالایی نیز برخوردار است. پسته، یک محصول تجاری است و هر ساله خسارت زیادی توسط حشرات به تولیدکنندگان این محصول وارد می‌شود. گروهی از آفات پسته عمدتاً از میوه پسته تغذیه می‌کنند، که از این گروه زنجرک پسته، دارای اهمیت زیادی می‌باشد. در این تحقیق زنجرک پسته به‌عنوان حشره هدف جهت شناسایی انتخاب شد. برای جمع‌آوری نمونه‌ها از کارت‌های زرد چسبنده استفاده شد. 357 خصوصیت رنگی و 20خصوصیت شکلی برای شناسایی زنجرک پسته به‌وسیله الگوریتم پردازش تصویر استخراج شد. خصوصیات رنگی به دو دسته‌ی خصوصیات مربوط ‌به میانگین و انحراف‌معیار و خصوصیات مربوط ‌به شاخص‌های سبزی تقسیم شدند. از 17 فضای رنگی مختلف مثل rgb، hsv و غیره برای استخراج خصوصیات و از روش هیبرید شبکه عصبی مصنوعیالگوریتم بهینه‌سازی ازدحام ذرات (annpso) برای انتخاب خصوصیات موثر استفاده گردید. خصوصیات موثر انتخابی جهت طبقه‌بندی حشرات عبارتند از: شاخص رنگی برای پوشش گیاهی استخراجی مربوط به فضای رنگی hsl، شاخص تفاضل نرمال شده مربوط به فضای رنگی lch، کانال خاکستری مربوط به فضای رنگی ycbcr، شاخص مولفه دوم منهای مولفه سوم مربوط به فضای رنگی ycbcr، مساحت و میانگین مولفه های اول، دوم و سوم فضای رنگی luv. نرخ شناسایی الگوریتم پردازش تصویر طراحی شده، 72/99درصد کل اشیا (زنجرک پسته، سوسک چوب‌خوار قرمز پسته و سایر حشره‌های غیر هدف و متفرقه) می‌باشد. شبکه‌های عصبی مصنوعی، توانایی طبقه‌بندی حشرات به سه کلاس (زنجرک پسته، سوسک چوب‌خوار قرمز پسته و سایر حشره‌های غیر هدف و متفرقه) و دو کلاس (زنجرک پسته و سوسک چوب‌خوار قرمز پسته) به‌ترتیب با دقت 53/91 و 59/99 درصد را دارند.

Identification of Idiocerus stali (Hem.: Cicadellidae) Using Image Processing and Artificial Neural Networks

IntroductionPistachio or Green Gold is one of the most important agricultural crops and is especially important for Iranian exports. A group of pistachio’s pests mainly feed on pistachio, among which Idiocerus stali is very important. Conventional methods for identifying insects using identification keys are timeconsuming and costly. Due to the rapid development of the Pistachio industry, the use of artificial intelligence techniques such as image processing, for identification and population monitoring is highly recommended. On the other hand, little research was carried out on I. stali. Therefore, in this research, I. stali was selected as a target insect for the identification and counting on sticky yellow cards using image processing techniques and artificial neural networks. The purpose of this study was to determine the feasibility of I. stali identification algorithm by image processing, to determine the possibility of separation and counting of I. stali from other nontarget insects by artificial neural network and to determine its accuracy in identification of I. Stali.Materials and MethodsIdiocerus stali was selected as the target insect for identification. Sticky yellow cards were used for collecting samples. Taking the photos with the help of a SONY Handycam Camera, which had a 12megapixel resolution and G lens, was carried out (SONY, HDRXR500, CMOS, SONY Lens G, Made in Japan). Then insects were counted on each card manually and the data was recorded. The data, which were digital images of yellow sticky cards, were imported into the MatLab R2017b software environment. A total of 357 color properties and 20 shape’s features for the identification of I. stali were extracted by an image processing algorithm. Color properties were divided into two categories of mean and standard deviation and characteristics related to vegetation indices. An ANNPSO (Artificial Neural Network hybrid methodParticle Swarm Optimization) algorithm was used to select the effective features. The selected effective characteristics for insect classification were: Color index for extra collective vegetation related to HSL color space, normalized difference index for LCH color space, gray channel for color space YCbCr, second component index minus third component for color space YCbCr, area and mean of the first, second and third components of color space Luv.Results and DiscussionComparing the results with the results of Qiao et al. (2008), we found that in his study, which divided the data into three categories, for medium and highdensity groups, the detection rate was 95.2% and 94.6%, respectively. On the other hand, in low densities (less than 10 trapped insects); its detection rate was 72.9%, while the detection rate of the classifier system designed in this study for different densities of trapped insects, was identical and equal to 99.59%. Also, comparing the results of this study with Espinoza et al. (2016), we found that their algorithm in whiteflies detection had a high accuracy of about 0.96 on a sticky yellow card, while the Thrips identification algorithm accuracy was 0.92 on a sticky blue card. As stated above, the correct detection rate of I. stali by the algorithm designed in this study was 99.72%.ConclusionThe results showed the feasibility of the new method for identifying the pest insects without destroying them on the farm and in natural light conditions and in a short time and with very high accuracy. This suggests that this algorithm can be applied to the machine vision system and can be used in future in the construction of agricultural robots.