مقایسه صحت روش‌های مختلف پردازش تصویر در برآورد پوشش سایه‌انداز گیاه چغندرقند با استفاده از تصاویر دوربین دیجیتال

در پژوهش حاضر، از عکس‌برداری دیجیتال برای برآورد مقدار پوشش سایه‌انداز چغندرقند استفاده شد. برای این منظور، مجموعه تصاویر مرئی گیاه چغندرقند، در طول دوره رشد، در سال 1396، تحت تیمارهای تنش خشکی و نیتروژن در گلخانه‌ای در پژوهشگاه علوم گیاهی eth واقع در لیندائو اسچیکان، سوئیس، تهیه شد. تیمارهای این پژوهش شامل دو سطح تنش آبیاری (کم‌آبیاری و آبیاری کامل) و سه سطح تنش کود (20، 40 و 80 کیلوگرم بر هکتار نیتروژن) بود. جداسازی تصاویر، با استفاده از کتابخانه‌های پردازش تصویر در زبان برنامه‌نویسی پایتون و با بهره‌گیری از الگوریتم‌های تمایز و آستانه‌گذاری تصویرها انجام گرفت. به این منظور از روش‌های ترکیبی جداسازی با استفاده از شاخص‌های گیاهی تمایز (گیاه از خاک و پس‌زمینه) سبزینگی مازاد، تفاضل باند سبز مازاد با باند قرمز مازاد و بدون استفاده از شاخص تمایز و الگوریتم‌های آستانه‌گذاری انتخابی و آستانه‌گذاری خودکار otsu و مثلثی استفاده شد. بنابراین، نُه روش ترکیبی متشکل از الگوریتم‌های تمایز و آستانه‌گذاری برای برآورد پوشش سایه‌انداز ایجاد شد که روش‌های ترکیبی شاخص گیاهی تفاضل سبزینگی مازاد با مقدار باند قرمز مازاد و آستانه‌گذاری انتخابی (exgr & m_threshold) و شاخص سبزینگی مازاد و آستانه‌گذاری otsu (exg & ostu) به‌ترتیب، بیش‌ترین صحت، 94.69 درصد و 87.52 درصد را داشتند. روش بدون شاخص تمایز و آستانه‌گذاری مثلثی (no_discrimination & triangle) کم‌ترین صحت را با مقدار 53.18 درصد داشت.

comparing the accuracy of different image processing methods to estimate sugar beet canopy cover by digital camera images

in this study, digital photography was used to estimate the amount of sugar beet’s canopy cover. for this purpose, a dataset of visible images of sugar beet crops, during the growing season, in 2018, under drought and nitrogen stress were taken in a greenhouse at the eth research station for plant sciences in lindau eschikon, switzerland. the treatments of this research included two levels of irrigation stress (low water and sufficient water) and three levels of fertilizer stress (20, 40, and 80 kg/ha nitrogen). image discrimination and threshold algorithms are applied to perform segmentation on the images in python. compound segmentation methods using excess green, excess green minus excess red discrimination vegetation indices (plant from soil and background), and without discrimination index and manual input thresholding and otsu and triangle automated algorithms were used. therefore, nine different compound methods including discrimination and thresholding algorithms used to estimate the canopy cover under different stresses. results showed that compound methods of excess green minus excess red vegetation index and manual input thresholding and excess green index and otsu have the highest accuracy, 94.69 and 87.52 percent, respectively. the method without discrimination index and triangle thresholding which has 53.18 percent accuracy was the least accurate method.