شناسایی و طبقه‌بندی هوشمند کمبود مواد مغذی در درختان پستهبا استفاده از ماشین‌بردار پشتیبان

کمبود مواد مغذی، یکی از چالش‌های اساسی در رشد درختان و گیاهان است. برای افزایش تولید محصولات با کیفیت، شناسایی به موقع کمبود مواد مغذی امری ضروری است. انجام ندادن به‌موقع این مهم موجب کاهش بهره‌وری و وارد شدن خسارات بعضاً جبران‌ناپذیر برای کشاورزان خواهد شد. روش سنتی برای این کار، بررسی چشمی برگ، تجزیه خاک و روش های آزمایشگاهی است، که به افراد خبره و وقت و هزینه های زیادی نیاز دارد. این روش در اغلب موارد مقرون به صرفه نیست. در دنیای امروز استفاده از هوش مصنوعی و یادگیری ماشین در تمامی حوزه‌های مختلف بسیار مورد توجه قرار گرفته است. در این پژوهش ضمن جمع‌آوری داده و برچسب‌گذاری آن‌ها، یک روش خودکار و هوشمند مبتنی بر پردازش تصویر و یادگیری ماشین برای تشخیص کمبود مواد مغذی در درختان پسته ارائه شده است. در ابتدا با تصویربرداری از برگ‌های مختلف، داده‌های مناسب جمع‌آوری و برچسب‌گذاری شد تا سیستم هوشمند آموزش داده شود. مراحل اصلی در سیستم‌ پیشنهادی شامل: پیش‌پردازش، شناسایی نواحی دارای کمبود، استخراج ویژگی و طبقه‌بندی نوع کمبود در هر ناحیه است. در مرحله استخراج ویژگی از خصوصیات آماری رنگ تصویر ازجمله میانگین، انحراف معیار، آنتروپی، مقدار موثر، واریانس و همچنین ویژگی‌های بافت تصویر مانند همواری، وضوح، همبستگی و انرژی بهره گرفته شد. درنهایت به‌وسیله‌ طبقه‌بند ماشین‌بردارپشتیبان، کمبود‌ها طبقه‌بندی شده است. ارزیابی‌های انجام شده بر روی داده‌های واقعی، کارایی سیستم پیشنهادی را با دقت 89% و موثر بودن آن برای کاربردهای واقعی نشان می‌دهد.