شناسایی آفت سن مادر در مزارع غلات با استفاده از تکنیک پردازش تصاویر دریافتی از پهپاد

نظر به اینکه گندم و جو از محصولات با اهمیت و راهبردی کشور ایران هستند و یکی از مهمترین آفات این محصولات سن غلات است. هر ساله سازمان حفظ نباتات کشور این آفت خطرناک را پایش می کند تا در زمان مناسب دستور مبارزه با آن صادر شود. پایش مزارع کاری بسیار سخت، زمانبر و مخرب است و نیاز به تعداد زیادی نیروی انسانی متخصص دارد. یکی از اهداف این پژوهش ایجاد روشی غیرمخرب برای چنین عملیاتی در شناسایی آفت سن غلات است. در این تحقیق شمارش آفت سن مادر در مزارع غلات به دو روش استفاده از پردازش تصاویر هوایی با ثبت ٩٥٤ تصویر و روش کادراندازی و شمارش چشمی در مزرعه توسط کارشناس خبره، در دو مزرعه با تعداد متفاوت این آفت انجام گرفت. پس از پردازش تصاویر با استفاده از کتابخانه یادگیری pycharm در زبان برنامه نویسی پایتون، تعداد سن در هر تصویر به دست آمد. نتایج بررسی آماری نشان داد که اختلاف معناداری در سطح احتمال ١% بین میانگین داده های دو روش وجود ندارد و می توان با اطمینان از این روش برای پایش آفت سن مادر در مزارع غلات استفاده کرد. در این پژوهش با استفاده از پردازش تصاویر پهپادی، روشی سریع،دقیق و بدون خسارت به محصول، برای شمارش آفت سن و صدور دستور سمپاشی در مزارع غلات پیشنهاد و ارزیابی گردید.

identification of sunn pest (eurygaster) in cereal farms using uav image processing technique

considering that wheat and barley are important and strategic products in iran, the sunn pest is one of the most important pests of these products. every year, the country's plant protection organization monitors this dangerous pest so that an order to fight it can be issued at the right time. farm monitoring is a very difficult, time-consuming, and destructive task; it also requires a large number of specialized human resources. one of the goals of this research is to create a non-destructive method for such an operation in the identification of sunn pests. in this research, the counting of sunn pests in cereal farms was done by two methods using aerial image processing by recording 954 images and framing method and eye counting in the farm by an expert in two farms with different numbers of this pest. the number of pests in each image was obtained after processing the images using the python programming language in the pycharm learning library. the statistical study results showed no significant difference at the 1% probability level between the average data of the two methods. this method can be used confidently to monitor the sunn pest in cereal farms. in this research, by using uav image processing, a fast, accurate, and non-destructive method was proposed and evaluated for counting the pests and issuing spraying orders in cereal farms.