تشخیص آلودگی قارچی در غده سیب‌زمینی با استفاده از تصویربرداری حرارتی

پوسیدگی خشک سیب‌زمینی یکی از خسارت‌زاترین بیماری‌های غده‌های سیب‌زمینی است که عامل اصلی آن قارچ فوزاریوم سولانی است. برای جلوگیری از توسعه بیماری  پوسیدگی خشک سیب‌زمینی و کاهش تلفات آن، باید قارچ عامل شناسایی و از بین برده شود. روش‌های معمول در تشخیص آلودگی‌ قارچی زمان‌بر، پرهزینه و مشکل هستند. در این تحقیق یک روش سریع و قابل اطمینان مبنی بر فناوری گرمانگاری فعال برای تشخیص غده‌های سالم و آلوده و هم‌چنین برای طبقه‌بندی مرحله آلودگی (آلوده یک روزه تا نه روزه) ارائه شده است. در گرمانگاری فعال دو سطح دمای گرم‌کن و چهار سطح زمان خنک شدن نمونه لحاظ شد. نتایج تجزیه واریانس و مقایسه میانگین اختلاف دمای سطح غده‌های سالم و آلوده نشان داد که دمای 90 درجه سانتی‌گراد گرم‌کن و خنک شدن 40 ثانیه نمونه‌ها بهترین تیمار برای داشتن بیشترین اختلاف بین ‌غده‌های سالم و آلوده است. برای ارزیابی طبقه بند شاخص‌های آماری نظیر دقت، صحت، حساسیت و اختصاصی بودن محاسبه شد. دقت کلی طبقه بند 96.67 % بود. نتایج تحقیق حاضر نشان داد که روش ارائه شده در این تحقیق یکی از روش‌های توانمند بینایی ماشین در تشخیص کیفیت و سلامت مواد غذایی و محصولات کشاورزی است.

Fungal Infection in Potato Tuber Using Thermal Imaging

Potato dry rot is one of the most detrimental diseases affecting on potato tubers caused by Fusarium Solani fungus. In order to prevent the expansion of potato dry rot and the losses caused by this disease, the fungi must be detected and destroyed. The common methods for detecting contaminations are timeconsuming, expensive and painstaking. In this study, a fast and reliable method has been presented based on active thermography technology. This method was used to detect the healthy tubers from contaminated ones and to classify the different stages of contamination (1 to 9 day after infection). In the active thermography, two heating temperature levels and four cooling time levels were applied on the samples. The results of variance analysis and compare mean of the average temperature differences between the surfaces of the healthy and contaminated tubers indicated that 90 oC heating temperature and 40 s cooling time of the samples was the best treatment for detecting healthy and contaminated tubers. For evaluating the classifier performance, statistical indicators such as accuracy, precision, sensitivity and specificity were calculated. The total accuracy of the classifier was 96.67%.