پردازش تصاویر فراطیفی به منظور تشخیص آلودگی مغز پسته به دو جدایه kk11 و r5 قارچ aspergillus flavus

فناوری تصویربرداری فراطیفی به عنوان روشی نوین و موثر در تشخیص آلودگی محصولات کشاورزی به کار می‌رود. این روش برای تشخیص پسته سالم و آلوده به قارچ aspergillus flavus با و بدون در نظر گرفتن مراحل آلودگی، مورد استفاده قرار گرفت. جدایه‌های r5 وkk11  به ترتیب با و بدون قابلیت تولید سم آفلاتوکسین، به طور جداگانه، برای آلوده‌سازی پسته استفاده شد. از بین طول موج‌های 960 تا 1700 نانومتر، سه طول موج موثر 1090، 1280، و 1700 نانومتر با استفاده از روش تحلیل مولفه‌های اصلی انتخاب شد. پس از استخراج ویژگی ، از روش های اعتبارسنجی kبخشی، ماشین بردار پشتیبان، و شبکه عصبی مصنوعی برای طبقه بندی استفاده شد. نتایج نشان داد که دقت روش اعتبارسنجی kبخشی در طبقه‌بندی نمونه‌های پسته سالم و آلوده بدون در نظر گرفتن مراحل آلودگی و نوع جدایه (99.71 درصد) بالاتر بود. حداکثر دقت طبقه‌بندی الگوریتم‌های توسعه یافته در تشخیص نوع جدایه و مراحل آلودگی 69 تا 91 درصد به دست آمد.

Processing the Hyperspectral Images for Detecting Infection of Pistachio Kernel by R5 and KK11 Isolates of Aspergillus flavus Fungus

Hyperspectral imaging technique as a new and efficient method is applied for detecting infection in agricultural products. It was used for classification of healthy and infected pistachio kernels by Aspergillus flavus fungus with and without considering infection stages. Two different fungus isolates, R5 and KK11 with and without capable of producing aflatoxin, respectively, were individually used to infect the pistachio kernel samples. From 960 to 1700 nm, three effective wavelengths of 1090, 1280, and 1700 nm were selected by principle component analysis method. After feature extraction, Kfold cross validation, support vector machine, and artificial neural network methods were used for classification. The results showed that the classification accuracy of the Kfold cross validation method was higher for classifying the healthy and infected pistachios without considering the infection stages and isolate type (99.71%). The maximum accuracy of the developed algorithms in classification of isolate type and infection stage was obtained as 6991%.