بررسی امکان استفاده از شبکه حسگر بیسیم (WSN) و پردازش تصویر در دیده بانی و تشخیص به موقع آفت مگس سفید گلخانه

Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 144

This Paper With 14 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_IJBSE-49-3_006

تاریخ نمایه سازی: 31 اردیبهشت 1402

Abstract:

مدیریت تولید محصولات گلخانه­ای نیازمند دانش کنترل بسیاری از عوامل محیطی ، تغذیه گیاهی و مبارزه با آفات و بیماری­های گیاهی است. یکی از مهمترین فعالیت­ها در فرآیند تولید محصولات گلخانه­ای شناخت و مبارزه با آفات می­باشد. از جمله روش های اثر بخشی سموم و کاهش میزان مصرف آنها خصوصا در مورد سموم کنترل کننده آفات حشره­ای، پیش آگاهی و اطلاع از تراکم جمعیتی آفات است. فناوری شبکه های حسگر بیسیم (WSN) از جمله فناوری های نوینی است که به منظور حس کردن محیط و جمع آوری و انتقال اطلاعات به سمت کاربر یا ایستگاه مرکزی برای مشاهده و عکس العمل مناسب با رخداد یا پدیده ای بکار برده می شوند.در تحقیق حاضر، امکان استفاده از WSN در دیده بانی و تشخیص به موقع آفت مگس سفید گلخانه و تهیه و ترسیم نقشه آلودگی گلخانه مورد بررسی قرار گرفت. برای این منظور تعداد ۳۷۵۰ تصویر از ۱۵ تله چسبی نصب شده در گلخانه­ ای با محصول طالبی در مرکز تحقیقات و آموزش جهاد کشاورزی اصفهان  که به مگس سفید آلوده شده بودند تهیه و به صورت خودکار با استفاده از  WSN و به صورت بیسیم به رایانه واقع در فاصله ۹۰۰ متری از گلخانه انتقال می یافت. تصاویر رنگی تله های چسبی که به کمک ۱۵ دوربین تصویر برداری تهیه شدند با استفاده از نرم افزار متلب به تصاویر خاکستری تبدیل شده و بعد از بخش بندی توسط الگوریتم ماشین بردار پشتیبان ( SVM ) و بر اساس ویژگی های تصاویر، به دو دسته تصاویر دارای آفت مگس سفید و فاقد مگس سفید طبقه بندی شدند. پس از شناسایی آفت مگس سفید، تعداد آفات تصاویر شمارش شده و با توجه به تعداد آنها با استفاده از نرم افزار ArcMap۱۰.۲  نقشه آلودگی گلخانه ترسیم گردید. با ارزیابی سامانه نتایج نشان داد که دقت الگوریتم SVM برای طبقه بندی تصاویر تله های چسبی برابر ۷۳/۹۷ درصد است و میانگین مقادیر شاخص های آماری ماتریس اغتشاش برای ۱۵ تله چسبی شامل حساسیت، صحت، اختصاصی بودن و دقت طبقه بندی به ترتیب ۴۶/۹۸، ۳۱/۸۶، ۰۸/۹۹ و ۷۲/۹۷ درصد می باشد. میانگین دقت کلی سامانه در تشخیص و شمارش تعداد مگسهای سفید به دام افتاده در تله های چسبی ۷۱/۹۷ درصد می باشد. محاسبه ریشه میانگین مربعات خطا (RMSE) در برآورد تعداد مگس سفید به روش پردازش تصویر و شمارش مستقیم بین ۱ تا ۰۳/۵ متغیر بود. لذا استفاده از این سامانه برای تشخیص و ردیابی و شمارش تعداد مگس های سفید به دام افتاده مناسب است و می توان با ترسیم نقشه آلودگی گلخانه برنامه ریزی مناسب جهت مبارزه با آفت مذکور انجام داد.

Authors

محسن دانشمند وزیری

دانشجوی دکترا، گروه مهندسی مکانیک ماشین های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

علی رجبی پور

استاد، گروه مهندسی مکانیک ماشین های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

محمود امید

استاد، گروه مهندسی مکانیک ماشین های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Akash, J. U., Ingole, P. V. (۲۰۱۴). Automatic Monitoring of ...
  • Azfar, S., Nadeem,A. &Basit, A. (۲۰۱۵). Pest detection and control ...
  • Danish, G. M., Niaz Kh., Y.(۲۰۱۵). Early Pest Detection from ...
  • Doddy, T. H., Yeni, H., MSi, M., Aunu, R. (۲۰۱۳). ...
  • Gaurav, K. A.V., Deorankar, P.N.Ch. (۲۰۱۴). Classification of Agricultural Pests ...
  • Gaurav, Y. K., Deorankar,A.V., Chatur, Dr.P.N. (۲۰۱۴). A Review of ...
  • Gods, S. ,Vahhab, S. (۲۰۱۶). A novel automated image analysis ...
  • Jayme, G., Arnal, B. (۲۰۱۴). Using digital image processing for ...
  • Jongman, Ch., Junghyeon, Ch.,Mu, Q., Chang-woo, J., Hwang-young K., Ki-baik ...
  • Manoja M. , RajalakshmiJ. , Early Detection of Pests on ...
  • Monika, W., Gohokar,V.V., Arti, Kh. (۲۰۱۵). Agriculture Pest Control Using ...
  • Paul, B., Vincent, M., Sabine, M. (۲۰۰۸).A Cognitive Vision Approach ...
  • Pokharkar. S. R. , ThoolV. R. b., (۲۰۱۲) . Early ...
  • Pourdarbani, R., Rezaei, B. (۲۰۱۱).Automatic Detection of Greenhouse Plants Pests ...
  • Rajeswary, B., Divya, S. (۲۰۱۵). Identification and Classification of Pests ...
  • Rupesh, G. M., Gohokar, V. V. (۲۰۱۳). Detection and Classification ...
  • Sitaram, L., Dixit, V. (۲۰۱۳).Pest Detection on Leaves Using Poission’sThresholding ...
  • Sreelakshmi M. , Padmanayana , Early Detection and Classification of ...
  • Thulasi, P. C., Praveen, K., Srividya, A. (۲۰۱۳) .Monitoring Of ...
  • نمایش کامل مراجع