| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,188 |
| تعداد مقالات | 35,336 |
| تعداد مشاهده مقاله | 51,471,982 |
| تعداد دریافت فایل اصل مقاله | 91,335,166 |
تشخیص آفت سوسک چهار نقطهای حبوبات توسط تکنیک پردازش تصویر و شبکه عصبی مصنوعی | ||
| آفات و بیماری های گیاهی | ||
| مقاله 9، دوره 88، شماره 1 - شماره پیاپی 110، شهریور 1399، صفحه 103-112 اصل مقاله (832.25 K) | ||
| نوع مقاله: حشره شناسی کشاورزی | ||
| شناسه دیجیتال (DOI): 10.22092/jaep.2020.341684.1324 | ||
| نویسندگان | ||
| داود محمدزمانی* 1؛ سامان سجادیان2؛ سید محمد جاویدان3 | ||
| 1داﻧﺸﮕﺎه آزاد اﺳﻼﻣﻲ واﺣﺪ ﺗﺎﻛﺴﺘﺎن، ﮔﺮوه ﻣﻬﻨﺪﺳﻲ ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ ﻛﺸﺎورزی ، ﺗﺎﻛﺴﺘﺎن، اﻳﺮان | ||
| 2دانش آموخته داﻧﺸﮕﺎه آزاد اﺳﻼﻣﻲ واﺣﺪ ﺗﺎﻛﺴﺘﺎن، ﮔﺮوه ﻣﻬﻨﺪﺳﻲ ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ ﻛﺸﺎورزی ، ﺗﺎﻛﺴﺘﺎن، اﻳﺮان | ||
| 3داﻧﺸﮕﺎه تربیت مدرس، ﮔﺮوه ﻣﻜﺎﻧﻴﻚ ﺑﻴﻮﺳﻴﺴﺘﻢ، تهران، اﻳﺮان | ||
| چکیده | ||
| با توجه بهسرعت و دقت بالای تشخیص هوشمند آفات در محصولات انباری، در این پژوهش تشخیص آفت سوسک چهار نقطهای حبوبات توسط تکنیک پردازش تصویر با بهرهگیری از شبکههای عصبی مصنوعی انجام شده است. برای تهیه تصاویر مناسب، جعبهای شیشهای تهیه و دانههای نخود در مرکز جعبه قرار داده شد. سپس از شش وجه به آن نور تابانده و از تمامی وجوه توسط یک دوربین دیجیتال، از آن عکسبرداری انجام شد. سپس ویژگی تصاویر شامل بافت و لبهها توسط موجک گابور با بکارگیری نرمافزار MATLAB استخراج و بهعنوان دادههای آموزشی به شبکه عصبی مصنوعی معرفی شدند. برای آموزش شبکه از 69 تصویر نخود آسیب دیده توسط سوسک چهارنقطهای حبوبات و 59 نخود سالم استفاده شد. سپس برای ارزیابی شبکه، یک دسته از دادهها که در آموزش شبکه هیچ نقشی نداشتهاند به عنوان دادههای آزمون، به شبکه اعمال شد و نتایج آن بررسی شد. در این پژوهش از شبکههای عصبی پرسپترون و المن استفاده شد که شبکه پرسپترون نتایج بهتری نسبتبه شبکه المن داشت. روش پیشنهادی با 17/6 درصد خطای عدم تشخیص و 86/4 درصد خطای تشخیص اشتباه، توانست با نرخ بالایی نخودهای آسیب دیده را آشکارسازی نماید. پس از پردازش تصویر توسط شبکه عصبی و تشخیص نقاط آسیب، میزان آسیب محصول نیز محاسبه شد. بدینمنظور، سطح آسیب تشخیص داده شده محاسبه و مقدار آن بر مساحت سطح کل دانه نخود تقسیم و درصد آسیب دانهها برابر با 3/2 درصد برآورد شد. | ||
| کلیدواژهها | ||
| پردازش تصویر؛ سوسک چهار نقطهای؛ شبکه عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| DDetection of Callosobruchus maculatus F. with image processing and artificial neural network | ||
| نویسندگان [English] | ||
| davood mohamadzamani1؛ saman sajadian2؛ seyed mohamad javidan3 | ||
| 1Department of Biosystems Engineering, Islamic Azad University,Takestan Branch, Takestan, Iran | ||
| 2Graduated student of Biosystems Engineering, Islamic Azad University,Takestan Branch, Takestan, Iran | ||
| 3Department of Biosystems Engineering, Tarbiat Modares University, Tehran, Iran | ||
| چکیده [English] | ||
| Due to the high speed and accuracy of intelligent pest detection in warehouse products, in this study, the detection of chickpea four-point beetle pest was simulated by image processing technique using artificial neural networks. To prepare the images, a glass box was prepared and the chickpea seeds were placed in the center of the box. The light was then illuminated from all six sides and photographed with a digital camera from all sides. The image properties were then extracted by Wavelet Gabor using MATLAB software and applied to the ANN as training data. To train the network, 69 images of chickpeas damaged and 59 healthy chickpeas were used. Then, to evaluate the network, a set of data that did not play a role in network training as test data was applied to the network and its results were evaluated. In this study, Perceptron and Elman neural networks were used which had better results than Elman network. The proposed method was able to detect the high rate of damaged with 6.17% non-detection error and 4.86% error-detection error. After image processing by the neural network and detection of damage points, the amount of crop damage was also calculated. For this purpose, the level of detected damage was calculated and divided by the area of total area of chickpea seed and percentage of damage. After identifying the injury sites, the damage was estimated 2.3% in the studied images. | ||
| کلیدواژهها [English] | ||
| Artificial neural network, bean, Callosobruchus Maculatus F, image processing | ||
| مراجع | ||
|
Arbab, A., 2011. Agronomy of Agricultural Crops and their Management, Islamic Azad University Press. Bagheri Zenuz, E. 1996. Pests of warehouse products and methods of control, Publisher Sepehr. P:328 Cao, Y., Zhang, C., Chen, Q., Li, Y., Qi, S., Tian, L., and Ren, Y. 2014. Identification of species and geographical strains of Sitophilus oryzae and Sitophilus zeamais using the visible/near-infrared hyperspectral imaging technique. Pest Management Science, 71(8), 1113–1121. Daneshmand Vaziri, M., Rajabipour, A., Omid, M. 2017. Investigate the possibility of using the Wireless Sensor Network (WSN) and image processing in surveillance and timely detection of greenhouse whitefly pests. Iranian Biosystems Engineering. 49. N: 3. Dowell FE., Throne JE, Wang D. and Baker JE, 2019. Identifying stored grain insects using near infra red spectroscopy. Journal of Economic Entomology 92: 165–169. Kaliramesh, S., Chelladurai, V., Jayas, D. S., Alagusundaram, K., White, N. D. G., and Fields, P. G. 2013. Detection of infestation by Callosobruchus maculatus in mung bean using near-infrared hyperspectral imaging. Journal of Stored Products Research, 52, 107–111. doi: 10.1016/ j.jspr.2012.12.005. Minhaj, M.B. 2018.Fundamentals of neural networks. Amirkabir University publisher. p 716. Pour Hossein, A., 2011. Application of image processing in plant pest identification. Khademi, M. and Davood Jafari, 1383. Digital Image Processing, Ferdowsi University of Mashhad Publications. Shakarami, J. Kamali, K. Moharramipour, S. and Meshkatassadt. M. H. 2004. Effects of Three Plant Essential Oils on Biological Activity of Callosobruchus maculatus F. (Coleoptera: Bruchidae). Iranian Journal of Agricultural Science Vol. 35, No. 4. Taheri, M. S. 1995. Study of food preference and comparison of life cycle of cowpea weevils on various Iranian peas. Applied Entomology and Phytopathology 63 (1, 2), 1- 8. [In Persian with English Summary. Thenmozhi, K., and Reddy, U.S. 2017. Image processing techniques for insect shape detection in field crops. 2017 International Conference on Inventive Computing and Informatics (ICICI), 699-704. Weissy, H., 2009. Neural Networks, Architecture of Algorithms and Applications, Nas Publishing. Zhu, Z., Zang, Y., Shen, B., Xuecheng Zhou, and Luo, X. 2010. Detection of cowpea weevil (Callosobruchus maculatus (F.)) in soybean with hyperspectral spectrometry and a backpropagation neural network. 2010 Sixth International Conference on Natural Computation. doi:10.1109/icnc.2010.5583638 | ||
|
آمار تعداد مشاهده مقاله: 1,096 تعداد دریافت فایل اصل مقاله: 655 |
||