بررسي طبقه‌بندي تغيير رنگ برگ گياه پونه در اثر جذب فلزات سنگين به روش شبكه عصبي مصنوعي (ANN) و پردازش تصوير

Investigation of Pennyroyal Plant Leaf Discoloration Classification in the Effect of Heavy Metals Absorption by Using Artificial Neural Networks (ANN) and Image Processing

روش هاي مختلفي براي حذف و تشخيص فلزات سنگين موجود در محيط زيست پيشنهاد شده كه اكثر آن ها زمان بر و پرهزينه مي باشند. در اين ميان گياه پالايي زمان و هزينه كمتري نسبت به ساير روش ها براي حذف فلزات سنگين از محيط، نياز دارد. در تحقيق حاضر به منظور تعيين آلودگي گياه پونه به سه فلز سنگين سرب، نيكل و كادميوم از روش پردازش تصوير به كمك تلفن همراه هوشمند استفاده شد. تعداد سي عدد از اين گياه در سي گلدان در پرليت كاشته شد. به مدت 28 روز، هر روز از اين گياهان به دو حالت تصويربرداري در داخل جعبه و تصويربرداري تماسي به كمك گوشي تلفن همراه عكس برداري شد. براي عمليات پردازش تصوير و شبكه ي عصبي مصنوعي از محيط برنامه نويسي نرم افزار متلب R2017b استفاده شد. براي تعيين ساختار شبكه عصبي مصنوعي تعداد 12 نورون شامل (قرمز، سبز و آبي از فضاي رنگي RGB، هيو، اشباع و روشنايي از فضاي HSB، درخشندگي، كروماي آبي و كروماي قرمز از فضاي رنگي YCbCr و روشني، قرمز/سبز و زرد/آبي از فضاي رنگ L*a*b*) به عنوان لايه ورودي و براي لايه خروجي يك بار 4 نورون شامل (سرب، نيكل، كادميوم و شاهد) بار ديگر 2 نورون (شامل آلوده به فلز سنگين و شاهد) در هر دو نوع تصويربرداري جعبه و تماسي در نظر گرفته شدند و بهترين شبكه شناسايي و ماتريس اغتشاش به دست آورده شد.

Various methods are suggested for the removal and detection of heavy metals in the environment, most of which require a lot of time and money. Therefore, phytoremediation is a method that requires less time and money than other methods to remove heavy metals from the environment. In the present study, the image processing technique by smart mobile phone was used to determine the contamination of pennyroyal hyper accumulator plants by three heavy metals lead, nickel, and cadmium. Thirty plants were planted in thirty pots in perlite. For 28 days, these plants were photographed by mobile phones, both inside the box and contact imaging. Matlab R2017b software environment was used for image processing and artificial neural network operations. To determine the structure of artificial neural network, 12 neurons (Includes red, green and blue of RGB color space, hue, saturation and brightness of HSB color space, luminosity, blue Chroma and red Chroma of YCbCr color space and bright, red/green and bright yellow/blue L*a*b* color space) neurons as input layer and 4 neurons for output layer once (includes lead, nickel, cadmium, and control) again 2 neurons (containing heavy metal and control) in the output layer, both box and contact images were considered and the best network structure was identified.