تشخيص و شمارش آفت پسيل پسته با استفاده از روش بينايي ماشين در آزمايشگاه

Detecting and Counting Pistachio Psylla Pest Using Machine Vision in Laboratory Condition

آفت پسيل از متداول‌ترين‌ آفات‌ موجود در باغ‌هاي پسته مي‌باشد كه هر ساله خسارت‌هاي جبران ناپذيري را به اين باغ‌ها وارد مي‌كند. روش‌هاي معمول شناسايي و شمارش آفات درگياهان كه به صورت بصري هستند بسيار وقت‌گير و پرهزينه است كه علاوه بر صرف نيروي انساني زياد داراي خطاهاي غير قابل كنترلي هم مي‌باشد. در اين پژوهش آفت پسيل پسته با استفاده از روش پردازش تصوير مورد تشخيص و شمارش قرار گرفت. براي اين منظور داده‌ها در ماه‌هاي تير، مرداد و شهريور و در شرايط جمعيتي متفاوت‌ آفت‌ جمع‌آوري شده‌اند. تصاوير توسط دوربين‌هايي با رزولوشن‌هاي مختلف در شرايط نوردهي زياد و كم گرفته شدند. پردازش‌ها با استفاده از نرم افزار Matlab و جعبه ابزار پردازش تصوير آن انجام شده است. به منظور ارزيابي دقت الگوريتم در شناسايي و شمارش آفات، نتايج حاصل با شمارش و شناسايي توسط كاربر در آزمايشگاه مقايسه شدند. دوربين تلفن همراه (MP 20/7) Sony ضريب تبيين0/94 را با نتايج شمارش دستي در داده‌برداري‌هاي مختلف در نوردهي زياد از خود نشان داد. اين ضريب ‌تبيين ‌براي دوربين‌ تلفن همراه(MP13) Samsung عدد 0/91 بود كه نشان دهنده دقت بالاي الگوريتم در شناسايي‌آفات است. درصد طبقه‌بندي نادرست براي دوربين‌هاي مختلف تحت شرايط نوردهي زياد بين 5 تا 18 درصد بدست آمد. نتايج نشان مي‌دهد كه تصاوير گرفته شده توسط دوربين‌هاي معمولي در شرايط نوردهي مناسب مي‌تواند جايگزين روش وقت‌گير شمارش بصري توسط كاربر شود.

Plant diseases and pest damages are one of the main factors that reduce both quality and quantity of final crops and restrict growers profit. Problems in photosynthesis and evapotranspiration may be taken place due to these pathogens. Efforts to apply chemicals or employing other methods for pest and disease control need precise field scouting and experts to identify the problem in a timely manner. Psylla pest is one of the most prevalent pests in pistachio orchards, which causes irreparable damage to orchards every year. In this study, the feasibility of employing machine vision to discriminate and count Pistachio Psylla was evaluated. Field data were collected from research orchards in three different time slots in summer based on pest infestation. The images were taken by various cellphone cameras with different resolutions in high and low controlled lighting conditions. The results of image-based count were compared with manual count by the expert technician in the laboratory. The effect of different light conditions and cameras with different resolutions on pest detection were evaluated by ANOVA test. There was no significant difference between manual count and digital count in high lighting conditions, but the differences in low lighting conditions were significant (p<0.05). The incorrect classification percentage values for low lighting conditions were higher than the ones obtained for high lighting conditions. This could be due to the lower quality of the images, in higher ISO values in low lighting conditions. The results showed that images taken by low-cost cameras in proper light intensity can easily replace the time-consuming and labor-intensive method of manual count.