تشخيص آلودگي قارچي در غده سيب‌زميني با استفاده از تصويربرداري حرارتي

Fungal Infection in Potato Tuber Using Thermal Imaging

پوسيدگي خشك سيب‌زميني يكي از خسارت‌زاترين بيماري‌هاي غده‌هاي سيب‌زميني است كه عامل اصلي آن قارچ فوزاريوم سولاني است. براي جلوگيري از توسعه بيماري پوسيدگي خشك سيب‌زميني و كاهش تلفات آن، بايد قارچ عامل شناسايي و از بين برده شود. روش‌هاي معمول در تشخيص آلودگي‌ قارچي زمان‌بر، پرهزينه و مشكل هستند. در اين تحقيق يك روش سريع و قابل اطمينان مبني بر فناوري گرمانگاري فعال براي تشخيص غده‌هاي سالم و آلوده و هم‌چنين براي طبقه‌بندي مرحله آلودگي (آلوده يك روزه تا نه روزه) ارائه شده است. در گرمانگاري فعال دو سطح دماي گرم‌كن و چهار سطح زمان خنك شدن نمونه لحاظ شد. نتايج تجزيه واريانس و مقايسه ميانگين اختلاف دماي سطح غده‌هاي سالم و آلوده نشان داد كه دماي 90 درجه سانتي‌گراد گرم‌كن و خنك شدن 40 ثانيه نمونه‌ها بهترين تيمار براي داشتن بيشترين اختلاف بين ‌غده‌هاي سالم و آلوده است. براي ارزيابي طبقه بند شاخص‌هاي آماري نظير دقت، صحت، حساسيت و اختصاصي بودن محاسبه شد. دقت كلي طبقه بند 96/67 % بود. نتايج تحقيق حاضر نشان داد كه روش ارائه شده در اين تحقيق يكي از روش‌هاي توانمند بينايي ماشين در تشخيص كيفيت و سلامت مواد غذايي و محصولات كشاورزي است.

Potato dry rot is one of the most detrimental diseases affecting on potato tubers caused by Fusarium Solani fungus. In order to prevent the expansion of potato dry rot and the losses caused by this disease, the fungi must be detected and destroyed. The common methods for detecting contaminations are time-consuming, expensive and painstaking. In this study, a fast and reliable method has been presented based on active thermography technology. This method was used to detect the healthy tubers from contaminated ones and to classify the different stages of contamination (1 to 9 day after infection). In the active thermography, two heating temperature levels and four cooling time levels were applied on the samples. The results of variance analysis and compare mean of the average temperature differences between the surfaces of the healthy and contaminated tubers indicated that 90 oC heating temperature and 40 s cooling time of the samples was the best treatment for detecting healthy and contaminated tubers. For evaluating the classifier performance, statistical indicators such as accuracy, precision, sensitivity and specificity were calculated. The total accuracy of the classifier was 96.67%.