تشخيص كمبود آهن در هلو با استفاده از پردازش تصوير و مدل شبكه عصبي مصنوعي

پايش سريع و دقيق شرايط تغذيه‌اي باغ‌ هاي ميوه براي توصيه بهينه كودي يك بخش حياتي در بهبود عملكرد و افزايش كيفيت محصولات كشاورزي است. روش‌هاي آزمايشگاهي فعلي مورد استفاده براي وضعيت تغذيه درختان ميوه گران، دشوار، زمان‌بر و نيازمند فرد متخصص هستند. اين تحقيق به منظور تعيين ميزان كمبود آهن در درختان هلو، روش پردازش تصوير و مدل شبكه عصبي استفاده شد. يك پايگاه داده شامل 800 تصوير از نمونه‌هاي برگ هلو در ابتدا تهيه و تصاوير با استفاده از روش خوشه‌بندي KNN در چهار كلاس بدون كمبود، كمبود كم، كمبود متوسط و كمبود شديد طبقه‌بندي شدند. عمليات پيش‌پردازش، استخراج ويژگي‌ها و مدل‌سازي با استفاده از شبكه عصبي در نرم‌افزار متلب نسخه 2017 انجام گرفت. ويژگي‌هاي ميانگين و انحراف معيار از مولفه‌هاي فضاهاي رنگي RGB، HSV و Lab هر تصوير استخراج شدند و سپس الگوريتم آناليز مولفه اصلي (PCA) بر روي بردار ويژگي اعمال شد. براي تعيين ساختار بهينه شبكه معيارهاي دقت، صحت، بازيابي و معيار F براي تعيين تعداد ورودي‌هاي بهينه و تعداد نورون‌هاي متناظر با هر تركيب ويژگي‌هاي ورودي (PCها) استفاده شد. نتايج نشان داد كه مدل شبكه عصبي با ساختار 4 – 36 – 6 قادر است با دقت (0.54 ± 89.73 %)، صحت (0.57 ± 89.59 %)، بازيابي (0.51 ± 89.52 %) و معيار F (0.54 ± 89.55 %) ميزان سطح كمبود آهن در برگ درخت هلو را تشخيص دهد. نتايج بدست آمده از ماتريس اغتشاش و مدل توسعه داده شده نشان داد كه اين روش قادر است با كارايي بالا شدت كمبود آهن در برگ‌ درختان هلو را تشخيص دهد.