آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,405 |
| تعداد مقالات | 17,217 |
| تعداد مشاهده مقاله | 55,626,595 |
| تعداد دریافت فایل اصل مقاله | 17,815,487 |
کاربرد فناوری یادگیری ماشین در شناسایی بیماری لکه باکتریایی گوجه فرنگی پیش از ظهور علائم ظاهری با استفاده از تصاویر ابرطیفی | ||
| نشریه مکانیزاسیون کشاورزی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 22 شهریور 1404 اصل مقاله (1.28 M) | ||
| شناسه دیجیتال (DOI): 10.22034/jam.2025.66015.1319 | ||
| نویسندگان | ||
| علی‌محمد شیرزادی‌فر* 1؛ حانیه عباسی2؛ سید‌مهدی نصیری3؛ محمد‌امین زندپور4؛ سید‌محسن تقوی5؛ محمد‌امین نعمت‌اللهی4؛ فاطمه کاظمی2؛ صادق زارعی6 | ||
| 1بخش مهندسی بیوسیستم – دانشکده کشاورزی – دانشگاه شیراز | ||
| 2دانش‌آموخته کارشناسی ارشد، بخش مهندسی بیو سیستم، دانشکده کشاورزی، دانشگاه شیراز، شیراز، ایران | ||
| 3بخش مهندسی بیوسیستم – دانشکده کشاورزی – دانشگاه شیراز – شیراز – ایران | ||
| 4بخش مهندسی بیوسیستم – دانشکده کشاورزی – دانشگاه شیراز – شیراز - ایران | ||
| 5بخش گیاهپزشکی – دانشکده کشاورزی – دانشگاه شیراز – شیراز – ایران | ||
| 6- بخش گیاهپزشکی – دانشکده کشاورزی – دانشگاه صنعتی اصفهان – اصفهان – ایران | ||
| چکیده | ||
| یکی از بیماری‌های مهم در گوجه‌فرنگی بیماری لکه باکتریایی است که با تشخیص به موقع و کنترل آن می‌توان موجب جلوگیری از گسترش آن در سطح مزرعه و کاهش خسارات اقتصادی شد. در این پژوهش از روش غیرمخرب تصویربرداری فراطیفی در محدوده 800-400 نانومتر به منظور تشخیص بیماری لکه باکتریایی گوجه فرنگی حاصل از باکتری Xanthomonas perforans در مراحل اولیه بیماری و پیش از ظهور علائم ظاهری استفاده شد. عکس های ابر طیفی و امضای طیفی نمونه ها در روزهای هفتم، دهم، چهاردهم و نوزدهم پس از مایه زنی جمع آوری شد. در این پژوهش از چهار روش پیش پردازش، تصحیح پراکندگی ضربی ، متغیر نرمال استاندارد ، مشتق اول و مشتق دوم به منظور حذف نوفه‌ها و استخراج اطلاعات مفید برای تحلیل و طبقه بندی داده ها، استفاده شد. سپس طبقه‌بندی گیاه سالم و بیمار و با استفاده از سه الگوریتم جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) وتقویت گرادیان (GBM ) در فناوری یادگیری ماشین انجام شد. با توجه به نتایج بدست آمده در روز هفتم و دهم روش مشتق اول و در روز چهاردهم و نوزدهم دو روش مشتق دوم و تصحیح پراکندگی ضربی تأثیربسیاری بر کیفیت طبقه-بندی گیاهان سالم و بیمار داشت. نتایج حاصل از طبقه‌بندی داده‌ها نشان داد که هر سه الگوریتم RF، SVM و GBM با دقت بیشتر ار 90 درصد به منظور جداسازی دو کلاس گیاه سالم از بیما ارائه کردند. روش SVM با دقتی بالای 97 درصد در تمام روزهای موردنظر، به عنوان بهترین روش به منظور جداسازی گیاهان سالم از گیاهان بیمار بدون علائم ارائه کرد. همچنین روز هفتم پس از مایه زنی ، ترکیب روش SVM با مشتق اول با صحتی معادل001 درصد به عنوان سریعترین زمان به منظور جداسازی گیاهان سالم از گیاهان بیمار بدون علائم انتخاب شد. | ||
| کلیدواژه‌ها | ||
| بیماری لکه باکتریایی؛ تصویربرداری فراطیفی؛ گوجه فرنگی؛ یادگیری ماشین؛ ماشین بردار پشتیبان | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1 |
||