عنوان دوره: بیست و دومین کنگره گیاهپزشکی ایران

اعظم سلیمانی؛ سید محمد رضوی؛ حمید روحانی؛ عصمت مهدیخانی مقدم

بیماری سفیدک پودری هلو توسط قارچ Sphareotheca pannosa var.persica ایجاد می‌شود. پس از باز شدن برگ‌ها، لکه‌هایی به‌رنگ سفید در سطح بالایی و گاهی زیرین دیده می‌شوند. سپس سطح لکه‌ها کمی وسیع‌تر شده و برگ در محل لکه‌ها سبز کم‌رنگ و مایل به قهوه‌ای می‌شود. به‌تدریج لکه‌های برگ بزرگ‌تر می‌شوند و تغییر رنگ اپیدرم بیشتر شده و بافت برگ در محل لکه‌ها کمی برجستگی یا فرورفتگی پیدا می‌کند، سپس برگ چین‌دار شده و مشابه حالتی می‌شود و دو نیم پهنک حول رگبرگ اصلی به سمت بالا برگشته، پیچ و تاب می‌خورند و بیشتر سطح برگ پوشیده از لایه آردی شکل قارچ بوده و پهنک برگ در آن قسمت‌ها قهوه ای است. در این مقاله برای شناسایی این بیماری از فناوری پردازش تصویر و قدرت یادگیری شبکه‌ی عصبی استفاده شده است. پردازش تصویر به فرایند تحلیل و آنالیز تصویر به صورت دیجیتالی و شبکه‌ی عصبی به مدلی برای یادگیری الگوهای مختلف گفته می‌شود. برای تهیه عکس‌های مختلف از این بیماری از 160 نمونه مختلف با فاصله30 سانتی‌متر که بهترین فاصله برای عکس‌برداری است، تصویر تهیه شد. نمونه‌ها شامل 80 نمونه بیمار و 80 نمونه سالم هستند. پس از انجام پیش‌پردازش‌های لازم بر روی عکس‌ها و حذف علائم زائد و داده‌های غیر قابل استفاده، الگوریتم پردازش تصویر مناسب برای شناسایی ویژگی‌های مختلف نمونه‌ها طراحی و پیاده‌سازی شد. از جمله ویژگی‌هایی که از طریق این الگوریتم از تصویر نمونه‌ها استخراج می‌شود عبارتند از مساحت بیماری، تیرگی، رنگ و رنگ محل تلاقی با نواحی سالم. پس از استخراج بیش از 10 ویژگی مختلف برای این بیماری از تصاویر به‌دست آمده، از شبکه‌ی عصبی با انتشار به‌عقب برای یادگیری این الگوها و انطباق آن با بیماری یا عدم بیماری نمونه استفاده شد. ساختار کلی شبکه‌ی عصبی طراحی شده چند لایه و با انتشار به‌عقب بوده است. دلیل استفاده از این نوع شبکه‌ی عصبی، اصلاح وزن‌های یادگیری در هر تکرار و افزایش دقت تصمیم‌گیری و یادگیری آن باتوجه به نوع بیماری نمونه‌های است. از مجموعه 160تصویر تهیه شده، 130تصویر برای آموزش شبکه‌ی عصبی طراحی شده و 30 تصویر برای آزمون این شبکه‌ی عصبی استفاده شده‌اند. دو مجموعه آزمون و آموزش نیز به روش cross-validation مورد استفاده قرار گرفته‌اند تا نتایج به‌دست آمده دقیق‌تر و به واقعیت نزدیک‌تر باشد. نتایج نشان می‌دهند که دقت روش پیشنهادی %79/96 است. یعنی در تشخیص نمونه بیمار از نمونه سالم در %79/96 حالت به‌درستی تشخیص می‌دهد. اهمیت این نتایج در این است که با استفاده از الگوی طراحی شده در این مقاله، امکان شناسایی این نوع از بیماری‌های هلو به‌صورت خودکار، بسیار آسان، کم‌هزینه و با دقت بسیار بالا انجام می‌شود، امری که در صنعت به‌دلیل کمبود وقت برای شناسایی همه نمونه‌های آلوده در حجم انبوهی از یک نمونه، بسیار حائز اهمیت است.

سفیدک پودری هلو؛ شبکه عصبی؛ پردازش تصویر