از پیکسل تا تغذیه: تخمین آهن برگ با استفاده از شبکه‌های عصبی مبتنی بر تصویر

پذیرفته شده برای ارائه شفاهی

کد مقاله : 1612-ISSC19

دانشگاه ارومیه

کمبود آهن یکی از مهم‌ترین عوامل محدودکننده در تولید محصولات باغی به‌ویژه در خاک‌های آهکی است. در این مطالعه، یک رویکرد مبتنی بر هوش مصنوعی و پردازش تصویر برای تخمین آهن فعال موجود در برگ‌های انگور توسعه داده شد. نمونه‌های برگ با درجات مختلف کمبود آهن با روش جذب اتمی برای اندازه‌گیری آهن فعال مورد استفاده قرار گرفتند و و تصاویر آنها تحت شرایط نوری کنترل‌شده ثبت و ذخیره گردیدند. پس از اعمال پردازش اولیه، ویژگی‌های آماری رنگ از کانال‌های مختلف رنگی استخراج و رابطه آن‌ها با غلظت آهن فعال بررسی شد. نتایج نشان داد که مدل شبکه عصبی با استفاده از ویژگی‌های استخراج شده از کانال‌های رنگی S و I، به بالاترین دقت دست یافت. مدل توسعه داده‌شده با استفاده از ویژگی‌های مؤثر شناسایی‌شده، با ساختار 1-22-4 توانست میزان آهن فعال را با دقت‌های 92/0 برای کل داده‌ها پیش‌بینی کند. این رویکرد می‌تواند به عنوان جایگزینی مؤثر، سریع و مقرون‌به‌صرفه برای روش‌های سنتی آزمایشگاهی در تشخیص کمبود آهن برگ در تاکستان‌ها مورد استفاده قرار گیرد و زمینه‌ساز توسعه ابزارهای هوشمند کشاورزی شود.

کمبود آهن؛ برگ انگور؛ هوش مصنوعی؛ شبکه عصبی؛ ویژگی رنگی

فناوری داده‌ و هوشمندسازی اطلاعات خاک