کاربرد فناوری یادگیری ماشین در شناسایی بیماری لکه باکتریایی گوجه فرنگی
نویسندگان
1 دانشگاه پیام نور
2
3
4
5 دانشگاه ارومیه
6 دانشگاه علامه طباطبایی
7 دانشگاه صنعتی امیرکبیر
8 دانشگاه گیلان
doi
10.22034/jam.2025.66015.1319چکیده
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. عکسهای 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 معادل 100 درصد به عنوان سریعترین زمان به منظور جداسازی گیاهان سالم از گیاهان بیمار بدون علائم انتخاب شد.