عنوان فارسی مقاله:تشخیص بیماری پوسیدگی طوقه در گندم در شرایط محیطی کنترل شده با استفاده از تصویربرداری رنگی دیجیتال و یادگیری ماشینی

چکیده

پوسیدگی طوقه یکی از بیماری های قارچی اصلی خاک است که باعث کاهش عملکرد قابل توجهی در صنعت غلات می شود. موثرترین روش مدیریت پوسیدگی طوقه حذف بقایای گیاهی آلوده از مزارع و تناوب محصولات غیر میزبان است. با این حال، غربالگری بیماری چالش برانگیز است زیرا در مراحل اولیه رشد علائم واضح قابل مشاهده در ساقه ها و برگ های بالایی وجود ندارد. روش غربالگری دستی فعلی به متخصصان نیاز دارد که تاج و ریشه گیاهان را برای تشخیص بیماری مشاهده کنند که زمان‌بر، ذهنی، کار فشرده و پرهزینه است. از آنجایی که تصویربرداری رنگی دیجیتال دارای مزایای کم هزینه و استفاده آسان است، پتانسیل بالایی دارد تا یک راه حل اقتصادی برای تشخیص پوسیدگی طوقه باشد. در این تحقیق، یک روش تشخیص بیماری پوسیدگی طوقه با استفاده از دوربین گوشی هوشمند و فناوری‌های یادگیری ماشین توسعه داده شد. چهار رقم گندم معمولی در شرایط گلخانه ای با محیط کنترل شده کشت شدند و تمامی گیاهان گروه آلوده بدون حضور سایر بیماری های گیاهی به پوسیدگی طوقه آلوده شدند. ما از یک گوشی هوشمند برای گرفتن تصاویر رنگی دیجیتال از ساقه های پایینی گیاهان استفاده کردیم. با استفاده از تکنیک‌های پردازش تصویربرداری و الگوریتم ماشین بردار پشتیبان، ما گیاهان آلوده و سالم را با موفقیت از ۱۴ روز پس از آلودگی بیماری تشخیص دادیم. نتایج اولین گام حیاتی به سمت توسعه یک پلت فرم فنوتیپ تصویربرداری رنگی دیجیتال برای تشخیص پوسیدگی طوقه را فراهم می‌کند تا مدیریت بیماری پوسیدگی طوقه را به طور موثر امکان‌پذیر سازد. به عنوان یک روش فنوتیپ با دسترسی آسان، این روش می‌تواند برای محققان برای توسعه یک روش غربالگری بیماری کارآمد و اقتصادی در شرایط مزرعه پشتیبانی کند.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Detecting Crown Rot Disease in Wheat in Controlled Environment Conditions Using Digital Color Imaging and Machine Learning

Abstract

Crown rot is one of the major stubble soil fungal diseases that bring significant yield loss to the cereal industry. The most effective crown rot management approach is removal of infected crop residue from fields and rotation of nonhost crops. However, disease screening is challenging as there are no clear visible symptoms on upper stems and leaves at early growth stages. The current manual screening method requires experts to observe the crown and roots of plants to detect disease, which is time-consuming, subjective, labor-intensive, and costly. As digital color imaging has the advantages of low cost and easy use, it has a high potential to be an economical solution for crown rot detection. In this research, a crown rot disease detection method was developed using a smartphone camera and machine learning technologies. Four common wheat varieties were grown in greenhouse conditions with a controlled environment, and all infected group plants were infected with crown rot without the presence of other plant diseases. We used a smartphone to take digital color images of the lower stems of plants. Using imaging processing techniques and a support vector machine algorithm, we successfully distinguished infected and healthy plants as early as 14 days after disease infection. The results provide a vital first step toward developing a digital color imaging phenotyping platform for crown rot detection to enable the management of crown rot disease effectively. As an easy-access phenotyping method, this method could provide support for researchers to develop an efficiency and economic disease screening method in field conditions.