شناسایی و طبقه بندی هوشمند کمبود مواد مغذی در درختان پسته با استفاده از ماشین بردار پشتیبان

کمبود مواد مغذی، یکی از چالش های اساسی در رشد درختان و گیاهان است. برای افزایش تولید محصولات با کیفیت، شناسایی به موقع کمبود مواد مغذی امری ضروری است. انجام ندادن به موقع این مهم موجب کاهش بهره وری و وارد شدن خسارات بعضا جبران ناپذیر برای کشاورزان خواهد شد. روش سنتی برای این کار، بررسی چشمی برگ، تجزیه خاک و روش های آزمایشگاهی است، که به افراد خبره و وقت و هزینه های زیادی نیاز دارد. این روش در اغلب موارد مقرون به صرفه نیست. در دنیای امروز استفاده از هوش مصنوعی و یادگیری ماشین در تمامی حوزه های مختلف بسیار مورد توجه قرار گرفته است. در این پژوهش ضمن جمع آوری داده و برچسب گذاری آن ها، یک روش خودکار و هوشمند مبتنی بر پردازش تصویر و یادگیری ماشین برای تشخیص کمبود مواد مغذی در درختان پسته ارایه شده است. در ابتدا با تصویربرداری از برگ های مختلف، داده های مناسب جمع آوری و برچسب گذاری شده است تا سیستم هوشمند آموزش داده شود. مراحل اصلی در سیستم پیشنهادی شامل: پیش پردازش، شناسایی نواحی دارای کمبود، استخراج ویژگی و طبقه بندی نوع کمبود در هر ناحیه است. در مرحله استخراج ویژگی از خصوصیات آماری رنگ تصویر ازجمله میانگین، انحراف معیار، آنتروپی، مقدار موثر، واریانس و همچنین ویژگی های بافت تصویر مانند همواری، کنتراست، همبستگی و انرژی بهره گرفته شده است. در نهایت به وسیله ی طبقه بندی کننده معروف ماشین بردارپشتیبان، کمبود ها طبقه بندی شده است. ارزیابی های انجام شده بر روی داده های واقعی، کارایی سیستم پیشنهادی با دقت ??% و موثر بودن آن برای کاربردهای واقعی را نشان می دهد.