پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,693 |
| تعداد مقالات | 72,239 |
| تعداد مشاهده مقاله | 129,221,604 |
| تعداد دریافت فایل اصل مقاله | 102,050,856 |
توسعه یک مدل مبتنی بر شبکه عصبی مصنوعی برای تخمین میزان آهن فعال در برگ انگور | ||
| تحقیقات آب و خاک ایران | ||
| مقاله 10، دوره 55، شماره 11، بهمن 1403، صفحه 2145-2156 اصل مقاله (1.55 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2024.377062.669720 | ||
| نویسندگان | ||
| شبنم فیروزی1؛ ابراهیم سپهر* 2؛ آیدین ایمانی2؛ سلیمان حسین پور3 | ||
| 1گروه علوم خاک، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران. | ||
| 2گروه علوم خاک، دانشکده کشاورزی، دانشگاه ارومیه، ارومیه، ایران | ||
| 3استادیار گروه مهندسی ماشینهای کشاورزی، دانشکده مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| چکیده | ||
| آهن یک عنصر ضروری در فرآیند رشد گیاهان است که نقش حیاتی در تولید کلروفیل دارد. کمبود آهن یکی از محدودیت‌های جدی در باغ‌های انگور است که می‌تواند عملکرد و کیفیت محصول را به طور قابل توجهی تحت تاثیر قرار دهد. استفاده از روش‌های نوین مانند پردازش تصویر دیجیتال، علاوه بر دقت بالا، با کاهش نیاز به انجام آزمایش‌های گران‌قیمت و وقت‌گیر آزمایشگاهی، موجب کاهش هزینه‌ها و تسریع فرایند تصمیم‌گیری مبتنی بر داده در مدیریت باغ می‌شود. هدف این مطالعه توسعه یک سامانه مبتنی پردازش تصویر و شبکه عصبی برای تخمین آهن فعال موجود در برگ گیاه انگور است. بدین منظور، 55 نمونه برگ با سطوح مختلف کمبود آهن از باغ‌های اطراف شهرستان ارومیه جمع‌آوری و مورد آزمایش قرار گرفت. میزان آهن کل و آهن فعال در نمونه‌ها با استفاده از روش جذب اتمی اندازه‌گیری شده و تصاویر برگ‌ها در شرایط نوری کنترل شده ثبت و مورد پردازش قرار گرفتند. ویژگی‌های آماری از تصاویر استخراج و همبستگی آنها با مقادیر آهن فعال و آهن کل مورد بررسی قرار گرفت. در نهایت ویژگی‌های برتر برای پیش‌بینی میزان آهن با استفاده از شبکه عصبی مصنوعی چند لایه استفاده شد. نتایج رگرسیون خطی نشان داد که میزان آهن فعال برگ با مولفه‌های رنگی R، G، H و S به ترتیب دارای همبستگی 64/0، 58/0 و 54/0 و 45/0 است ولی مقدار آهن کل دارای همبستگی با تغییرات رنگ برگ نیست. مدل شبکه عصبی با ساختار بهینه 1-9-8 قادر به پیش‌بینی داده‌های بدست آمده از دستگاه جذب اتمی با دقت 83/0، 88/0 و 84/0 به‌ترتیب برای داده‌های آموزش، تست و کل داده‌ها بود. در نهایت می‌توان نتیجه گرفت که روش پردازش تصویر به عنوان یک ابزار موثر و قابل اعتماد در مدیریت بهینه تغذیه گیاهان و تشخیص سریع کمبود آهن می‌تواند مورد استفاده قرار گیرد. | ||
| کلیدواژه‌ها | ||
| تخمین آهن؛ برگ انگور؛ شبکه عصبی مصنوعی؛ پردازش تصویر | ||
| عنوان مقاله [English] | ||
| Development of an artificial neural network-based model for estimating the active iron content in grape leaves | ||
| نویسندگان [English] | ||
| Shabnam Firuzi1؛ Ebrahim Sepehr2؛ Aydin Imani2؛ soleiman hossein pour3 | ||
| 1Dept. of Soil Science, Faculty of Agriculture, Urmia University, Urmia, Iran | ||
| 2Department of Soil Science, Urmia University, Urmia, Iran | ||
| 3Assistant Professor, Department of Agricultural Machinery Engineering, Faculty of Agricultural Engineering and Technology, College of Agriculture and Natural Resources, University of Tehran, Karaj: Iran | ||
| چکیده [English] | ||
| Iron is an essential element in the growth process of plants and plays a crucial role in chlorophyll production. Iron deficiency is a serious limitation in vineyards that can significantly affect both the yield and the quality of the crop. The use of modern methods such as digital image processing not only increases precision but also reduces the need for costly and time-consuming laboratory testing, thereby lowering costs and speeding up data-driven decision-making processes in orchard management. The aim of this study is to develop a system based on image processing and neural networks to estimate the active iron content in grape leaves. For this purpose, 55 leaf samples with different levels of iron deficiency were collected and analyzed from vineyards around Urmia. The total and active iron content in the samples was measured using atomic absorption spectroscopy and the leaves were photographed and processed under controlled light conditions. Statistical features were extracted from the images and their correlation with active and total iron content was analyzed. Finally, the best features were used to predict iron content using a multilayer artificial neural network. The results of the linear regression show that active iron correlates with the R, G, H, and S color channels with coefficients of 0.64, 0.58, 0.54, and 0.45, respectively, and that total iron does not correlate with the changes in leaf color. The neural network with an optimized structure of 8-9-1 was able to predict the data from the atomic absorption device with an accuracy of 0.83, 0.88, and 0.84 for training, test, and all data, respectively. In summary, image processing can be effectively and reliably used as a tool for optimal plant nutrition management and rapid diagnosis of iron deficiency. | ||
| کلیدواژه‌ها [English] | ||
| Iron estimation, Grape leaves, Artificial neural network, Image processing | ||
| مراجع | ||
|
Arnal Barbedo, J. G. (2013). Digital image processing techniques for detecting, quantifying and classifying plant diseases. SpringerPlus, 2(1), 660. doi: https://doi.org/10.1186/2193-1801-2-660 Asraf, H. M., Nooritawati, M. T., & Rizam, M. S. (2012). A comparative study in kernel-based support vector machine of oil palm leaves nutrient disease. Procedia Engineering, 41, 1353-1359. doi: https://doi.org/10.1016/j.proeng.2012.07.321 Bienfait, H. F., & Mark, F. V. D. (1983). Phytoferritin and its role in iron metabolism. In: Metals and Micronutrients: Uptake and Utilization by plants. Pp. 111/123. Academic Press. New York. Costa, J. M., Grant, O. M., & Chaves, M. M. (2013). Thermography to explore plant–environment interactions. Journal of experimental botany, 64(13), 3937-3949. doi: https://doi.org/10.1093/jxb/ert029 Estefan, G., Sommer, R., & Ryan, J. (2013). Methods of soil, plant, and water analysis. A manual for the West Asia and North Africa region, 3(2). Ghosal, S., Blystone, D., Singh, A. K., Ganapathysubramanian, B., Singh, A., & Sarkar, S. (2018). An explainable deep machine vision framework for plant stress phenotyping. Proceedings of the National Academy of Sciences, 115(18), 4613-4618. doi: https://doi.org/10.1073/pnas.1716999115 Gorbe, E., & Calatayud, A. (2012). Applications of chlorophyll fluorescence imaging technique in horticultural research: A review. Scientia Horticulturae, 138, 24-35. doi: https://doi.org/10.1016/j.scienta.2012.02.002 Han, K. A. M., & Watchareeruetai, U. (2019, July). Classification of nutrient deficiency in black gram using deep convolutional neural networks. In 2019 16th International Joint Conference on Computer Science and Software Engineering (JCSSE) (pp. 277-282). IEEE. doi: https://doi.org/10.1109/JCSSE.2019.8864224 Hochmuth, G. (2011). Iron (Fe) nutrition of plants. University of Florida If as Extension. Sl, 353, 1-8. Hu, J., Li, D., Chen, G., Duan, Q., & Han, Y. (2012). Image segmentation method for crop nutrient deficiency based on fuzzy c-means clustering algorithm. Intelligent Automation & Soft Computing, 18(8), 1145-1155. doi: https://doi.org/10.1080/10798587.2008.10643318 Imani, A., Hosseinpour, S., Keyhani, A., & Azimzadeh, M. (2020). Modeling and Optimization of Oligonucleotide-Based Nanobiosensor Using Artificial Neural Network and Genetic Algorithm Based Procedure. Iranian Journal of Biosystems Engineering, 51(1), 171-181. (In Persian with English Abstract). https://dx.doi.org/10.22059/ijbse.2019.290631.665231 Meyer, G. E., Mehta, T., Kocher, M. F., Mortensen, D. A., & Samal, A. (1998). Textural imaging and discriminant analysis for distinguishingweeds for spot spraying. Transactions of the ASAE, 41(4), 1189-1197. doi: https://doi.org/10.13031/2013.17244 Misra, A., & Sharma, S. (2006). Critical Fe concentration and productivity of Java citronella. Rev Bras Plant Med, 8, 54-58. Neaman, A., & Aguirre, L. (2007). Comparison of different methods for diagnosis of iron deficiency in avocado. Journal of Plant Nutrition, 30(7), 1097-1108. doi: https://doi.org/10.1080/01904160701394550 Römheld, V. (1987). Different strategies for iron acquisition in higher plants. Physiologia Plantarum, 70(2). doi: https://doi.org/10.1111/j.1399-3054.1987.tb06137.x Römheld, V. (2000). The chlorosis paradox: Fe inactivation as a secondary event in chlorotic leaves of grapevine. Journal of plant nutrition, 23(11-12), 1629-1643. doi: https://doi.org/10.1080/01904160009382129 Rout, G. R., & Sahoo, S. (2015). Role of iron in plant growth and metabolism. Reviews in Agricultural Science, 3, 1-24. doi: https://doi.org/10.7831/ras.3.1 Sun, J., Mao, H., & Yang, Y. (2009). THE RESEARCH ON THE JUDGMENT OF PADDY RICE’S NITROGEN DEFICIENCY BASED ON IMAGE. In Computer and Computing Technologies in Agriculture II, Volume 2: The Second IFIP International Conference on Computer and Computing Technologies in Agriculture (CCTA2008), October 18-20, 2008, Beijing, China 2 (pp. 1049-1054). Springer US. doi: https://doi.org/10.1007/978-1-4419-0211-5_30 Sun, Y., Gao, J., Wang, K., Shen, Z., & Chen, L. (2018). Utilization of machine vision to monitor the dynamic responses of rice leaf morphology and colour to nitrogen, phosphorus, and potassium deficiencies. Journal of Spectroscopy, 2018. doi: https://doi.org/10.1155/2018/1469314 Tewari, V. K., Kumar, A. A., Kumar, S. P., Pandey, V., & Chandel, N. S. (2013). Estimation of plant nitrogen content using digital image processing. Agric Eng Int: CIGR Journal, 15(2), 78-86. Vasconcelos, M. W., & Grusak, M. A. (2014). Morpho-physiological parameters affecting iron deficiency chlorosis in soybean (Glycine max L.). Plant and soil, 374, 161-172. doi: https://doi.org/10.1007/s11104-013-1842-6 Vesali, F., Omid, M., Kaleita, A., & Mobli, H. (2015). Development of an android app to estimate chlorophyll content of corn leaves based on contact imaging. Computers and Electronics in Agriculture, 116, 211-220. doi: https://doi.org/10.1016/j.compag.2015.06.012 Yu, K. Q., Zhao, Y. R., Li, X. L., Shao, Y. N., Liu, F., & He, Y. (2014). Hyperspectral imaging for mapping of total nitrogen spatial distribution in pepper plant. PloS one, 9(12), e116205. doi: https://doi.org/10.1371/journal.pone.0116205 Zohlen, A. (2000). Use of 1, 10‐phenanthroline in estimating metabolically active iron in plants. Communications in Soil Science and Plant Analysis, 31(3-4), 481-500. doi: https://doi.org/10.1080/00103620009370451 | ||
|
آمار تعداد مشاهده مقاله: 342 تعداد دریافت فایل اصل مقاله: 73 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب