تشخیص گیاهان زعفران آلوده به کنه با استفاده از تصویربرداری هوایی و طبقه‌بندی یادگیری ماشینی

هدف مطالعه: ارزیابی و توسعه یک کد یادگیری ماشینی که از تصاویر هوایی در طیف‌های مرئی و مادون قرمز نزدیک (NIR) برای شناسایی گیاهان زعفران آلوده به کنه (Crocus sativus L.) از طریق پردازش شاخص‌های طیفی برای طبقه‌بندی گیاهان سالم و بیمار استفاده می‌کند. این امر منجر به شناسایی نقاط غلظت کنه های پیاز و تخمین درصد آلودگی در مزرعه می شود. منطقه مورد مطالعه: استان خراسان رضوی، تربت حیدریه، ایران. مواد و روش‌ها: پنج میدان به‌طور تصادفی انتخاب و در دو سال متوالی تصاویر قرمز-سبز-آبی (RGB) به عنوان یک تصویر طیفی مرئی معمولی و تصاویر NIR گرفته شد. هفت شاخص پوشش گیاهی طیفی برای تصاویر NIR شامل باند NIR، باند قرمز، شاخص گیاهی تفاوت نرمال شده (NDVI)، شاخص نسبت پوشش گیاهی (RVI)، شاخص پوشش گیاهی تفاوت (DVI)، تفاوت نسبت قرمز-نیر (DRN) و شاخص درصد پوشش گیاهی مادون قرمز (IPVI). و دوازده شاخص برای تصاویر RGB شامل نوار قرمز، باند سبز، باند آبی، شاخص پوشش گیاهی با باند قابل مشاهده (VDVI)، شاخص مقاوم در برابر جوی قابل مشاهده (VARI)، شاخص سبزی مثلثی (TGI)، شاخص سبزی تفاوت نرمال شده (NDGI)، شاخص تفاوت آبی سبز نرمال شده (NGBDI)، شاخص تفاوت سبز رنگ سبز نرمال شده (NGBDI) (RGBVI)، شاخص رویشی (VEG) و مازاد شاخص سبز (EXG)، استخراج و مورد تجزیه و تحلیل قرار گرفت. به منظور شناسایی گیاهان آسیب‌دیده، دو طبقه‌بندی‌کننده ماشین بردار پشتیبان (SVM) با هسته‌های تابع پایه شعاعی (RBF) به‌طور جداگانه برای تصاویر NIR و RGB استفاده شد. نتایج اصلی: میانگین دقت مدل‌های طبقه‌بندی کننده SVM برای تصاویر NIR 82.3 درصد و برای تصاویر RGB 91.4 درصد در مرحله آزمایش برآورد شد. همچنین دقت مدل‌های توسعه‌یافته هنگام ارزیابی میدانی با توجه به روش ماتریس سردرگمی برای مدل‌های طبقه‌بندی تصاویر NIR و RGB به ترتیب 75.6 درصد و 80.3 درصد بود.

Aim of study: To evaluate and develop a machine learning code that uses aerial images in visible and near infra-red (NIR) spectra to detect mite-infested Saffron (Crocus sativus L.) plants through processing the spectral indices to classify healthy and diseased plants. This leads to the identification of the concentration points of the bulb mites and the estimation of the percentage of infestation in the field. Area of study: Khorasan-Razavi province, Torbat-Heydarieh, Iran. Material and methods: Five fields were randomly selected and their red-green-blue (RGB), as a typical visible spectral image, and NIR images were taken in two consecutive years. Seven spectral vegetation indices for NIR images including NIR-band, Red-band, normalized difference vegetation index (NDVI), ratio vegetation index (RVI), difference vegetation index (DVI), difference red-nir ratio (DRN) and infrared percentage vegetation index (IPVI); and twelve indices for RGB images inlcuding red-band, green-band, blue-band, visible-band ifference vegetation index (VDVI), visible atmospheric resistant index (VARI), triangular greenness index (TGI), normalized difference greenness index (NDGI), normalized green blue difference index (NGBDI), modified green red vegetation index (MGRVI), red green blue vegetation index (RGBVI), vegetative index (VEG) and excess of green index (EXG), were extracted and analysed. In order to detect affected plants, two support vector machine (SVM) classifiers with radial basis function (RBF) kernels were used separately for NIR and RGB images. Main results: The average accuracy of the SVM classifier models were estimated to be 82.3% for NIR images and 91.4% for RGB images during the test phase. Also, the accuracy of the developed models when evaluated in the field with respect to the confusion matrix method was 75.6% and 80.3% for the classification models for NIR and RGB images, respectively.