کاربرد پردازش تصویر میکروسکوپی در تشخیص و طبقهبندی اسپورهای تریکودرما
پذیرفته شده برای پوستر
کد مقاله : 1870-25IPPC
نویسندگان
1دانشگاه علوم کشاورزی و منابع طبیعی گرگان
2گروه گیاهپزشکی، دانشکده تولید گیاهی، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
3دانشگاه تربیت مدرس تهران
چکیده
تریکودرما نوعی قارچ است که معمولاً در کشاورزی برای پیشگیری و کنترل بیماریهای مختلف گیاهی استفاده میشود. یکی از روشهایی که تریکودرما به کنترل بیماریهای گیاهی کمک میکند، تولید آنتیبیوتیکهایی است که از رشد پاتوژنها جلوگیری میکند. توانایی شناسایی اسپورهای تریکودرما برای تشخیص وجود این قارچ در گیاهان و خاک مهم است. با این حال، تکنیکهای میکروسکوپی سنتی که برای تشخیص اسپور استفاده میشوند زمانبر و خستهکننده هستند و نیاز به مداخله تکنسینهای ماهر دارند که منجر به تأخیر در تشخیص و اقدامات کنترلی ناکارآمد میشود. روشهای مبتنی بر پردازش تصویر میکروسکوپی برای هوشمندسازی فرآیند تشخیص اسپور ایجاد شدهاند که منجر به تهیه نتایج سریعتر و دقیقتر میشود. اگرچه در حال حاضر، محققین بهطور گسترده از پردازش تصویر برای هوشمندسازی بخشی از مراحل مختلف زراعت و باغبانی، از جمله کاشت، کنترل علفهای هرز، آبیاری، سمپاشی، کودپاشی، بررسی روند رشد گیاه و برداشت محصول استفاده کردهاند، بهرهگیری از پردازش تصویر میکروسکوپی میتواند به عنوان یک ابزار جدید در خدمت گیاهپزشکی قرار گیرد. در این مطالعه، روش جدیدی برای شناسایی و طبقهبندی اسپورهای سه گونه تریکودرما شاملT. harzianum ،T. atroviridea و T. virens با استفاده از تکنیکهای پردازش تصویر میکروسکوپی توسعه داده شده است. به این منظور، تعداد 100 تصویر میکروسکوپی از این گونهها تهیه گردید و سپس از الگوریتم ژنتیک برای شناسایی مهمترین ویژگیهای بصری برای طبقهبندی اسپورها از جمله رنگ، بافت و شکل استفاده شد. الگوریتم ژنتیک یک الگوریتم فراابتکاری بهینهسازی است که بر اساس یک فرآیند تکرارشونده، مناسبترین ورودیهای الگوریتمهای یادگیری ماشین را برای کمینه یا بیشینه کردن خروجی ماشین شناسایی میکند. در این تحقیق، ورودی و خروجی این الگوریتم به ترتیب ویژگیهای استخراج شده و دقت پیشبینی ماشین بود که باید بیشینه میشد. پس از یافتن ویژگیهای مؤثر، از جنگل تصادفی برای طبقهبندی اسپورها استفاده شد که دقت تقریبی 95 درصد به دست آمد. همچنین، این مطالعه نشان داد که بافت تصویر مهمترین ویژگی بصری برای طبقهبندی اسپورها است. استفاده از چنین روشهای جدیدی میتواند به کنترل مؤثرتر بیماریهای گیاهی با ارائه سریعتر و دقیقتر حضور اسپورهای تریکودرما در گیاهان زراعی کمک کند.
کلیدواژه ها
Title
Application of microscopic image processing in the detection and classification of Trichoderma spores
Authors
fatemeh soltani nezhad, Kamran Rahnama, Seyed mohamad Javidan, Keyvan Asefpour vakilian
Abstract
Trichoderma is a type of fungus that is commonly used in agriculture to prevent and control various plant diseases. One of the mechanisms that Trichoderma helps control plant diseases is by producing antibiotics that prevent the growth of pathogens. The ability to identify Trichoderma spores is essential to detect the presence of this fungus in plants and soil. However, traditional microscopic techniques used for spore detection are time-consuming and require the intervention of skilled technicians, leading to delayed detection and ineffective control measures. Methods based on microscopic image processing have been developed to smarten up the spore detection process, leading to faster and more accurate results. Although at present, researchers have widely used image processing to introduce intelligent methods in various stages of agriculture and horticulture, including planting, weed control, irrigation, spraying, fertilizing, monitoring plant growth and harvesting, using microscopic image processing can serve as a new tool in plant pathology. In this study, a new method for identifying and classifying the spores of three Trichoderma species including T. harzianum, T. atroviridea, and T. virens was developed using microscopic image processing techniques. For this purpose, a total of 100 microscopic images of these species were prepared and then the genetic algorithm was used to identify the most effective visual features for the classification of spores, including color, texture, and shape. The genetic algorithm is a meta-heuristic optimization algorithm that, based on an iterative process, identifies the most suitable inputs of machine learning algorithms to either minimize or maximize the output of the machine. In this research, the input and output of this algorithm were the extracted features and the prediction accuracy of the machine, which had to be maximized. After finding the effective features, the random forest was used to classify the spores, and an approximate accuracy of 95% was obtained. Furthermore, this study showed that image texture is the most effective visual feature for classifying spores. The use of such new methods can help control plant diseases more effectively by providing faster and more accurate detection of Trichoderma spores in plants and soil.
Keywords
Random forest, Genetic algorithm, image texture features, feature selection