پديد آورنده :
مصطفايي، زهره
عنوان :
تشخيص تنش خشكي در گياه كنجد با استفاده از پردازش تصوير
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
مهندسي بيوسيستم
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده كشاورزي
صفحه شمار :
شانزده، ۱۷۷ص.: مصور، جدول، نمودار
استاد مشاور :
احمد ميره اي
توصيفگر ها :
تنش آبي , پردازش تصوير , شبكه عصبي مصنوعي , محتواي نسبي آب , هدايت روزنهاي , طبقه بندي
استاد داور :
مرتضي صادقي، پرويز احسان زاده
تاريخ ورود اطلاعات :
1396/12/07
چكيده فارسي :
1 چكيده تنش آبي يكي از عمدهترين تنشهاي محيطي است كه بر توليد محصوالت كشاورزي در سرتاسر جهان بهويژه مناطق خشك و نيمهخشك تأثير ميگذارد اگر آبياري در زمان مناسب صورت گيرد افزايش عملكرد قابل توجهي را در راستاي پيشگيري از تنش خشكي بيش از حد ميتوان شاهد بود بنابراين اطالعات مربوط به وضعيت آب گياه براي برنامهريزي آبياري ضروري است دو شاخص مهم فيزيولوژيكي براي تشخيص تنش آبي عبارتند از هدايت روزنهاي gs و محتواي نسبي آب RWC برگ ميباشد با اين حال تعيين اين شاخصها زمانبر و كارگربرميباشند در اين تحقيق از پردازش تصاوير ديجيتال تهيه شده از كانوپي گياه كنجد در راستاي تعيين شاخصهاي gs و RWC استفاده شد اين آزمايش گلخانهاي روي دو ژنوتيپ حساس ناز تك شاخه و مقاوم يكتا كنجد در سه سطح تنش بدون تنش WW تنش آبي متوسط MWS و تنش آبي شديد SWS با استفاده از يك آزمايش فاكتوريل در قالب طرح كامال تصادفي انجام شد تصاوير از كانوپي تحت شرايط نوري كنترل شده و با استفاده از دوربين ديجيتال 2 61 مگاپيكسلي HX 100 Sony در موقعيتي ثابت تهيه شدند با استفاده از روش آستانه گذاري جداسازي گياه از زمينه انجام شد و سپس منطقه كانوپي گياه جدا شده از نظر مولفههاي RGB مورد بررسي قرار گرفت براي طبقهبندي تصاوير تهيه شده از گياهان باسطوح مختلف تنش شبكه عصبي مصنوعي ANN دو مرحلهاي پيشنهاد شد اولين مرحله براي طبقهبندي شامل جداسازي دو ژنوتيپ حساس ناز تك شاخه و مقاوم بود و سپس طبقهبندي هر ژنوتيپ به سه سطح تنش WW MWS SWS انجام شد ويژگيهاي رنگي استفاده شده در مدلسازي ANN شامل مولفههاي RGB تصاوير مؤلفههاي تبديل شده HIS L a b RGB و شاخصهاي گياهي بودند مدل ANN و رگرسيون خطي چندگانه MLR براي پيشبيني RWC و gs با استفاده از ويژگيهاي رنگي و مساحت كنوپي گياه ساخته شدند نتايج براي هر دو ژنوتيپ نشان داد كه با افزايش سطح تنش آبي RWC و gs به طور معنيداري كاهش پيدا ميكند بازتاب مؤلفههاي آبي و قرمز كه براي باز كردن روزنهها و فتوسنتز ضروري ميباشند افزايش يافته و بازتاب مؤلفه سبز كاهش مييافت مدلهاي ANN ساخته شده قادر به طبقهبندي تصاوير گياهان به دو ژنوتيپ حساس و مقاوم با دقت 58 بودند همچنين در هر ژنوتيپ مدلهاي ANN قادر به طبقهبندي گياهان در سه گروه تنش آبي بودند البته طبقهبندي دقيقتر براي ژنوتيپ حساس بدست آمد پيشبيني RWC و gs با استفاده از ANN دقيقتر از MLR بود اگرچه نتايج اين پژوهش گلخانهاي نويد بخش بود اما براي تأييد انتخاب وروديهاي نرونهاي استفاده شده در مدل ANN و اعتبارسنجي آن براي تعيين RWC و gs گياه كنجد به تحقيقات مزرعهاي نياز است كلمات كليدي تنش آبي پردازش تصوير شبكه عصبي مصنوعي محتواي نسبي آب هدايت روزنهاي طبقه بندي
چكيده انگليسي :
237 Detecting Sesame Drought Stressed Plants Using RGB Digital Images Zohre Mostafaei z mostafaee@ag iut ac ir January 13 2018 Department of Biosystems Engineering College of Agriculture Isfahan University of Technology Isfahan 84156 83111 IranDegree MSc Language FarsiSupervisor A Hemmat ahemmat@cc iut ac irAbstractWater stress is the major environmental stresses that affect agricultural production worldwide especially in arid andsemi arid regions Substantial increases in yield could be possible if irrigation water was applied at the mostappropriate time to prevent excessive drought stress Therefore information about plant water status for irrigationscheduling is necessary Two important physiological indices for detecting water stress are stomatal conductance gs and relative water content RWC However the determination of these indices is time consuming and labor intensive In this research the feasibility of processing RGB digital images of sesame Sesamum indicum L canopies for gs andRWC determinations were examined A greenhouse experiment was conducted on potted plants of two genotypes ofsensitive Naz Takshakhe and resistance Yekta of sesame subjected to three water stresses well watered WW medium water stressed MWS and severe water stressed SWS using a factorial experiment within a completelyrandomized design The canopy images under control light conditions were obtained using a 24 bit RGB digitalcamera 16 1 megapixel HX 100 Sony placed in a zenithal position A threshold based approach was applied inplant detection based on image segmentation by classifying an image into plant and non plant pixels The projectedplant canopy area was determined as well For classifying all plant images in different water stressed classes a twostage detection model using artificial neural network ANN was proposed For the first detection model all sensitive Naz Takshakhe and resistance Yekta plant images were classified in two groups Then within each group theplant images were classified in three water stress classes WW MSW and SWS The ANN models were built withRGB images RGB image transformations HIS L a b and RGB vegetation indices and their moments ANN andmultiple linear regression MLR models were built to predict both RWC and gs using the color features and theprojected plant canopy area The results showed that in both genotypes by increasing water stress RWC and gs weredecreased significantly The blue and red reflectance components which are essential for opening stomata andphotosynthesis were increased and the green reflectance component was decreased The built ANN models were ableto classify the plants in two classes genotypes with 85 precision Within each genotype the ANN models wereable to classify the plants in three water stress groups of course the classification was more accurate for sensitivegenotype The prediction of RWC and gs by ANN was more precise than MLR Although this greenhouse researchshows promise further field based research is required to validate the selection of inputs neurons used and validatethe use of ANN modelling to determine gs and RWC for sesame plants Keywords Water stress Image processing Artifical neural network Relatie water content Classification Regression
استاد مشاور :
احمد ميره اي
استاد داور :
مرتضي صادقي، پرويز احسان زاده
