Identification of healthy tomato plants from plants with nutritional abnormalities using hyperspectral imaging technique

Aslani, Samira (2020) Identification of healthy tomato plants from plants with nutritional abnormalities using hyperspectral imaging technique. Masters thesis, University of Mohaghegh Ardabili.

[img] Text
46.pdf

Download (2MB)

Abstract

Research Aim:In this study, the ability of non-destructive hyperspectral imaging method for early detection of excess nitrogen fertilizer in tomato was investigated. Research method: First, 4 pots were prepared and after the growth of plants, the amount of nitrogen fertilizer was applied in excess for each pot. In order to extract the spectral properties of each sample, a hyperspectral camera made in Fanavaran Physics Noor Co.at the range of 400 to 1100 nm was used. Raw data were pre-processed due to the presence of unwanted information in order to achieve stable and reliable calibration models. To determine the effective wavelengths, the hybrid artificial neural network -cultural algorithm was used. Six criteria were used to evaluate the performance of the classifier. These criteria are recall, accuracy, precision and specificity Findings: The total correct classification of neural network classifier in identifying healthy leaves was 92.55% for leaves with 30% excess fertilizer in 200 replications. The highest accuracy was related to class D3 (99.26%) and the lowest accuracy was related to class D0 (86.93%). Also ANOVA statistical analysis and Tukey test showed significant differences for the effective spectra of 899, 811 and 697 nm as well as for Kajeldal. Conclusion:The results show that the proposed algorithm is capable of early detection of excess nitrogen fertilizer using high performance spectral properties

Item Type: Thesis (Masters)
Persian Title: شناسایی بوته های سالم گوجه فرنگی از بوته های با ناهنجاری تغذیه ای توسط تکنیک تصویر برداری فراطیفی
Persian Abstract: هدف:در این پژوهش،توانایی روش غیرمخرب تصویربرداری فراطیفی به منظور تشخیص زودهنگام کاربرد کود ازت مازاد در گیاه گوجه فرنگی مورد بررسی واقع شد تا مدیریت صحیح مصرف کود حاصل شود. روش‌شناسی پژوهش:در ابتدا 4 گلدان تهیه شد و بعد از رشد بوته‌ها، با ثابت ماندن شرایط و سایر نهاده‌ها مقدار کود ازت برای هر گلدان بطور مازاد اعمال شد. به‌منظور استخراج خصوصیات طیفی از هر نمونه از دوربین فراطیفی ساخت شرکت فن‌اوران فیزیک نور،با گستره طیفی 400تا 1100 نانومتر استفاده شدند.به‌دلیل وجود اطلاعات ناخواسته و به‌منظور دستیابی به مدل‌های واسنجی پایدار و قابل اعتماد نیاز ، داده های خام پیش‌پردازش شدند. برای تعیین طول‌موج‌های موثر از از روش هیبرید شبکه عصبی مصنوعی–الگوریتم فرهنگی استفاده شد. بهمنظوربررسی عملکردطبقه بندازپنج معیاراستفاده گردید. این معیارهاعبارتاند از بازخوانی، دقت،صحت وویژگی. یافته‌ها:درصد کل طبقه بندی صحیح عملکرد طبقه بند شبکه عصبی در شناسایی برگ سالم از برگهای با کود مازاد 30%در 200تکرار و با ماتریس درهم ریختگی 92.55%بدست امد.که بالاترین دقت برای کلاس D3(99.26%) و کمترین دقت برای کلاس D0(86.93%)است.مقایسه عملکرد طبقه بند در طبقه بندی کلاسهای مربوط به ازت مازادبا استفاده از 200 تکرار و بهترین حالت آموزش نشان میدهد نرخ طبقه بندی بهترین آموزش95.48%است که بالاتر از نرخ طبقه بندی میانگین و انحراف معیار است.تحلیل آماری آنوا و آزمون توکی برای طیف های موثر899و811و697 نانومتر و همچنین برای کجلدال اختلاف معنی دار نشان میدهد. نتیجه‌گیری:نتایج نشان میدهد که الگوریتم پیشنهادی با استفاده از خصوصیات طیفی با عملکرد بالا توانایی شناسایی زودهنگام مقدار مازاد کود ازته را دارد.
Supervisor:
SupervisorE-mail
Pourdarbani, RaziehUNSPECIFIED
Advisor:
AdvisorE-mail
Sabzi, SajadUNSPECIFIED
Subjects: Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Divisions: Subjects > Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Faculty of Agricultural Sciences & Natural Resources > Department of Biosystem
Date Deposited: 19 Jul 2021 07:35
Last Modified: 19 Jul 2021 07:35
URI: http://repository.uma.ac.ir/id/eprint/13198

Actions (login required)

View Item View Item