به گزارش رویداد ایران به نقل از ایسنا، در عالم گیاهان، بیماری‌های فیزیولوژیک یا غیر مسری مشکلاتی هستند که توسط عوامل غیرانگلی ایجاد می‌شوند. خسارت این عوارض بسته به‌شدت آن‌ها اغلب بیشتر از بیماری‌های ایجاد شده توسط میکروب‌ها است و شدت آن‌ها که در بعضی مواقع می‌تواند مرگ گیاه را به دنبال داشته باشد، نیز بستگی به نوع عامل دارد. از عوامل بروز این اختلال می‌توان به نور، دما، رطوبت، بستر رویش، اقلیم و موقعیت جغرافیایی، عناصر ریزمغذی و ابزار و ماشین‌آلات کاشت اشاره کرد. در این میان، کمبود مواد مغذی یکی از عوامل مهم در بروز بیماری‌های فیزیولوژیک یا غیر مسری است که نیاز به توجهی خاص دارد.
به گفته محققان علوم کشاورزی کشور، در حال حاضر محصول پسته، بخش قابل‌توجهی از صادرات محصولات کشاورزی را به خود اختصاص داده است. با توجه به اهمیت ویژه این محصول در کشور و صادرات آن به خارج از کشور افزایش بهره‌وری این محصول بسیار مهم است. یکی از راه‌های بهبود کیفیت این محصول شناسایی به موقع کمبودهای مواد مغذی درخت آن است. برای این منظور روش‌های مختلفی وجود دارد. ازجمله این روش‌ها می‌توان به بررسی چشمی برگ، تجزیه خاک و روش‌های آزمایشگاهی مخصوص اشاره کرد که در بین آن‌ها، بررسی چشمی برگ از مرسوم‌ترین روش‌هاست، ولی در عین حال با خطای بیشتری همراه است و در صورت امکان بایستی آن را با فناوری بهبود بخشید.
در همین زمینه، تیم پژوهشی سه نفره ای از دانشگاه یزد یک مطالعه جالب توجه را انجام داده‌اند که در آن روشی برای شناسایی و طبقه‌بندی هوشمند کمبود مواد مغذی در درختان پسته ابداع و با موفقیت آزمایش شده است.
در این پژوهش محققان ضمن جمع‌آوری داده‌ها و برچسب‌گذاری آن‌ها، یک روش خودکار و هوشمند مبتنی بر پردازش تصویر و یادگیری ماشین برای تشخیص کمبود مواد مغذی در درختان پسته ارائه کردند.
آن‌ها در ابتدا با تصویربرداری از برگ‌های مختلف، داده‌های مناسب را جمع‌آوری و برچسب‌گذاری کردند تا سیستم هوشمند آموزش داده شود و سپس خود به‌تنهایی بتواند کار تفکیک را بدون کمک انسان انجام دهد. مراحل اصلی در سیستم پیشنهادی شامل: پیش‌پردازش، شناسایی نواحی دارای کمبود، استخراج ویژگی و طبقه‌بندی نوع کمبود در هر ناحیه هستند.
نتایج بررسی‌های این تحقیق نشان داد که روش فوق تحت عنوان «طبقه‌بندی کننده ماشین بردار پشتیبان»، می‌تواند با دقت بالایی کار تشخیص کمبودهای مواد مغذی را در گیاه پسته بر اساس بررسی تصاویر برگ آن انجام دهد.
مهدی یزدیان دهکردی، استادیار بخش هوش مصنوعی دانشکده مهندسی کامپیوتر دانشگاه یزد و همکارانش دراین‌باره می‌گویند: «در این پژوهش روشی مبتنی بر پردازش تصویر و ارائه یک مدل ماشین بردار پشتیبان برای تشخیص انواع کمبود مواد مغذی درختان پسته و بر اساس ویژگی‌های برگی ارائه‌شده است. در الگوریتم پیشنهادی پس از پردازش تصاویر و استخراج ویژگی‌های برگ، از تفاوت شدت رنگ برای تفکیک انواع کمبودها از یکدیگر استفاده شد».
به گفته آن‌ها، «می‌توان گفت این سیستم با دقت ۸۹ درصد قادر است انواع کمبودها را تشخیص دهد که دقتی قابل قبول برای به‌کارگیری در سطوح بزرگ‌تر است».
نتایج حاصل از این پژوهش که در فصل‌نامه «پژوهش‌های مکانیک ماشین‌های کشاورزی» متعلق به دانشگاه شهرکرد منتشر شده‌اند، نشان می‌دهند که شناسایی خودکار کمبود مواد مغذی بر اساس روش‌های هوشمند پردازش تصویر و یادگیری ماشین می‌تواند نسبت به راه‌حل‌های آزمایشگاهی روشی مناسب ازنظر هزینه، سرعت تشخیص و همچنین دقت باشد.
