ایسنا/ هر ساله، آفت‌ها و بیماری‌های مختلف، خسارت‌های سنگینی به محصولات کشاورزی وارد می‌کنند. شناخت زودهنگام این بیماری‌ها می‌تواند نقش مهمی در حفظ سلامت گیاهان و افزایش بهره‌وری مزارع داشته باشد.

بیماری‌های گیاهی یکی از مهم‌ترین عوامل کاهش بازده در بخش کشاورزی به شمار می‌روند. این بیماری‌ها گاه به صورت پنهان و در مراحل ابتدایی رشد گیاهان خود را نشان می‌دهند، که اگر به‌موقع تشخیص داده نشوند، می‌توانند به از بین رفتن کامل بخشی از محصول یا افت کیفیت آن منجر شوند. برگ گیاهان اغلب اولین جایی است که علائم بیماری روی آن ظاهر می‌شود؛ لکه‌ها، زردی، تغییر رنگ یا فرم برگ‌ها می‌تواند هشدار اولیه‌ای درباره وجود یک آفت یا بیماری خاص باشد. با این حال، تشخیص دقیق این نشانه‌ها همیشه کار ساده‌ای نیست، خصوصاً در شرایطی که نیروی انسانی متخصص به اندازه کافی در دسترس نباشد یا شرایط محیطی چالش‌برانگیز باشد.

در گذشته روش‌های شناسایی بیماری‌های گیاهی عمدتاً بر پایه بررسی چشمی و تجربیات کارشناس‌های کشاورزی بوده است. این روش‌ها علاوه بر زمان‌بر بودن، نیازمند حضور نیروهای آموزش‌دیده در محل و صرف هزینه‌های بالا برای تجهیزات و سفرهای میدانی بوده‌اند. همچنین امکان خطای انسانی در آن‌ها وجود دارد. همین دلایل باعث شده که در سال‌های اخیر، دانشمندان به دنبال راه‌حل‌های هوشمندانه‌تری بر پایه فناوری روز باشند؛ راه‌هایی که بتوانند به‌صورت خودکار و دقیق، بیماری را در مراحل اولیه تشخیص دهند و از گسترش آن جلوگیری کنند.

در این زمینه، سکینه اسدی امیری، پژوهشگر دانشکده مهندسی و فناوری دانشگاه مازندران، به همراه یکی از همکارانش، پژوهشی در زمینه استفاده از فناوری پردازش تصویر و الگوریتم‌های یادگیری ماشین برای شناسایی زودهنگام بیماری‌های گیاهی انجام داده‌اند. آن‌ها در این تحقیق سعی کرده‌اند با ترکیب اطلاعات ظاهری برگ گیاهان و تحلیل رایانه‌ای، راهکاری کارآمد و سریع برای تشخیص بیماری‌ها ارائه دهند؛ بدون نیاز به حضور فیزیکی کارشناس در محل.

در روش این پژوهش، ابتدا تصاویر برگ‌های گیاهان بیمار و سالم جمع‌آوری شده و با استفاده از فیلترهای نرم‌افزاری، نویزهای موجود در تصویر حذف شده‌اند. سپس بخش مربوط به برگ از تصویر جدا شده و ویژگی‌های مهمی از جمله رنگ، بافت و شکل آن تحلیل شده است. رنگ برگ‌ها در فضاهای مختلف رنگی بررسی شده و پارامترهایی مانند میزان قرمزی یا زردی آن استخراج شده است. همچنین بافت برگ‌ها با استفاده از الگوهای تصویری خاص بررسی شده تا به تفاوت‌های ظاهری بین برگ سالم و بیمار پی برده شود.

علاوه بر این، اندازه و شکل کلی برگ‌ها نیز برای تشخیص تغییرات ساختاری ناشی از بیماری بررسی شده است. در نهایت، تمام این اطلاعات وارد الگوریتم‌های دسته‌بندی شده‌اند تا بتوانند به‌صورت خودکار تشخیص دهند که برگ مربوط به یک گیاه سالم است یا بیمار.

یافته‌های این پژوهش نشان می‌دهند که سیستم طراحی‌شده توانسته است بیماری‌های ۹ گونه مختلف گیاه، از جمله سیب، ذرت، انگور، سیب‌زمینی، گوجه‌فرنگی، گیلاس، هلو، فلفل و توت‌فرنگی را با دقت بالایی شناسایی کند. بر اساس آزمایش‌هایی که روی یک مجموعه داده شامل بیش از ۸۷ هزار تصویر انجام شده، دقت این روش با استفاده از الگوریتم موسوم به «جنگل تصادفی» حدود ۹۸ درصد و با استفاده از الگوریتم دیگری موسوم به «ماشین بردار پشتیبان» حدود ۹۵ درصد بوده است.

این میزان دقت نشان می‌دهد که روش پیشنهادی عملکردی بهتر از بسیاری از روش‌های قبلی داشته و می‌تواند در آینده به عنوان ابزاری کمکی برای کشاورزان و کارشناسان مورد استفاده قرار گیرد. استفاده از این روش نه‌تنها موجب صرفه‌جویی در زمان و هزینه می‌شود، بلکه با کاهش خطای انسانی می‌تواند به بهبود مدیریت مزارع و جلوگیری از گسترش آفات کمک کند.

از دیگر نکات قابل توجه در این پژوهش، قابلیت توسعه آن برای شرایط واقعی مزارع است. پژوهشگران اعلام کرده‌اند که انتظار دارند این روش حتی در تصاویر گرفته‌شده در محیط‌های طبیعی با نور یا پس‌زمینه‌های متغیر نیز به خوبی عمل کند. همچنین می‌توان آن را برای بررسی سایر بخش‌های گیاه مانند ساقه یا میوه نیز به کار برد. علاوه بر این، استفاده از الگوریتم‌های پیشرفته‌تری مانند یادگیری عمیق در گام‌های بعدی می‌تواند دقت سیستم را باز هم افزایش دهد.

مقاله علمی پژوهشی برگرفته از این تحقیق در فصلنامه «رایانش نرم و فناوری اطلاعات» منتشر شده است؛ نشریه‌ای علمی وابسته به دانشگاه صنعتی نوشیروانی بابل که به بررسی پژوهش‌های نوین در حوزه فناوری اطلاعات و علوم رایانشی می‌پردازد.