کشاورزی ماشینی

امروز که ایمیلم را چک میکردم به عنوان جالبی از یک مقاله تازه پذیرفته شده از طرف دوستان برخوردم که یکی از مباحث مورد علاقه ام بود. عنوان مقاله این بود:

Development of an android app to estimate chlorophyll content of corn leaves based on contact imaging

این مقاله را یکی از دوستان و همدوره ای های قدیمی در زمان کارشناسی ارشد آقای فرشاد وصالی با دکتر امید کارکرده اند. اسم نرم افزار نهایی آنها "SmartSPAD" شده.

اساس کار در این مقاله با روش Contact imaging هست. در این روش نور عبور کرده از برگ ذرت مستقیماً توسط دوربین ابزار هوشمند اندرویدی دریافت میشود. در این روش دیگر نیازی به عملیاتی مثل جداسازی پس زمینه یا دیگر امور پیش پردازشی وجود نخواهد داشت. در این روش تصویر برداری از نزدیک صورت میگیرد به طوری که حسگر دوربین به شی بسیار نزدیک خواهد بود. تصویر زیر شماتیکی از نحوه تصویر برداری را نشان میدهد:

یک روش ساده و کارا برای ساخت یک سیستم تصویربرداری کوچک با توانایی وضوح میکرو، اینست که مستقیماً آرایه حسگر تصویربرداری را به نمونه کاملاً نزدیک کنیم. تصویر توسط نگاشت نور از طریق شی یا با دریافت نور منتشر شده از شی با استفاده از یک سنسور نوری مانند فیلم حساس و یا یک آرایه الکترونیکی تصویربرداری بدست میاد. این روش به عنوان روش تصویربرداری تماسی شناخته شده.

این روش در بررسی های ساختاری، تصویربرداری اسناد، تصویربرداری های پزشکی در روش های ویوو و ویترو استفاده میشه.

خلاصه مقاله مذکور را میتونید در زیر مطالعه نمایید:

A new android app for smartphones to estimate chlorophyll content of a corn leaf is presented. Contact imaging was used image acquisition from the corn leaves. In this method, the light passing through the leaf is captured directly by a smartphone camera. This approach would eliminate the needs for background segmentation and other pre-processing tasks. To estimate SPAD (Soil Plant Analysis Development) values, various features were extracted from each image. Then, superior features were extracted by stepwise regression and sensitivity analysis. The selected features were finally used use as inputs to the linear (regression) and neural network models. Performance of the models was evaluated using the images taken from a corn field located in West of Ames, IA, USA, with Minolta SPAD 502 Chlorophyll Meter. The R2 and RMSE values for the linear model were 0.74 and 6.2. The corresponding values for the neural network model were 0.82 and 5.10, respectively. Finally, these models were successfully implemented on an app named SmartSPAD on the smartphone. After installing the developed app on the smartphone, the performance of the models were evaluated again using a new independent set of data collected by SmartSPAD directly from maize plants inside a greenhouse. The SmartSPAD estimation compared well with the corresponding SPAD meter values (R2 = 0.88 and 0.72, and RMSE = 4.03 and 5.96 for neural network and linear model, respectively). The developed App can be considered as a low cost alternative for estimating the chlorophyll content especially when there is a demand for high availability.