نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

3 تیر 1403 3:36 ب.ظ

سنسورهای تشخیص علائم بیماری زودرس در کشت میوه اروپا

Sensors for early disease symptom detection in European fruit cultivation

4 آگوست 2020 توسط Fraunhofer-Gesellschaft

سیب میوه مورد علاقه آلمانی ها است. در این کشورگلابی در سبد مصرف سرانه سالانه در رتبه ششم قرار دارد. با این حال ، درختان سیب و گلابی هر دو اغلب از بیماری رنج می برند . کاهش تکثیر سیب و گلابی در رشد میوه اروپا گسترده و قابل مشاهده است. دانشمندان تحقیقات مرکز Fraunhofer ، به همراه شرکا ، به دنبال راه هایی برای تشخیص زودرس علائم بیماری هستند. آنها در حال استفاده از تصاویر ماهواره ای و آنالیز ابری بصورت قطعی هستند تا آلودگی بیماری را از طریق هوا تشخیص دهند تا بتوانند آنرا با ارزیابی های میدانی وقت گیر و تحلیل های آزمایشگاهی ، جایگزین کنند. روشهای یادگیری ماشینی یک فناوری کلیدی برای تجزیه و تحلیل علائم بیماری است.

رشد سیب در آلمان و همچنین در لهستان ، ایتالیا و فرانسه یک سابقه دیرینه دارد. سیب با داشتن سهم 13.8 میلیون تن (Eurostat 2018) مهمترین میوه در اروپا است. رشد گلابی اهمیت کمتری دارد. با این حال ، هر دو محصول میوه از بیماری های گسترده رنج می برند. کاهش کشت سیب و گلابی می تواند باعث از بین رفتن محصولات زراعی از درختان آلوده آنها  شود و خسارت اقتصادی بسیار زیادی را ایجاد کند. این بیماری ها در اثر فیتوپلاسم ایجاد می شود. حشرات این باکتری ها را به دیواره سلولی منتقل می کنند ، که به انگل هایی تبدیل می شوند و در رسیدن مواد مغذی اختلال ایجاد می کنند. برای جلوگیری از شیوع این بیماری باید از حشره کش ها به صورت پیشگیری کننده استفاده شود. با خود فیتوپلاسما هنوز هم نمی توان مستقیماً مبارزه کرد.

آلودگی به بیماری فقط با یک تجزیه و تحلیل مولکولی گران قیمت با استفاده از روش PCR قابل تشخیص است. از طرف دیگر ، کارمندان آموزش دیده بطور بصری هر درخت را بطور جداگانه ارزیابی می کنند. علائم تکثیر سیب ، بزرگ شدن قارچ ها و قرمزی زودرس در پاییز است که در اثر تخریب کلروفیل ایجاد می شود. اما این بیماری در حال حاضر بسیار پیشرفته است.  گلابی علائم معمولی ندارد ، فقط قرمزی است.

Sensors for early disease symptom detection in European fruit cultivation

دانشمندان این تحقیق ، نمای کلی از یک باغ کامل را با یک پهپاد را دریافت می کنند. در آینده علائم بیماری درست از هواپیماهای بدون سرنشین یا ماهواره بر اساس علایم طیفی تشخیص داده می شوند.

از این رو قابلیت تشخیص تخریب کلروفیل در تابستان و در نتیجه جلوگیری از گسترش تکثیرآن در سیب و گلابی وجود دارد. دانشمندان تحقیقاتی در انستیتوی

 Fraunhofer for Factory Factory and Automation IFF در مگدبورگ در حال کار بر روی چنین سیستم تشخیصی اولیه به همراه موسسه تحقیقات گیاهان آلپلانتا در

 Neustadt an der Weinstrasse و Spatial Business Integration GmbH در دارشتات هستند. آنها به حساسیت هوایی ، به طور دقیق ، به تجزیه و تحلیل ابری تکیه می کنند .

“در این روش ، نور به طول موج تقسیم می شود. گیاه که هنگام نمونه برداری از برگهای آن در آزمایشگاه ، علائمی را نشان می دهد ، این کار را به مراتب آشکارتر و زودتر در محدوده های خاص از طول موج انجام می دهد تا فقط در محدوده مرئی. یک گیاه بیمار علایم قرمز تر از سبز یا آبی را نشان می دهد. “

 دکتر Uwe Knauer ، دانشمند تحقیق در Fraunhofer IFF و متخصص در یادگیری ماشینی و تجزیه و تحلیل داده های طیفی توضیح می دهد این امر به طور مؤثر با آزمایشات آزمایشگاهی در مرحله اول پروژه اثبات شده است.

Sensors for early disease symptom detection in European fruit cultivation

این روش توسط تصاویر ماهواره ای چند طیفی تکمیل می شود. باغ های بزرگ با تصویربرداری ماهواره ای قابل اسکن است. وی توضیح می دهد: “ما می خواهیم از تصویربرداری های ابری قطعی و تصویربرداری ماهواره ای برای ایجاد یک سیستم شناسایی زود هنگام هوایی استفاده کنیم. ما تمایل داریم از دوربین hyperspectral که بر روی پهپاد نصب شده است استفاده کنیم تا مناطق کوچکتر مانند یک باغ واحد را اسکن کنیم.” تیم هایی از محققان همچنین توانسته اند جدا از تصاویر ماهواره ای ، درختان بیمار و سالم را تعیین کنند.

همراه با دوربین hyperspectral ، یک کامپیوتر بر روی پهپاد سوار شده است که خوانش ها را به سرور انتقال می دهد. تصاویر با اطلاعات جغرافیایی مرتبط شده و نقشه برداری شده اند. نتیجه آن  یک نقشه ابرشهر با مختصات جغرافیایی است. نمونه های برگ در حال آزمایش توسط دوربین های ابر قطبی در آزمایشگاه  ، در هر پیکسل طیفی ارائه می شود که متعاقباً مورد تجزیه و تحلیل قرار می گیرد.

. تجزیه و تحلیل داده های تصویری با یادگیری ماشینی نتیجه گیری را در مورد طول موج های ضروری برای تشخیص علائم فراهم می کند ، بنابراین امکان توسعه روش های تحلیل نوری سازگار برای استفاده در این زمینه را فراهم می کند.

ارزیابی دیجیتال با پهپاد

نکته قابل توجه استفاده شرکای پروژه از روشهای یادگیری ماشینی برای تشخیص تغییرات آسیب شناختی گیاهان بر اساس اعلایم دیجیتال چند وجهی و ابر قطعی آنهاست. آنها از داده های خروجی حاصل از ارزیابی بصری و آنالیز مولکولی برای آموزش و ترکیب مدل های آماری مختلف و شبکه های عصبی استفاده می کنند. الگوریتم های توسعه یافته از این طریق امکان شناسایی  وضعیت سیب و گلابی را به طور خاص امکان پذیر می سازند.

نظرسنجی میدانی و پرواز آزمایشی با پهپاد hyperspectral برای پاییز امسال برنامه ریزی شده است تا بتواند سیستم های حسگر و روش های مدل سازی متعاقباً بهینه سازی شود. این پروژه تحقیقاتی توسط Landwirtschaftliche Rentenbank تأمین می شود. دانشمندان این تحقیق امیدوارند که با پایان یافتن پروژه در سال 2022 ، روش سنجش از دور را با استفاده از جمع آوری و تجزیه و تحلیل داده های طیفی را برای خدمات حفاظت از محصول ، در دسترس تولید کنندگان و تعاونی ها قرار دهند. https://techxplore.com

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *