مهدی شمسی گوشکی - کارشناسی ارشد مهندسی مکانیک ماشینهای کشاورزی، گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه جیرفت
مجید دولتی - استادیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه جیرفت و استادیار دانشکده فنی و منابع طبیعی تویسرکان، دانشگاه بوعلی سینا همدان.
موسی رسولی - استادیار گروه علوم باغبانی و فضای سبز، دانشکده کشاورزی، دانشگاه ملایر.
ابراهیم احمدی - دانشیار گروه مهندسی مکانیک بیوسیستم، دانشکده کشاورزی، دانشگاه بو علی سینا همدان.

در این پژوهش با استفاده از تکنیکهای پردازش تصویر و شبکه های عصبی مصنوعی، آفتهای پروانه برگخوار و پسیل برگ پسته شناسایی شد. بدین منظور، تصاویر دیجیتالی از برگهای آفت زده درخت پسته رقم اوحدی تهیه و ویژگی های رنگ، بافت، مورفولوژیکی و ترکیبی (بافت- رنگ) از تصاویر استخراج شد و در تشخیص و طبقه بندی آفتها استفاده گردید. برای دستیابی به بهترین مدل، حالت های مختلف شبکه های عصبی مصنوعی و ویژگیهای مختلف استخراج شده از تصاویر، مورد ارزیابی قرار گرفت که بهترین حالتها عبارت بودند از: الف) با استفاده از شش ویژگی رنگی (واریانس، میانه، انحراف معیار، فشردگی، کشیدگی و صافی)، شبکه پس انتشار با تابع انتقال لگاریتم سیگمویید با دو لایه پنهان و لایه خروجی با تابع انتقال تانژانت سیگمویید با دقت 3/39%؛ ب) با استفاده از پنج ویژگی بافتی (آنتروپی، کنتراست، همبستگی، انرژی و همگنی)، شبکه پس انتشار با تابع انتقال تانژانت سیگمویید با دو لایه پنهان و لایه خروجی با تابع خطی با دقت 59%؛ و ج) با استفاده از پنج ویژگی مورفولوژیکی (سطح، محیط، سطح چندضلعی محیطی، وسعت، استحکام) و 11 ویژگی ترکیبی (6 ویژگی رنگی و 5 ویژگی بافتی) با شبکه پس انتشار، با تعداد دو لایه پنهان و تابع انتقال تانژانت سیگمویید و لایه خروجی خطی به ترتیب با دقت 7/68% و 3 /89%. نتایج این پژوهش نشان داد که تکنیک پردازش تصویر و شبکه های عصبی مصنوعی، توانایی تشخیص و طبقه بندی آفتهای برگ پسته را با دقت بسیار خوبی دارد.

آفتها، برگ درخت پسته، پردازش تصویر، شبکه های عصبی مصنوعی، نسبت خسارت