Приложение для смартфона по обнаружению грибных болезней листьев растений

Описаны симптомы и биофизические процессы, протекающие в землянике садовой при поражении ее доминирующим видом болезни (до 80%), вызванной грибами-возбудителями. Показана неэффективность визуальной оценки степени поражения болезнями земляники по условной 5-балльной шкале или в процентном отношении по площади, пораженной грибами листовой пластины, с привлечением квалифицированных специалистов. Для создания средств диагностики, позволяющих заранее обнаружить грибные болезни земляники садовой, предложен один из методов компьютерного зрения путем подсчета пикселей изображения в пространстве цветовых каналов красного, зеленого и синего цвета (R, G, B). Данный метод дает возможность определять степень поражения грибными болезнями отдельного листа растения. Алгоритм включает захват изображения с помощью цифровой камеры путем фокусировки на листе растения, размещенном на подложке с равномерным фоном, обеспечивающим контрастное выделение объекта; преобразование цветного изображения в черно-белое; разделение изображения между областями c некротическими пятнами и здоровыми областями листа растения с помощью маскирования и удаления пикселей; подсчет количества пикселей в этих двух областях и расчет их соотношения. Приведены сведения о компьютерной программе определения степени поражения листа земляники садовой грибными болезнями. В качестве языка для разработки логической части информационной системы использован язык программирования Java (операционная система Android Studio 3.4.1). Для построения графического интерфейса использовано обеспечение, облегчающее разработку и объединение разных модулей программного проекта LibGDX. Предлагаемый алгоритм реализован для персонального компьютера и может в виде программного приложения устанавливаться на смартфон, с помощью которого любой сельхозпроизводитель может осуществлять раннюю диагностику грибных болезней растений.

1. Díaz S., Kattge J., Cornelissen J.H.C., Wright I.J., Lavorel S., Dray S., Gorné L.D. The global spectrum of plant form and function // Nature. 2016. Vol. 529. P. 167–171. DOI: 10.1038/nature16489.

2. Алейников А.Ф. Метод неинвазивного определения грибных болезней земляники садовой // Сибирский вестник сельскохозяйственной науки. 2018. Т. 48. № 3. С. 71–83. DOI: 10.26898/0370-8799-2018-3-105.

3. Zhang Y., Yang X., Liu Q., Qiu D., Zhang Y., Zeng H., Yuan J., Mao J. Purification of novel protein elicitor from Botrytis cinerea that induces disease resistance and drought tolerance in plants // Microbiological Research. 2010. Vol. 165. N 2. P. 142–151. DOI: 10.1016/j.micres.2009.03.004.

4. Алейников А.Ф., Минеев В.В. Изменение флуоресценции хлорофилла земляники садовой при воздействии гриба Ramularia tulasnei Sacc // Сибирский вестник сельскохозяйственной науки. 2019. Т. 49. № 2. С. 94–102. DOI: 10.26898/0370-8799-2019-2-12.

5. Schrader J., Pillar G., Kreft H. Leaf-IT: An Android application for measuring leaf area // Ecology and Evolution. 2017. Vol. 7 (22). P. 9731–9738. DOI: 10.1002/ece3.3485.

6. Говорова Г.Ф., Говоров Д.Н. Грибные болезни земляники и клубники: монография. М.: Проспект, 2016. 142 с.

7. Хохряков М.К., Доброзракова Т.Л., Степанов К.М., Летова М.Ф. Определитель болезней растений: монография; 3-е изд., испр. СПб.: Лань, 2003. 592 с.

8. Kanchi S., Sabela M.I. Bisetty Smartphone based bioanalytical and diagnosis applications: A review // Biosensors and Bioelectronics. 2018. Vol. 102. P. 136–149. DOI: 10.1016/j.bios.2017.11.021.

9. Annamalai P., Lee W.S., Burks T. Color vision system for estimating citrus yield in real-time // An ASAE/CSAE Meeting Presentation. 2004.P. 43–54. DOI: 10.13031/2013.16714.

10. Camargo A., Smith J.S. An image-processing based algorithm to automatically identify plant disease visual symptoms // Biosystems Engineering. 2009. Vol. 102. N 1. P. 9–21. DOI: 10.1016/j.biosystemseng.2008.09.030.

11. Gong A., Wu X., Qiu Z., He Y. A handheld device for leaf area measurement // Computers and Electronics in Agriculture. 2013. Vol. 98. P. 74–80. DOI: 10.1016/j.compag.2013.07.013.

12. Li Z., Paul R., Tis B.T., Saville A.C., Hansel J.C., Yu T., Ristaino J.B., Wei Q. Non-invasive plant disease diagnostics enabled by smartphone-based fingerprinting of leaf volatiles // Nature Plants. 2019. Vol. 5 (8). P. 856–866. DOI: 10.1038/s41477-019-0476-y.

13. Padhye P., Rajani K. Machine vision guided system for classification and detection of plant diseases using support vector machine // International Journal of Computational Science and Engineering. 2014. Vol. 5. P. 249–254.

14. Raut S., Fulsunge A. Plant Disease Detection in Image Processing Using MATLAB // International Journal of Innovative Research in Science, Engineering and Technology. 2017. Vol. 6 (6). P. 73–103. DOI: 10.15680/IJIRSET.2017.0606034.

15. Patil J.K., Kumar R. Advances in image processing for detection of plant diseases // Journal of Advanced Bioinformatics Applications and Research. 2011. Vol. 2. P. 135–141.

16. Renugambal K., Senthilraja B. Application of image processing techniques in plant disease recognition // International Journal of Engineering Research & Technology. 2015. Vol. 4 (3). P. 919–923.

17. Khan M.A. Detection and Classification of Plant Diseases Using Image Processing and Multiclass Support Vector Machine // International Journal of Computer Trends and Technology (IJCTT). 2020. Vol. 68 (4). P. 5–11. DOI: 10.14445/22312803/IJCTT-V68I4P102.