Διάγνωση ασθενειών των φυτών με τη χρήση καινοτόμων οπτικών μεθόδων σε ορατό και υπέρυθρο φάσμα

Abstract

Η γεωργία ακριβείας είναι ένα σύστημα διαχείρισης καλλιεργειών βασισμένο στη χωρική και χρονική μεταβλητότητα των καλλιεργητικών και εδαφικών παραγόντων στον αγρό. Το σύστημα αυτό στοχεύει στην επίτευξη σταθερών συστημάτων ανάλυσης σε πραγματικό χρόνο για τις μεταβλητές των καλλιεργειών, του εδάφους και του περιβάλλοντος, προκειμένου να διευκολυνθεί η λήψη απόφασης διαχείρισης. Παράλληλα, η εμφάνιση ασθενειών στα φυτά εξαρτάται από συγκεκριμένους περιβαλλοντικούς παράγοντες (υγρασία, θερμοκρασία κ.ά.) και συχνά εμφανίζουν ετερογενή κατανομή στον αγρό. Η ίδια ετερογένεια παρατηρείται και στην κατανομή των μετασυλλεκτικών ασθενειών που αναπτύσσονται κατά την αποθήκευση γεωργικών προϊόντων. Σύμφωνα με τα παραπάνω, οι τεχνικές οπτικής ανίχνευσης είναι χρήσιμες για τον εντοπισμό πρωτογενών εστιών των ασθενειών και περιοχών που διαφέρουν ως προς τη σοβαρότητα της ασθένειας. Σε συνδυασμό με προηγμένες μεθόδους ανάλυσης εικόνας και δεδομένων, αυτές οι τεχνικές μπορούν να χρησιμοποιηθούν στα πλαίσια της ολοκληρωμένης διαχείρισης των ασθενειών των φυτών. Παράλληλα, μπορούν να αποτελέσουν ένα σχετικά οικονομικό και απλό στη χρήση μέσο διάγνωσης των ασθενειών. Με σκοπό την ανάπτυξη ενός νέου έξυπνου οπτικού συστήματος ανίχνευσης για τη διάγνωση διαφορετικών φυτικών ασθενειών, ερευνήθηκαν τα ακόλουθα παθοσυστήματα: Aspergillus flavus - φιστίκια, Α. flavus - κριθάρι, Α. carbonarius - σταφύλια, Verticillium dahliae - ελαιόδενδρο, V. dahliae - μελιτζάνα, Botrytis cinerea - μαρούλι και ίσκα - αμπέλι. Στα πλαίσια αυτής της μελέτης, χρησιμοποιήθηκαν δύο τύποι οπτικών μέσων: μια θερμική κάμερα και μια κάμερα κινητού τηλεφώνου. Οι θερμικές φωτογραφίες αναλύθηκαν με το πρόγραμμα ανάλυσης εικόνων FLIR Tools®. Οι φωτογραφίες του κινητού τηλεφώνου αναλύθηκαν με το πρόγραμμα επεξεργασίας γραφικών Adobe Photoshop® και διαχωρίστηκαν στις αντίστοιχες RGB (κόκκινο, πράσινο, μπλε), L*a*b* (φωτεινότητα, πράσινο - κόκκινο, μπλε - κίτρινο) και CIEL*C*h (L*: φωτεινότητα, C*: χρώμα, h: χροιά). Τα αποτελέσματα της παρούσας μελέτης έδειξαν πως οι ασθένειες της ασπεργίλλωσης των κελυφωτών φιστικιών και των σπόρων κριθαριού, η όξινη σήψη των σταφυλιών, η βερτισιλλίωση της ελιάς και η ίσκα της αμπέλου προκαλούν ορισμένες φυσιολογικές και φαινοτυπικές αλλαγές στα φυτά - ξενιστές που μπορούν να ανιχνευθούν με αμφότερα τα οπτικά μέσα. Αντίθετα, η ασθένεια της βερτισιλλίωσης της μελιτζάνας και η τεφρά σήψη του μαρουλιού δεν έδειξαν να προκαλούν κάποια ανιχνεύσιμη από την κάμερα του κινητού τηλεφώνου ή τη θερμική κάμερα μεταβολή στα φυτά ξενιστές.

Precision agriculture is a crop management system based on the spatial and temporal variability of the crop and soil factors within a field. This system aims at achieving a stable real-time analysis system for crop, soil and environment variables in order to facilitate decision support management solutions. At the same time, the occurrence of plant diseases depends on specific environmental factors (humidity, temperature, etc.) and often have a heterogeneous distribution in the field. The same heterogeneity is also observed in the distribution of post-harvest diseases developed during storage of agricultural products. According to the above, optical detection techniques are useful for identifying primary outbreaks of diseases and areas that differ in the severity of the disease. Combined with advanced image and data analysis methods, these techniques can be used in the context of integrated plant disease management. At the same time, they can be a relatively cost-effective and simple to use means of plant disease diagnosis. In order to develop a smart optical detection system for different plant disease diagnosis we investigated the following pathosystems: Aspergillus flavus – pistachios, A. flavus – barley, A. carbonarius – grapes, Verticillium dahliae – olive tree, V. dahliae – eggplant, Botrytis cinerea – lettuce and esca disease – grapevine. For the purposes of this study, two types of visual-optical media were used: a thermal camera and a mobile phone camera. Thermal photos were analyzed with the FLIR Tools® image analysis program. The photos of the mobile phone were analyzed with the Adobe Photoshop® graphics editor and separated into their respective RGB (Red, Green, Blue), L*a*b* (Lightness, green – red, blue – yellow) and CIEL*C*h (L*: lightness , C*: chroma, h: hue) color models. The results of the present study have shown that the diseases of pistachios and barley grain rot, the sour rot of grapes, the Verticillium wilt of olive and the esca disease of the grapevine can cause some physiological and phenotypic changes in host plants that can be detected with both optical media. In contrast, the Verticillium wilt of eggplant and the gray mold of lettuce did not appear to cause any detectable by the camera of the mobile phone or the thermal camera changes in the host plants.